El metaanálisis combinatorio (CMA) es el estudio del comportamiento de las propiedades estadísticas de combinaciones de estudios de un conjunto de datos metaanalíticos (típicamente en la investigación de ciencias sociales). En un artículo que desarrolla la noción de "gravedad" en el contexto del metanálisis, el Dr. Travis Gee [1] propuso que los métodos de navaja aplicados al metanálisis en ese artículo podrían extenderse para examinar todas las combinaciones posibles de estudios ( donde sea práctico) o subconjuntos aleatorios de estudios (donde la combinatoria de la situación la hizo computacionalmente inviable).
Concepto
En el artículo original, [1] k objetos (estudios) se combinan k -1 a la vez ( estimación de navaja ), lo que da como resultado k estimaciones. Se observa que este es un caso especial del enfoque más general de CMA que calcula los resultados de k estudios tomados 1, 2, 3 ... k - 1, k a la vez.
Cuando es factible desde el punto de vista computacional obtener todas las combinaciones posibles, la distribución resultante de estadísticas se denomina "CMA exacta". Cuando el número de combinaciones posibles es prohibitivamente grande, se denomina "CMA aproximada".
CMA permite estudiar el comportamiento relativo de diferentes estadísticas en condiciones combinatorias. Esto difiere del enfoque estándar en el metanálisis de adoptar un método único y calcular un resultado único, y permite que se produzca una triangulación significativa, calculando diferentes índices para cada combinación y examinando si todos cuentan la misma historia.
Trascendencia
Una implicación de esto es que donde existen múltiples intersecciones aleatorias, la heterogeneidad dentro de ciertas combinaciones se minimizará. Por lo tanto, CMA puede usarse como un método de minería de datos para identificar el número de intersecciones que pueden estar presentes en el conjunto de datos al observar qué estudios están incluidos en los mínimos locales que se pueden obtener mediante recombinación.
Una implicación adicional de esto es que los argumentos sobre la inclusión o exclusión de estudios pueden ser discutibles cuando se tiene en cuenta la distribución de todos los resultados posibles. Una herramienta útil desarrollada por el Dr. Gee (la referencia vendrá cuando se publique) es la gráfica "PPES" (que significa "Probabilidad de tamaño del efecto positivo", asumiendo que las diferencias se escalan de tal manera que se desee más grande en una dirección positiva). Para cada subconjunto de combinaciones, donde los estudios se toman j = 1, 2, ... k - 1, k a la vez, se toma la proporción de resultados que muestran un tamaño de efecto positivo (ya sea WMD o SMD funcionará), y esto se traza contra j . Esto se puede adaptar a un gráfico "PMES" (que significa "Probabilidad de tamaño mínimo del efecto"), donde la proporción de estudios que exceden un tamaño mínimo del efecto (por ejemplo, DME = 0,10) se toma para cada valor de j = 1, 2 , ... k - 1, k . Cuando se presente un efecto claro, esta gráfica debería asíntota hasta cerca de 1.0 con bastante rapidez. Con esto, es posible entonces que, por ejemplo, las disputas sobre la inclusión o exclusión de dos o tres estudios de una docena o más puedan enmarcarse en el contexto de una trama que muestre un efecto claro para cualquier combinación de 7 o más estudios.
También es posible a través de CMA examinar la relación de las covariables con los tamaños del efecto. Por ejemplo, si se sospecha que el financiamiento de la industria es una fuente de sesgo, entonces la proporción de estudios en un subconjunto dado que fueron financiados por la industria se puede calcular y graficar directamente contra la estimación del tamaño del efecto. Si la edad promedio en los diversos estudios fue en sí misma bastante variable, entonces se puede obtener la media de estos promedios en los estudios en una combinación dada y trazarla de manera similar.
Implementaciones
El software original del Dr. Gee para realizar metanálisis combinatorio y de navaja se basaba en macros metaanalíticas más antiguas escritas en el lenguaje de programación SAS. Fue la base de un informe en el área del tratamiento de la artritis. [2] Si bien este software se compartió con colegas de manera informal, no se publicó. Un metaanálisis posterior aplicó el concepto en el contexto del tratamiento de la diarrea. [3]
Un método de navaja se aplicó a los datos metaanalíticos algunos años más tarde [4], pero no parece que se haya desarrollado un software especializado para la tarea. Otros comentaristas también han pedido métodos relacionados, [5] aparentemente desconociendo el trabajo original. Un trabajo más reciente de un equipo de transferencia de software en la Universidad de Brown [6] ha implementado el concepto en STATA. [7]
Limitaciones
CMA no resuelve el problema del metaanálisis de "basura dentro, basura fuera". Sin embargo, cuando una clase de estudios es considerada basura por un crítico, ofrece una forma de examinar hasta qué punto esos estudios pueden haber cambiado un resultado. Del mismo modo, no ofrece una solución directa al problema de qué método elegir para la combinación o ponderación. Lo que sí ofrece, como se señaló anteriormente, es la triangulación, donde se pueden obtener acuerdos entre métodos y desacuerdos entre métodos comprendidos en toda la gama de posibles combinaciones de estudios.
Referencias
- ^ a b Gee, T. (2005) "Capturar la influencia del estudio: el concepto de 'gravedad' en el metanálisis", Consejería, psicoterapia y salud , 1 (1), 52-75 [1] Archivado 2006-08- 19 en la Wayback Machine
- ^ Bellamy, N., Campbell, J. y Gee, T. (2005). ¿Pueden la selección de estudios, el manejo de variables y el período de tiempo influir en los tamaños del efecto observado en revisiones sistemáticas de productos con hialuronano / hilano? En: R. Altman, Presentaciones de carteles. 10 ° Congreso Mundial de Osteoartritis, Massachusetts, EE. UU., (S71-S71). 8-11 de diciembre de 2005.
- ^ Marek Lukacik, MDa, Ronald L. Thomas, PhDb, Jacob V. Aranda, MD, PhDbA Metaanálisis de los efectos del zinc oral en el tratamiento de la diarrea aguda y persistente, Pediatrics Vol. 121 No. 2 1 de febrero de 2008, págs. 326-336 (doi: 10.1542 / peds.2007-0921)
- ^ http://asq.org/quality-progress/2008/07/statistics-roundtable/statistics-roundtable-the-trusty-jackknife.html
- ^ [2]
- ^ Olkin I, Dahabreh IJ, Trikalinos TA. GOSH: muestra gráfica de la heterogeneidad del estudio. Métodos de síntesis de investigación. 2012; 3 (3): 214-223.
- ^ https://ideas.repec.org/c/boc/bocode/s457535.html