Publicerat den 29 november 2018 av Maximilian Siebert
Heterogenitet är inget att vara rädd för, det betyder bara att det finns variabilitet i dina data. Så om man sammanför olika studier för att analysera dem eller göra en metaanalys är det klart att man kommer att hitta skillnader. Motsatsen till heterogenitet är homogenitet vilket innebär att alla studier visar samma effekt.
Det är viktigt att notera att det finns olika typer av heterogenitet:
- Klinisk: Skillnader i deltagare, interventioner eller resultat
- Metodologisk: Skillnader i studiedesign, risk för bias
- Statistisk: Vi är intresserade av dessa skillnader eftersom de kan tyda på att vår intervention kanske inte fungerar på samma sätt varje gång den används. Genom att undersöka dessa skillnader kan man nå en mycket större förståelse för vilka faktorer som påverkar interventionen och vilket resultat man kan förvänta sig nästa gång interventionen genomförs.
Även om klinisk och metodologisk heterogenitet är viktig kommer den här bloggen att fokusera på statistisk heterogenitet.
Hur man identifierar och mäter heterogenitet
Eyeballtest
I din forest plot ska du titta på överlappande konfidensintervall, snarare än på vilken sida dina effektskattningar ligger. Om resultaten ligger på vardera sidan av linjen för ingen effekt påverkar kanske inte din bedömning av om det finns heterogenitet, men det kan påverka din bedömning av om heterogeniteten spelar någon roll.
Med detta i åtanke kan du ta en titt på grafen nedan och avgöra vilken plot som är mer homogen.
Den mer homogena är förstås plot nummer 1 . Konfidensintervallen är alla överlappande och dessutom är alla studier till förmån för kontrollinterventionen.
För de personer som älskar att mäta saker i stället för att bara titta på dem med ögonen, oroa dig inte, det finns fortfarande några statistiska metoder som kan hjälpa dig att förstå begreppet heterogenitet.
Chi-kvadrat (χ²)-test
Detta test utgår från nollhypotesen att alla studier är homogena, eller att varje studie mäter en identisk effekt, och ger oss ett p-värde för att testa denna hypotes. Om testets p-värde är lågt kan vi förkasta hypotesen och heterogenitet föreligger.
Om testet ofta inte är tillräckligt känsligt och det felaktiga uteslutandet av heterogenitet sker snabbt, använder många forskare ett p-värde på < 0,1 i stället för < 0,05 som gränsvärde.
I²
Detta test utvecklades av professor Julian Higgins och har en teori för att mäta omfattningen av heterogenitet snarare än att ange om den finns eller inte.
Tröskelvärden för tolkning av I² kan vara missvisande, eftersom betydelsen av inkonsekvens beror på flera faktorer. En grov guide för tolkning är följande:
För att förstå teorin ovan kan man titta på följande exempel.
Vi kan se att p-värdet för chi-kvadrat-testet är 0,11, vilket bekräftar nollhypotesen och därmed tyder på homogenitet. Genom att titta på interventionerna kan vi dock redan se en viss heterogenitet i resultaten. Dessutom är I²-värdet 51 %, vilket tyder på måttlig till betydande heterogenitet.
Detta är ett bra exempel på hur χ²-testet kan vara missvisande när det bara finns ett fåtal studier i metaanalysen.
Hur hanterar man heterogenitet?
När du väl har upptäckt variabilitet i dina resultat måste du hantera den. Här är några steg för hur du kan hantera detta problem:
- Kontrollera om dina data är felaktiga – Gå tillbaka och se om du kanske har skrivit in något fel
- Gör inte en metaanalys om heterogeniteten är för hög – Inte alla systematiska granskningar behöver en metaanalys
- Utforska heterogeniteten – Detta kan göras med hjälp av subgruppsanalyser eller metaanalyser.regression
- Gör en metaanalys med slumpmässiga effekter – Tänk på att detta tillvägagångssätt är för heterogenitet som inte kan förklaras eftersom den beror på slumpen
- Förändra effektmåtten – Låt oss säga att du använder riskskillnaden och har hög heterogenitet, prova då riskförhållande eller oddsförhållande
(1) Fletcher, J. Vad är heterogenitet och är det viktigt? BMJ 2007; 334 :94
(3) https://www.mathsisfun.com/data/chi-square-test.html