Gözlemsel çalışmaların meta-analizi, randomize kontrollü çalışmaların etik dışı, uygulanamaz ya da hiç yapılmamış olduğu durumlarda kohort, olgu-kontrol ve kesitsel çalışmaların bulgularını birleştirir. İstatistiksel araçlar tanıdıktır, ancak tehditler farklıdır: dahil edilen her tahmin kendi karıştırıcılık ve yanlılık yükünü taşır ve birleştirme, yanlı bir sonucu son derece kesin gösterebilir. Bu rehber, kanıt gözlemsel olduğunda nelerin değiştiğini ele alır.
Gözlemsel çalışmaların meta-analizi neden farklıdır?
Randomize çalışmada bilinen ve bilinmeyen karıştırıcı değişkenler randomizasyonla dengelenir; gözlemsel araştırmada bu dengeyi kuran bir mekanizma yoktur. Birleştirilmiş tahmininize doğrudan üç sorun taşınır:
- Karıştırıcılık (confounding): maruz kalan ve kalmayan gruplar yaş, sosyoekonomik düzey, sigara kullanımı ya da eşlik eden hastalıklar bakımından farklıdır ve her çalışma bu etkenlerin farklı bir bölümüne göre düzeltme yapar.
- Seçim yanlılığı: kohorta kimin alındığı, izlemde kimin kaybedildiği ve kontrollerin nasıl seçildiği ilişkiyi çarpıtabilir.
- Bilgi yanlılığı: öz bildirime dayalı maruziyet ölçümü, olgu-kontrol çalışmalarındaki hatırlama yanlılığı ve yanlış sınıflanan sonuçlar tahminleri çoğu zaman öngörülemeyen yönlere kaydırır.
Desenler de farklı sorular yanıtlar: kohort çalışması zaman içindeki insidansı izler, olgu-kontrol çalışması sonuçtan maruziyete doğru geriye çalışır, kesitsel çalışma ise tek bir andaki prevalansı yakalar ve zamansallığı belirsiz bırakır. On binlerce katılımcılı kayıt (registry) çalışmaları da hâlâ karıştırıcılıktan etkilenmiş olabilecek tahminlerin çevresine son derece dar güven aralıkları ekler. Kesinlik geçerlilik demek değildir.
Protokol ve raporlama: PROSPERO, PRISMA 2020 ve MOOSE
Protokolü eleme başlamadan önce PROSPERO'ya kaydedin. Soruyu PICO yerine PECO (popülasyon, maruziyet, karşılaştırma, sonuç) ile çerçeveleyin ve aksi hâlde veriyi gördükten sonra verilecek kararları önceden sabitleyin: birincil etki ölçüsü, bir tahminin düzeltilmiş olması gereken asgari karıştırıcı seti, desen alt grupları ve duyarlılık analizleri.
Raporlamada akış şeması ve kontrol listesi için PRISMA 2020'yi izleyin; buna karıştırıcılığın nasıl değerlendirildiği ve çalışma kalitesinin analize nasıl yansıtıldığı gibi gözlemsel çalışmalara özgü ayrıntıları soran MOOSE kontrol listesini (Meta-analysis Of Observational Studies in Epidemiology, 2000) ekleyin. Epidemiyoloji dergilerinin çoğu ikisini birlikte bekler. Derlemenin temel adımları için meta-analiz ve PRISMA rehberimize bakabilirsiniz.
Çalışma desenleri, etki ölçüleri ve düzeltilmiş tahminler
Kohort, olgu-kontrol ve kesitsel çalışmaları gözü kapalı birleştirmeyin. Savunulabilir varsayılan yaklaşım, her deseni ayrı bir alt grup olarak analiz etmek, alt gruplar arası fark testini raporlamak ve genel tahmini yalnızca desenler tutarlıysa sunmaktır. Zamansallığı gösteremeyen kesitsel çalışmalar çoğu zaman ayrı bir analize ya da duyarlılık analizine ayrılmalıdır.
Çalışmalar genellikle odds oranı (OR), risk oranı (RR) ya da tehlike oranı (HR) raporlar. Sonuç nadir olduğunda (yaygın bir pratik kural: maruz kalmayan grupta yaklaşık %10'un altı) OR, RR'ye yaklaşır; HR de her ikisine yakın değer verir. Bu yüzden ölçüler çoğu zaman birlikte analiz edilir ve ölçü türüne göre duyarlılık analizi eklenir. Sonuç sık görülüyorsa OR, RR'yi olduğundan büyük gösterir; bu durumda başlangıç riskiyle dönüşüm yapın ya da ölçüleri ayrı analiz edin.
Her çalışmadan %95 güven aralığıyla birlikte düzeltilmiş tahmini çekin; tercihen protokoldeki karıştırıcı setini karşılayan modelden. Aracı değişkenlere göre de düzeltme yapan bir model, en çok düzeltilmiş olduğu için kendiliğinden en iyi model sayılmaz. Oran ölçüleri logaritmik ölçekte birleştirilir. Örnek: düzeltilmiş OR = 1,45; %95 GA 1,12–1,88 ise ln(OR) = 0,372 ve SH = (ln(ÜS) − ln(AS)) / 3,92 = (0,631 − 0,113) / 3,92 = 0,132 olur (SH: standart hata, ÜS: üst sınır, AS: alt sınır). Birden fazla makale üretmiş olsa bile her kohortu yalnızca bir kez dahil edin. Ortalama farkı ya da korelasyon raporlayan çalışmalar için etki büyüklüğü rehberimiz d ve r ailelerini açıklar.
Birleştirme modeli ve heterojenlik
Varsayılan tercih rastgele etkiler modelidir; çünkü popülasyonlar, maruziyet tanımları ve düzeltme setleri çalışmalar arasında gerçekten farklıdır. Klasik DerSimonian–Laird tahmincisi, çalışma sayısı az olduğunda çalışmalar arası varyansı olduğundan küçük tahmin etme eğilimindedir ve güven aralıkları gereğinden dar çıkar. τ² için daha iyi bir varsayılan tahminci REML'dir; t dağılımına dayanan Hartung–Knapp (Hartung–Knapp–Sidik–Jonkman) düzeltmesi ise çalışma sayısı azken daha dürüst aralıklar verir.
Cochran Q testi, değişkenliğin şansın ötesine geçip geçmediğini sınar, ancak az sayıda çalışmada gücü düşüktür. I², değişkenliğin gerçek çalışmalar arası farklardan kaynaklanan payıdır; %25, %50 ve %75 düşük, orta ve yüksek düzey için kaba eşiklerdir. Ne var ki I² çalışmaların kesinliği arttıkça yükselir: büyük kayıt çalışmaları, mutlak farklar ılımlı olsa bile bu değeri şişirebilir. τ² mutlak çalışmalar arası varyansı verir; %95 tahmin aralığı ise yeni bir çalışmada etkinin nereye düşeceğini gösterir. Bu aralık 1'i kapsıyorsa bunu açıkça yazın.
Heterojenliğin bir bölümünü çoğu zaman desen açıklar. Kalan bölümü, sigaraya göre düzeltme ya da izlem süresi gibi önceden belirlenmiş moderatörlerle meta-regresyon yoluyla inceleyin; her moderatör için kabaca on çalışma gerekir.
Yanlılık riski, küçük çalışma etkileri ve GRADE kanıt kesinliği
| Araç | Uygun olduğu desen | Çıktı | Dikkat edilecek nokta |
|---|---|---|---|
| Newcastle–Ottawa Ölçeği (NOS) | Kohort ve olgu-kontrol çalışmaları | Seçim, karşılaştırılabilirlik ve sonuç/maruziyet için yıldız (en fazla 9) | Toplam puan hangi alanın zayıf kaldığını gizler |
| ROBINS-I | Müdahalelerin randomize olmayan çalışmaları | Düşük, orta, ciddi ya da kritik risk | Varsayımsal bir hedef denemeye göre yargılanır; karıştırıcılık belirleyicidir |
| ROBINS-E | Maruziyetlerin gözlemsel çalışmaları (çevresel, mesleki, yaşam tarzı) | Düşükten çok yükseğe alan düzeyinde risk yargıları | Daha zahmetlidir; değerlendiricilerin kalibrasyonuna zaman ayırın |
| JBI kontrol listeleri | Analitik kesitsel, kohort, olgu-kontrol ve prevalans çalışmaları | Madde başına evet / hayır / belirsiz / uygulanamaz | Her desen için o desene ait listeyi kullanın |
Küçük çalışma etkileri için huni grafiğini inceleyin; Egger regresyon testini ise yalnızca yaklaşık 10 ya da daha fazla çalışma varsa uygulayın, daha azında testin gücü yetersizdir. Gözlemsel derlemelerde asimetri, yayımlanmamış anlamsız sonuçların yanı sıra karıştırıcılıktan ya da desen farklılıklarından da kaynaklanabilir; bu yüzden temkinli yorumlayın ve trim-and-fill yöntemini yalnızca duyarlılık analizi olarak kullanın. Şu duyarlılık analizlerini önceden planlayın:
- Birini dışarıda bırakma (leave-one-out): her çalışmayı sırayla çıkararak yeniden birleştirin ve sonucu tek başına değiştiren tahminleri bulun.
- Yüksek yanlılık riskini dışlama: yalnızca düşük ya da orta riskli çalışmaları tutun.
- Düzeltilmiş ve ham tahminler: birleştirilmiş düzeltilmiş ve ham tahminler arasındaki büyük fark güçlü karıştırıcılığa işaret eder.
- Ölçüye ve desene göre: OR'leri RR ve HR'lerden ayrı analiz edin, ayrıca yalnızca kohortlarla bir analiz yapın.
Son olarak kanıt kesinliğini GRADE ile derecelendirin. Gözlemsel kanıt düşük kesinlikle başlar; yanlılık riski, tutarsızlık, dolaylılık, kesinsizlik (imprecision) ya da yayın yanlılığı nedeniyle düşürülür. Büyük bir etki, doz-yanıt ilişkisi ya da gözlenen etkiyi zayıflatacak yönde olası artık karıştırıcılık varsa yükseltilebilir.
Gözlemsel meta-analiz için Stata iş akışı
- Her çalışmaya bir satır ayırın: etiket, desen, düzeltilmiş tahminin logaritması (logor) ve standart hatası (se).
- meta set logor se, studylabel(study) random(reml) veriyi REML tahminli rastgele etkiler modeliyle tanımlar (Stata 16 ve sonrası).
- meta summarize, eform predinterval birleştirilmiş OR'yi Q, I², τ² ve tahmin aralığıyla verir; DerSimonian–Laird için random(dlaird), Hartung–Knapp için se(khartung) ekleyin.
- meta forestplot, subgroup(design) eform desene göre orman grafiğini alt gruplar arası fark testiyle çizer.
- meta funnelplot, meta bias, egger ve meta trimfill küçük çalışma etkilerini inceler.
- meta regress moderatörleri modeller; yeni sürümlerde meta summarize, leaveoneout birini dışarıda bırakma analizini yapar.
Comprehensive Meta-Analysis (CMA) düzeltilmiş oranları güven sınırlarıyla doğrudan kabul eder, SPSS'in yeni sürümleri de meta-analiz prosedürleri içerir; biz yeniden üretilebilir veri çekme kontrolleri için Python betikleri kullanıyoruz. Birleştirme ve değerlendirme sürecini devretmek isterseniz sistematik derleme ve meta-analiz hizmetimizi inceleyin ya da protokolünüzle birlikte bize ulaşın.
Gözlemsel meta-analizde dar bir güven aralığı kesinliğin ölçüsüdür, asla geçerliliğin belgesi değildir.
Sık Sorulan Sorular
Gözlemsel çalışmaların meta-analizi güvenilir mi?
Karıştırıcılık ve yanlılık açıkça ele alındığında güvenilir olabilir; düzeltilmiş tahminler, desen alt grupları, biçimsel yanlılık riski değerlendirmesi ve duyarlılık analizleri bunun ön koşuludur. Yine de GRADE gözlemsel kanıtı düşük kesinlikle başlattığı için sonuçlar kanıtlanmış nedensel etkiler olarak değil, ilişkiler olarak yazılmalıdır.
Kohort ve olgu-kontrol çalışmaları aynı meta-analizde birleştirilebilir mi?
Birleştirilebilir, ancak gözü kapalı değil. Her deseni alt grup olarak analiz edin, alt gruplar arası farkı test edin ve genel tahmini yalnızca desenler tutarlı sonuç veriyor ve aynı soruyu yanıtlıyorsa raporlayın.
Meta-analizde düzeltilmiş mi yoksa ham odds oranı mı kullanılmalı?
Birincil analizde, tercihen protokolde tanımlanan karıştırıcı setini karşılayan düzeltilmiş tahminleri kullanın ve bunları SH = (ln(ÜS) − ln(AS)) / 3,92 formülüyle log OR ölçeğine taşıyın. Ham tahminler, karıştırıcılığın sonucu ne kadar kaydırdığını gösteren bir duyarlılık analizinde yer almalıdır.
Celsus gözlemsel çalışmalar için hangi meta-analiz hizmetlerini sunuyor?
Meta-analiz hizmetimiz gözlemsel kanıtı uçtan uca kapsar: PECO sorusu ve PROSPERO protokolü, arama ve çift değerlendiricili eleme, NOS, ROBINS-I ya da ROBINS-E ile yanlılık değerlendirmesi, düzeltilmiş tahminlerin çekilmesi ve Stata ya da CMA ile alt grup, duyarlılık ve yayın yanlılığı analizlerini içeren rastgele etkiler birleştirmesi. GRADE derecelendirmesi, orman ve huni grafikleri ile PRISMA 2020 ve MOOSE uyumlu raporlama, yeniden üretilebilir dosyalarla teslim edilir.