Sin el modelado multinivel, ¿cómo manejar la replicación dentro del estudio en un metanálisis, donde el estudio es la unidad de replicación?

Descripción del estudio:

He observado un error común entre los metanálisis, con respecto al manejo de la replicación dentro del estudio. No me queda claro si el error invalida los estudios cuando se establecen supuestos. Sin embargo, según tengo entendido, estos supuestos violan una premisa básica de las estadísticas.

Como ejemplo, un estudio pone a prueba los efectos de la sustancia química sobre la respuesta . $X$ $Y$

El análisis se realiza sobre la relación de respuesta logarítmica: la relación entre el tratamiento (en presencia de ) y el control (sin ): $Y_{+X}$ $X$ $Y_{0}$ $X$

R = \ln (\frac{Y_{+ X}}{Y_{0}})

$R = \ln(\frac{Y_{+X}}{Y_{0}})$

Algunos de los estudios incluidos en el meta-análisis contienen múltiples tratamientos, por ejemplo diferentes niveles o formas químicas de . Para cada tratamiento, hay un valor diferente de , aunque siempre usa el mismo valor de . $X$ $R$ $R$ $Y_0$

Los métodos indican:

$X$

Preguntas:

¿No es esta pseudoreplicación?
¿Es inapropiado incluso si la violación de la independencia se declara en los métodos?
¿Cuál sería una manera fácil (por ejemplo, dentro de la capacidad de un paquete de software de metanálisis simple) de manejar dentro de la replicación del estudio?

Pensamientos iniciales

Resumir los resultados de cada estudio, por ejemplo, tomando la respuesta promedio
¿Seleccionar solo un tratamiento de cada estudio según los criterios a priori (por ejemplo, la dosis más alta, la primera medición)?

¿Hay alguna otra solución?

repeated-measures meta-analysis David LeBauer
fuente

Esto es solo una suposición rápida, pero es posible que desee consultar Kim / Becker 2010: El grado de dependencia entre los tamaños de efecto de tratamiento múltiple ; No he leído el artículo, pero podría estar relacionado con su pregunta.

Bernd Weiss

¿El metaanálisis realmente solo promedia todos estos valores de diferencia de R? Eso parece bastante extraño, en comparación con, por ejemplo, intentar una meta-regresión, en cuyo caso las diferencias entre R en diferentes niveles de X podrían ser lo que le interesa combinar en todos los estudios.

invitado

@ invitado sí, realmente lo son; Sería interesante cómo los diferentes niveles de X afectan a R, pero la pregunta se plantea simplemente "¿hay un efecto de X"? Puede haber un poder limitado para probar el efecto de X en R, en este contexto (respuesta del ecosistema a la adición de nutrientes), debido a la variedad de métodos y condiciones de estudio.

David LeBauer

Tienes razón, es un problema. No tanto con las estimaciones puntuales, pero las medidas de precisión (es decir, errores estándar) serán demasiado pequeñas; ignora el uso múltiple de los datos del grupo de control. Sin embargo, no debería ser una novedad para nadie en el metanálisis. El artículo anterior de Kim / Becker es básicamente una nueva declaración -con reconocimiento- de Gleser y Olkin (1994). Tamaños de efectos estocásticamente dependientes. En Cooper & Hedges (Eds), El manual de síntesis de investigación (pp. 339–355). Este libro es un texto estándar en el campo, creo que ahora en una segunda edición.

invitado el

Respuestas:

Sí, es un problema porque hay una dependencia de muestreo en las respuestas que debían tenerse en cuenta (aunque a veces el efecto puede ser insignificante y violamos el supuesto todo el tiempo cuando realizamos análisis estadísticos). Existen métodos para tratar esto, un enfoque es incluir las covarianzas entre los experimentos relacionados (bloques fuera de la diagonal) en la matriz de error varianza-covarianza (ver, por ejemplo, Hedges et al., 2010). Afortunadamente con las proporciones de registro esto es bastante fácil. Puede obtener covarianzas aproximadas entre experimentos porque la varianza (var) de log R es (si Yx e Y0 son grupos independientes): log Yx - log Y0, para seguir la notación en la pregunta, Yx se refiere al grupo experimental y Y0 el grupo de control. La covarianza (cov) entre dos valores (p. Ej., Tratamiento 1 och tratamiento 2) para log R es cov (loge Yx_1 - log Y0, log Yx_2 - log Y0), que es igual a var (log Y0), y se calcula como SD_Y0 / (n_Y0 * Y0), donde SD_Y0 es la desviación estándar de Y0, n_Y0 es el tamaño de la muestra en el tratamiento de control, y Y0 es El valor en el tratamiento de control. Ahora podemos conectar toda la matriz de varianza-covarianza en nuestro modelo en lugar de usar solo las varianzas (ei), que es la forma clásica de realizar un metanálisis. Un ejemplo de esto se puede encontrar enLimpens y col. 2011 usando el paquete metahdep en R (en bioconductor), o Stevens y Taylor 2009 para Hedge´s D.

Si desea que sea muy simple, estaría tentado a ignorar el problema y tratar de evaluar el efecto de la dependencia del muestreo (por ejemplo, ¿cuántos tratamientos hay dentro de los estudios? ¿Cómo cambian los resultados si solo uso un tratamiento? Etc.) .

GGeco
fuente

Sí, esto es un problema.

Sí, es inapropiado aunque al menos sea transparente sobre lo que está haciendo (obtiene puntos por transparencia, pero aún así no es satisfactorio).

Dudo que haya una "manera fácil" de arreglar esto. No sé mucho sobre los enfoques adoptados para el metanálisis, pero si hay un software de metanálisis específico y se produce una investigación como esta que se utiliza y se publica, este puede ser el enfoque común. Cualquiera de las respuestas propuestas pierde cierta granularidad de información de cada estudio (es decir, el problema opuesto de lo que han hecho los editores).

La solución obvia es un modelo de efectos mixtos (es decir, multinivel) con estudio como factor aleatorio. Sugeriría usar un paquete estadístico especializado para esto si el software de metanálisis no puede hacerlo. Todavía podría usar el software de metanálisis para el almacenamiento y procesamiento de datos, y simplemente exportar datos a R, Stata o SAS para el análisis.

Peter Ellis
fuente

Había estado pensando en ensayos clínicos y preguntándome si estaría bien en una situación en la que el resultado fuera una curva dosis-respuesta, porque entonces podría estar comparando las funciones de la curva. ¿Es eso una posibilidad?

Michelle

No creo que haya mucha diferencia en el problema de que varios resultados de un estudio estén de alguna manera correlacionados y, por lo tanto, no sean información "nueva". Pero el metaanálisis de las funciones de la curva sin duda sería posible, siempre que de alguna manera controlara la correlación entre las diversas estimaciones de esas curvas. Si todos tienen la misma forma y es solo una cuestión de estimar parámetros, debería ser posible.

Peter Ellis

@Michelle Estoy de acuerdo con Peter: si está resumiendo los parámetros de la curva, obtendrá una estimación de parámetro de cada curva, y eso debería estar bien.

Abe