Síntesis de hallazgos

Bibliotecaria Hospital Universitario de GetafeComité ejecutivo BiblioMadSaludhttps://bibliogetafe.com/ https://orcid.org/0000-0003-2724-2563@biblioGETAFE

Concepción Campos-Asensio

Revisión sistemática/Meta-análisis

Síntesis de hallazgos

• Tablas “Características de los estudios incluidos” (incluidas las tablas “Riesgo de sesgo”)
• Figuras (una selección de diagramas de bosque, gráficos en embudo, gráficos de “Riesgo de sesgo” y otras figuras)
• Tablas “Resumen de los resultados”

Se pueden utilizar varias tablas y figuras para presentar la información en un formato más conveniente:

• Cualitativa/descriptiva (siempre ha de hacerse)
• Cuantitativa (opcional)

Tipos de síntesis:

Síntesis de hallazgos

Se ha de realizar tras la obtención o extracción de los datos de cada estudio seleccionado mediante un formato diseñado ex profeso para cada revisión sistemática

Info

Yepes-Nuñez JJ, Urrútia G, Romero-García M, Alonso-Fernández S. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol (Engl Ed). 2021 Sep;74(9):790-799. Disponible en: https://www.revespcardiol.org/en-the-prisma-2020-statement-an-articulo-S1885585721002401

Diagrama de flujo PRISMA 2020. Los recuadros en gris solo se deben completar si son aplicables; de lo contrario, deben eliminarse del diagrama de flujo. Un «informe» puede ser un artículo de revista, una preimpresión, un resumen de conferencia, un registro de estudio, un informe de estudio clínico, una tesis/disertación, un manuscritoinédito, un informe gubernamental o cualquier otro documento que proporcione información pertinente.

Una figura que nunca debe faltar en una RS es el diagrama de flujo PRISMA que se utiliza para describir el flujo de información a través de las diferentes fases de una revisión sistemática. Traza el número de registros identificados, incluidos y excluidos, y las razones de las exclusiones

Diagrama de flujo PRISMA

Ejemplo

• Algunas revisiones pueden incluir más de una tabla de 'Resumen de hallazgos', por ejemplo, si la revisión aborda más de una comparación importante, o incluye poblaciones sustancialmente diferentes que requieren tablas separadas.

• Las tablas de 'Resumen de hallazgos' incluyen una fila para cada resultado importante (hasta un máximo de siete)

• Ha de presentar los principales resultados de una revisión en un formato tabular transparente, estructurado y simple. Las tablas han de reunir los hallazgos clave y la evaluación GRADE de la certeza de la evidencia para cada resultado, antes de comenzar a escribir la revisión.

• Una tabla de "Resumen de hallazgos" para una comparación determinada de intervenciones proporciona información clave sobre la magnitud de los efectos relativos y absolutos de las intervenciones examinadas, la cantidad de evidencia disponible y la certeza (o calidad) de la evidencia disponible.

Tabla de síntesis de hallazgos

• La síntesis descriptiva se basa principalmente en palabras y texto para resumir y explicar los hallazgos.
• Ya sea que incluyan un metaanálisis o no, los autores deben describir el flujo del proceso de la revisión sistemática resumiendo el número de referencias que encontraron a partir de la estrategia de búsqueda, el número de resúmenes y textos completos que examinaron y el número final de estudios primarios que incluyeron en la revisión. Este proceso se resume en un diagrama de flujo.
• Los autores deben también describir las características tales como las poblaciones estudiadas, los tipos de exposición, los detalles de la intervención y los resultados de los estudios incluidos en una tabla y en el texto principal del manuscrito.
• Si el metanálisis no es factible, los autores deben describir los resultados de los estudios incluidos, incluida la dirección y el tamaño del efecto, la consistencia del efecto entre los estudios y la solidez de la evidencia del efecto.

Síntesis descriptiva

• Técnica estadística que combina los resultados de 2 o más estudios.
• Estima un efecto "promedio" o "común". Los metanálisis se basan en resultados agregados de estudios (por ejemplo, medias y desviaciones estándar o proporciones). Por lo tanto, solo se pueden aplicar a estudios que informan resultados cuantitativos.
• Para realizar un metanálisis, generalmente es necesario que los estudios utilicen el mismo diseño y tipo de medición, y/o hayan realizado la misma intervención.
• Parte opcional de una revisión sistemática.

Meta-análisis

Revisiones sistemáticas

Meta-análisis

Fuente: Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.2 (updated February 2021). Cochrane, 2021. Available from: www.training.cochrane.org/handbook.Harrer, M., Cuijpers, P., Furukawa, T.A., & Ebert, D.D. (2021). Doing Meta-Analysis with R: A Hands-On Guide. Boca Raton, FL and London: Chapmann & Hall/CRC Press. ISBN 978-0-367-61007-4. Disponible en: https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/

Tenemos 2 ó más estudios con las siguientes características: 1. Estudios suficientemente similares como para producir un estimador común útil y con sentido. 2. Medición similar de los desenlaces. 3. Datos con formato utilizable.

¿Cuándo SÍ se puede meta-analizar?

¿Cuándo NO conviene meta-analizar?

Principios del meta-análisis

• Mezcla de manzanas y peras: Cada estudio incluido debe responder la misma pregunta.
• Entra basura–sale basura: Un meta-análisis solo es tan bueno como los estudios en que se basa.
• Cajón de archivos: no se publican todos los hallazgos de investigación relevantes y, por lo tanto, faltan en nuestro metanálisis.

• La heterogeneidad entre estudios: Se trata de analizar hasta qué punto los resultados de los diferentes estudios pueden combinarse en una única medida. Las diferencias entre los estudios pueden ser insignificante y una estimación combinada del efecto puede orientar la decisión clínica. Sin embargo, cuando las diferencias son grandes, esta estimación puede inducir a error.

• El tipo de respuesta a estudiar (tipo de variable).

Antes de optar por alguno de los distintos métodos estadísticos que permiten combinar los resultados individuales de cada estudio para obtener un estimador combinado del efecto, habrá que determinar:

Hay que determinar

Tipos de variables

Dehkordi AH, Mazaheri E, Ibrahim HA, Dalvand S, Ghanei Gheshlagh R. How to Write a Systematic Review: A Narrative Review. Int J Prev Med. 2021 Mar 29;12:27. doi: 10.4103/ijpvm.IJPVM_60_20. PMID: 34249276; PMCID: PMC8218799.

Medidas de efecto

Leer más

Medidas de efecto

• La estimación conjunta del efecto en un metaanálisis no se calcula simplemente combinando los resultados de los estudios individuales.
• El análisis pondera la contribución individual de cada estudio para la estimación conjunta, este es el concepto conocido como peso del estudio (weight), es decir, se dará más peso a un estudio que ofrezca más información, con la suposición de que es probable que este estudio esté más cerca del verdadero efecto subyacente.
• Las ponderaciones suelen obtenerse calculando la inversa de la varianza del efecto del tratamiento, lo que está estrechamente relacionada con el tamaño de la muestra. Así, cuanto mayor sea el tamaño de la muestra del estudio, mayor será la ponderación.

Estimación global del efecto

Leer más

• Diagrama de bosque o “forest plot” se muestra el efecto estimado en cada estudio junto con el valor obtenido combinando los resultados de todas las investigaciones, acompañados por sus respectivos intervalos de confianza.
• Suele representarse en la gráfica la línea vertical del valor correspondiente a la ausencia de efectos (RR=1 o Diferencia de medias=0).

Diagrama de bosque

Generalmente, un Forest Plot se divide en seis columnas y los resultados individuales de cada estudio se disponen en filas sucesivas

https://s4be.cochrane.org/blog/2016/07/11/tutorial-read-forest-plot/

Cómo leer un Diagrama de bosque

Leer más

Siempre que se combinen estudios, se debe evaluar su heterogeneidad para determinar si existen diferencias notables entre los estudios que pueden variar la estimación de la verdad.

En caso de heterogeneidad inexplicable, se puede utilizar una estimación combinada mediante el modelo de efectos aleatorios. Esta estimación ya no estima un único efecto desconocido, sino el promedio de los efectos de la intervención en las poblaciones representadas por los estudios.

Si se detecta heterogeneidad, se debe buscar una explicación y se puede realizar un análisis utilizando características a nivel de estudio (análisis de subgrupos o metarregresión)

Las estimaciones del efecto de un estudio a otro difieren debido a diferencias reales (variabilidad entre estudios) y debido al azar (variabilidad dentro del estudio).

Se trata de analizar hasta qué punto los resultados de los diferentes estudios pueden combinarse en una única medida.

La heterogeneidad pude ser:clínica, metodológica o estadística) es esperable en cualquier metaánálisis (MA).

Determinación de la heterogeneidad

Interpretación

Cualquiera que sea la medida numérica de heterogeneidad que se utilice, debe interpretarse junto con una inspección visual. Las medidas numéricas no deben reemplazar la inspección visual, sino complementarla.

• La evaluación del grado de heterogeneidad puede llevarse por dos métodos complementarios:
• Visualmente.

• Pruebas estadísticas :
• Chi-cuadrado (prueba de hipótesis): evalúa si las diferencias observadas en los resultados son sólo debidas al azar (hipótesis nula: los datos son homogéneos; P-valor <= 0,10).
• I-cuadrado (cuantificación de la inconsistencia): Un I² grande (proporción de la variabilidad general atribuida a la variación entre estudios) o un valor P pequeño asociado con Q pueden sugerir heterogeneidad. Sin embargo, los valores P grandes no significan la ausencia de heterogeneidad. Es más informativo informar el intervalo de confianza de I².

Determinación de la heterogeneidad

Cordero CP, Dans AL. Key concepts in clinical epidemiology: detecting and dealing with heterogeneity in meta-analyses. J Clin Epidemiol. 2021 Feb;130:149-151. doi: 10.1016/j.jclinepi.2020.09.045. PMID: 33483004.

La estrategia más sencilla para valorar la heterogeneidad es ver el Diagrama de bosque (Forest Plot).

La dirección del efecto no es un criterio de inconsistencia.

• Amplia variación de estimaciones puntuales.
• Solapamiento mínimo o ausente del IC 95%. Cuando la variabilidad tanto dentro del estudio como entre estudios es pequeña, el IC del 95% de la estimación combinada será muy estrecho.

Variación mayor de la esperada por puro azar que sugiere heterogeneidad si:

Determinación de la heterogeneidad

Gráfico de L’Abbé representa las tasas de respuesta de los grupos de tratamiento y de control y su posición respecto a la diagonal. Por encima de la diagonal quedan los estudios con resultado favorable al tratamiento, mientras que por debajo están aquellos con resultado favorable al control. Los estudios suelen representarse con un área proporcional a su precisión y su dispersión indica heterogeneidad. Hay que tener en cuenta que este método es aplicable solo a metaanálisis de ensayos clínicos y cuando la variable dependiente es dicotómica.

Gráfico de Galbraith que puede emplearse tanto para ensayos clínicos como para metaanálisis de estudios observacionales. Rrepresenta la precisión de cada estudio frente a su efecto estandarizado junto con la línea de la ecuación de regresión ajustada y unas bandas de confianza. La posición de cada estudio respecto al eje de la precisión indica el peso de su contribución al resultado global, mientras que su localización fuera de las bandas de confianza indica su contribución a la heterogeneidad.

Aunque los parámetros numéricos parezcan descartar la heterogeneidad, se han ideado una serie de métodos gráficos para inspeccionar los estudios y comprobar que no hay datos de heterogeneidad.

Determinación de la heterogeneidad

Si se llega a la conclusión de que existe una heterogeneidad significativa entre los estudios primarios habrá varias posibilidades:1. No realizar el metaanálisis: No combinar los estudios primarios y limitarse a la síntesis cualitativa de los resultados, no todas las revisiones sistemáticas necesitan un meta-análisis. 2. Explorar la heterogenidad: esto se puede hacer mediante análisis de subgrupos o metarregresión:Meta-regresión: obtener una medida agregada del efecto de interés indicando una medida de la variabilidad entre estudios.Análisis de subgrupos: realizar un análisis por subgrupos homogéneos de ser posible identificar la causa de la heterogeneidad.3. Realizar un meta-análisis de efectos aleatorios: tenga en cuenta que este enfoque es para la heterogeneidad que no se puede explicar porque se debe al azar.4. Excluir estudios ¿¿??

Cómo lidiar con la heterogeneidad

Leer más

Se puede realizar un análisis utilizando características a nivel de estudio (análisis de subgrupos o metarregresión).

• Las poblaciones estudiadas pueden ser diferentes (diferentes edades y estado nutricional en el ejemplo del zinc),
• las intervenciones pueden no ser exactamente las mismas (el zinc varía en dosis y formulación),
• las medidas de resultado pueden haberse definido de manera diferente (diferente estandarización de pañales desechables preponderados para medir la producción de heces),
• o el diseño del estudio puede haber sido diferente (aleatorizado por individuos o por grupos).

Cada estudio tiene libertad de tener su propio resultado. Los resultados están distribuidos al azar alrededor de una estimación puntual. Tomaré en cuenta los pequeños también...

Solo puede existir una verdad. Todos los estudios deben tener el mismo resultado. La variabilidad entre los mismos es debido al azar. Si todos los estudios fueran infinitamente grandes, darían todos el MISMO e IDÉNTICO resultado.

Modelo de efectos aleatoriosRandom effect model

Modelo de efectos fijosFixed effect model

En caso de heterogeneidad inexplicable, se puede utilizar una estimación combinada mediante el modelo de efectos aleatorios. Esta estimación ya no estima un único efecto desconocido, sino el promedio de los efectos de la intervención en las poblaciones representadas por los estudios.

Si se detecta heterogeneidad, se debe buscar una explicación:

Cuando la heterogeneidad es baja, la estimación combinada puede considerar solo la variación dentro del estudio (modelo de efectos fijos).

Modelos estadísticos para combinar los resutados de los estudios

Muka T, Glisic M, Milic J, Verhoog S, Bohlius J, Bramer W, Chowdhury R, Franco OH. A 24-step guide on how to design, conduct, and successfully publish a systematic review and meta-analysis in medical research. Eur J Epidemiol. 2020 Jan;35(1):49-60. doi: 10.1007/s10654-019-00576-5. Epub 2019 Nov 13. PMID: 31720912.

• Si los resultados así obtenidos son similares, tanto en dirección como en magnitud del efecto y significación estadística indica que los resultados son robustos. En caso contrario no se tendría un estimador robusto, lo cual exigiría cierta precaución en la interpretación de los resultados o podría ser motivo para generar nuevas hipótesis.
• Este mismo proceso podría repetirse eliminando a un mismo tiempo varios estudios (por ejemplo, aquellos de peor calidad metodológica, los no publicados, etc.) para determinar su posible influencia en los resultados.

• Después de realizar un metaanálisis, es recomendable estudiar la influencia de cada uno de los estudios en los resultados obtenidos.
• El análisis de sensibilidad pretende estudiar la influencia de cada uno de los estudios en la estimación global del efecto y, por lo tanto, la robustez o estabilidad de la medida final obtenida.
• El análisis de sensibilidad consiste en replicar los resultados del metaanálisis excluyendo en cada paso uno de los estudios incluidos en la revisión para ver si se obtienen o no resultados similares de forma global.

ANÁLISIS DE SENSIBILIDAD

Info

• Estudio de Fanelli en 2012 (periodo 1990-2007) alcanza en 2007 un 85% de estudios con resultados positivos.
• NO PUEDE SER.
• Solo vemos la punta del iceberg

Fanelli, D.. “Negative results are disappearing from most disciplines and countries.” Scientometrics 90 (2011): 891-904. DOI: 10.1007/s11192-011-0494-7

Junto con el análisis de sensibilidad, una vez obtenidos los resultados del metaanálisis se debe analizar la existencia de un posible sesgo de selección que pudiese poner en entredicho los resultados alcanzados.Por lo general, el sesgo de publicación es el resultado de la publicación deficiente de estudios que demuestran un efecto negativo.

SESGO DE PUBLICACIÓN

Info

Se han propuesto varios métodos para la exploración de la posibilidad y la cuantía del sesgo de publicación:El más simple consiste en realizar un análisis de sensibilidad, y calcular entonces el número de estudios negativos realizados y no publicados que debería haber para modificar el sentido de una eventual conclusión "positiva" obtenida con un meta-análisis. Si este número es muy elevado, se considera que la probabilidad de que el sesgo de publicación haya modificado sustancialmente los resultados es baja, y se acepta la existencia de las diferencias sugeridas por el meta-análisis.También se puede examinar la posibilidad de sesgo de publicación con el método conocido como el gráfico en embudo (funnel plot). Se basa en representar el tamaño muestral de cada trabajo frente al tamaño del efecto detectado. Se parte del supuesto de que los estudios que tendrían mayor probabilidad de no ser publicados serían los que no muestran diferencias (estudios "negativos"), sobre todo si eran de pequeño tamaño. Inversamente, si hubiera sesgo de publicación, entre los estudios pequeños (en los que hay mayor probabilidad de que se alteren los resultados por azar) se tendería a publicar los que mostraran diferencias.

SESGO DE PUBLICACIÓN

Leer más

Info

SESGO DE PUBLICACIÓN

inicio

CAUSAS DE ASIMETRÍA DE LOS GRÁFICOS DE EMBUDO