METAN: Module Stata pour la méta analyse des effets fixes et aléatoires Ces routines permettent d'effectuer des méta analyses de données provenant de plusieurs études et de représenter graphiquement les résultats. Les données binaires (événements) ou continues de deux groupes peuvent être combinées à l'aide de la commande metan. De plus, les estimations d'effets d'intervention avec des erreurs types ou des intervalles de confiance correspondants peuvent être méta analysées. Les installations récemment ajoutées comprennent le traitement par () et une mise à jour des graphiques Stata 9. Il s'agit d'une version mise à jour de metan tel que publié dans STB 44, écrit par Michael J Bradburn, Jonathan J Deeks, Douglas G Altman. Le paquet comprend une commande pour produire des parcelles en entonnoir pour évaluer les petits effets de l'étude, et des parcelles de LAbbe pour examiner si l'hypothèse d'un rapport de cotes, d'un ratio de risque ou d'une différence de risque est raisonnable. Le programme metannt pour les données binaires, qui présente des effets d'intervention estimés en termes de réduction absolue du risque et de nombre à traiter, est également inclus. Vous trouverez une description des commandes de méta analyse Stata disponibles à statasupportfaqsstatmeta. html. Si vous éprouvez des difficultés à télécharger un fichier, vérifiez si vous avez la bonne application pour le consulter en premier. En cas de problèmes supplémentaires, lisez la page d'aide IDEAS. Notez que ces fichiers ne se trouvent pas sur le site IDEAS. Soyez patient car les fichiers peuvent être volumineux. Composante logicielle fournie par le Boston College Department of Economics dans sa série Statistical Software Components avec le numéro S456798. Lorsque vous demandez une correction, veuillez mentionner les éléments suivants: RePEc: boc: bocode: s456798. Reportez vous aux informations générales sur la façon de corriger les informations dans RePEc. Pour des questions techniques concernant cet article, ou pour corriger ses auteurs, titre, résumé, information bibliographique ou de téléchargement, contactez: (Christopher F Baum) Si vous avez écrit cet article et ne sont pas encore enregistrés avec RePEc, nous vous encourageons à le faire ici . Cela permet de lier votre profil à cet élément. Il vous permet également d'accepter les citations potentielles à cet article que nous sommes incertains. Si les références sont absentes, vous pouvez les ajouter à l'aide de ce formulaire. Si les références complètes énumèrent un élément qui est présent dans RePEc, mais que le système n'a pas lié à celui ci, vous pouvez aider avec ce formulaire. Si vous connaissez des éléments manquants en citant celui ci, vous pouvez nous aider à créer ces liens en ajoutant les références pertinentes de la même manière que ci dessus, pour chaque élément référant. Si vous êtes un auteur enregistré de cet article, vous pouvez également vérifier l'onglet de citations dans votre profil, car il peut y avoir des citations en attente de confirmation. Veuillez noter que les corrections peuvent prendre quelques semaines pour filtrer les différents services de RePEc. Plus de services Suivre les séries, les revues, les auteurs et autres articles Nouveaux articles par courriel Abonnez vous aux nouveautés de RePEc Enregistrement d'auteur Profils publics de chercheurs en économie Divers classements de recherche en économie et domaines connexes Qui était un étudiant dont RePEc RePEc Biblio Curated articles amp Des articles sur divers sujets économiques Téléchargez votre article pour être listé sur RePEc et IDEAS EconAcademics Agrégateur de blogs pour la recherche en économie Plagiat Cas de plagiat en économie Documents sur le marché du travail RePEc série de documents de travail dédiés au marché du travail Fantasy League Prétendez vous à la tête d'une économie Département Services de la StL Fed Données, recherche, apps amp plus de la St. Louis FedAnna Chaimani 1, Dimitris Mavridis 1. 2, Géorgie Salanti 1 1 Département d'hygiène et d'épidémiologie. École de médecine de l'Université de Ioannina. Ioannina. Grèce 2 Département de l'enseignement primaire. Université de Ioannina. Ioannina. Grèce Correspondance avec le Dr Anna Chaimani, achaiman cc. uoi. gr La synthèse statistique des résultats de la recherche via la méta analyse est largement utilisée pour évaluer l'efficacité relative des interventions concurrentes. Une série de trois documents visant à familiariser les scientifiques en santé mentale avec les principaux concepts et problèmes statistiques dans la méta analyse a récemment été publiée dans ce journal. Un document a porté sur la sélection et l'interprétation du modèle approprié pour synthétiser les résultats (modèle à effets fixes ou effets aléatoires) alors que les deux autres ont porté sur deux menaces majeures qui compromettent la validité des résultats de la méta analyse, . Dans cet article, nous fournissons des conseils sur la façon d'entreprendre une méta analyse en utilisant Stata, l'un des logiciels les plus couramment utilisés pour la méta analyse. Nous abordons les trois thèmes abordés dans les numéros précédents de la revue, en mettant l'accent sur leur mise en œuvre à Stata en utilisant un exemple concret de la recherche en santé mentale. Introduction Les examens systématiques et les méta analyses sont souvent considérés comme une source fiable de données probantes pour éclairer les décisions concernant l'efficacité et la sécurité des interventions concurrentes1. La validité des résultats d'une méta analyse dépend de plusieurs facteurs tels que l'exhaustivité de la méthodologie systématique La plausibilité des hypothèses formulées, le risque de biais dans les études individuelles et le risque de biais de déclaration. Les considérations théoriques et conceptuelles des méthodes que nous mettons en œuvre ont été abordées dans des articles récemment publiés35 et nous suggérons d'utiliser ces méthodes Documents en tant que compagnons lors de la lecture de ce manuscrit. Plus précisément, nous présentons ici des commandes de Stata: Pour effectuer une méta analyse des effets fixes ou des effets aléatoires. Avant d'effectuer les analyses statistiques, les méta analystes devraient considérer le modèle approprié (soit des effets fixes ou aléatoires) pour le contexte clinique spécifique et les résultats d'intérêt, puis interpréter le résultat à la lumière de l'ampleur de la variabilité entre études Hétérogénéité) 3. 6 Pour tenir compte des données sur les résultats manquants. Les participants dont les données sur les résultats manquent peuvent influer sur la précision et l'ampleur de l'effet sommaire méta analytique que ce dernier peut avoir lorsque la probabilité de disparition est liée à l'efficacité des interventions comparées5. Explorer et tenir compte du biais de publication et de la petite étude .4 Le biais de publication se produit lorsque la publication des résultats de la recherche dépend de leur nature et de leur orientation7. Le fait de ne pas tenir compte des études non publiées peut conduire à des estimations sommaires biaises en faveur de l'un des deux traitements concurrents Intervention) .8 Méthodes et routines des stats Dans les sections suivantes Nous fournissons un exemple de méta analyse des effets fixes et aléatoires à l'aide de la commande metan.9 Nous utilisons la commande metamiss10 pour explorer l'impact des différentes hypothèses sur le mécanisme des données manquantes sur la Effet sommaire. Nous utilisons des approches et des outils différents pour évaluer si le biais de publication est susceptible de fonctionner à l'aide des commandes metafunnel, 11 confunnel, 12 metatrim13 et metabias.14 Comme exemple pratique, nous utilisons une revue systématique qui comprend 17 essais comparant l'halopéridol et le placebo pour le traitement Des symptômes dans la schizophrénie. Cet ensemble de données a été utilisé précédemment pour évaluer l'impact des données manquantes sur les résultats cliniques15 et repose à l'origine sur une revue Cochrane16. Le résultat est l'amélioration clinique et les ratios de risque (RR) supérieurs à 1 favorisent l'halopéridol par rapport au placebo. Nombre de participants qui ont répondu dans le groupe placebo (variable rp) et dans le groupe d'halopéridol (rh) Nombre de participants qui n'ont pas répondu dans l'un ou l'autre bras (fp, fh) Nombre Des participants qui ont abandonné et dont les résultats sont absents (mp, mh). Nombre de réussites (r), d'échecs (f) et de participants manquants (m) pour les 17 essais comparant l'halopéridol et le placebo pour l'amélioration clinique de la schizophrénie Effectuer une méta analyse des effets fixes et aléatoires et mesurer l'hétérogénéité La méta La commande metan. Pour les données dichotomiques, la commande metan nécessite quatre variables d'entrée: metan rh fh rp fp En tapant ceci, le logiciel vous donne le résumé RR de l'halopéridol versus placebo en utilisant le modèle d'effet fixe selon les poids de Mantel Haenszel.17 Les poids de la variance inverse peuvent Être spécifié par l'option fixedi ou randomi pour une analyse des effets fixes ou aléatoires, respectivement. La modification de la taille d'effet estimée est possible en spécifiant les options ou pour OR et rd pour la différence de risque. L'option par () permet de définir une variable de regroupement pour les études incluses et exécute une analyse de sous groupes. Pour les données continues, six variables d'entrée sont nécessaires: le nombre total de participants dans chaque bras, les valeurs moyennes et le SD pour chaque bras. L'option nostandard commute la mesure d'effet estimée de la différence de moyenne normalisée à la différence de moyenne. La commande donne des informations sur la présence et l'ampleur de l'hétérogénéité statistique via le Q test, la mesure de I 2 et l'estimation de la variance d'hétérogénéité 2 (en utilisant la méthode de l'estimateur de moments) qui sont fournies dans les résultats de sortie. Bien que les estimés I 2 et 2 soient régulièrement déclarés comme des valeurs fixes, ils ne sont pas exempts d'incertitude autour de l'estimation moyenne. L'IC pour la mesure I 2 peut être dérivée en utilisant la commande heterogi. Qui nécessite l'entrée de la statistique Q de la méta analyse et des degrés de liberté correspondants (df, le nombre d'études moins un): A ce jour, la commande metan ne fournit pas d'IC pour l'amplitude de l'hétérogénéité (2). Cependant, il permet d'évaluer l'impact de l'hétérogénéité sur l'effet de synthèse par l'intermédiaire de l'intervalle prédictif, qui est l'intervalle dans lequel l'effet d'une étude future est attendu.18 L'intervalle prédictif exprime l'incertitude supplémentaire induite dans les estimations d'études futures En raison de l'hétérogénéité et peut être estimée en ajoutant l'option rfdist dans metan (sous le modèle d'effets aléatoires). De nombreuses options supplémentaires sont disponibles (par exemple, les options qui traitent l'apparence du tracé forestier), que l'on peut trouver dans le fichier d'aide de la commande (en tapant help metan). Exploration de l'impact des données de résultats manquantes Stata a une commande facilement disponible appelée metamiss qui permet l'incorporation de différentes hypothèses pour le mécanisme de données de résultat manquant dans une méta analyse. À ce jour, la commande metamiss peut être appliquée uniquement pour les données dichotomiques, mais elle est actuellement étendue pour tenir compte des résultats continus.19 La syntaxe est similaire à la commande metan mais nécessite également le nombre de participants qui ont quitté chaque bras (c. à d. Les variables sont nécessaires) ainsi que la méthode d'imputation des données manquantes: metamiss rh fh mh rp fp mp, méthode d'imputation En général, on peut supposer les scénarios suivants: Une analyse de cas disponible (ACA) qui ignore les données manquantes (Option aca) et justifie l'hypothèse manquante au hasard Le meilleur scénario. Qui impute tous les participants manquants dans le groupe expérimental comme réussites et dans le groupe de contrôle comme échecs (option icab) Le pire scénario. Qui est à l'opposé du meilleur scénario (optionnel). Les deux approches précédentes sont des méthodes d'imputation de la nef, car elles ne tiennent pas compte correctement de l'incertitude dans les données manquantes imputées. Les méthodes qui tiennent compte de l'incertitude dans les données imputées comprennent: L'analyse de Gamble Hollis 20, qui gonfle l'incertitude des études en utilisant les résultats des analyses des meilleurs cas et du pire cas (option gamblehollis) ), 15. 21 qui relie au sein de chaque étude les résultats des participants observés et manquants (options imor () ou logimor ()) permettant une incertitude dans l'association supposée (sdlogimor ()). Notez que la commande de métamiss suppose toujours que le résultat est bénéfique par conséquent pour un résultat dommageable (par exemple, des événements défavorables) les options icab et icaw donnera le pire cas et scénario de meilleur cas, respectivement. S'il n'est pas possible de supposer que les données manquantes sont manquantes au hasard, le modèle IMOR est la méthode la plus appropriée car il prend en compte l'incertitude des données imputées.5 Ce modèle utilise un paramètre qui relie les chances du résultat dans les données manquantes Données à la cote du résultat dans les données observées. Si ce paramètre ne peut pas être informé par l'opinion d'un expert, il est prudent de procéder à une analyse de sensibilité en supposant que les valeurs sont différentes (p. Ex., Si les probabilités du résultat dans les données manquantes sont deux fois plus élevées que celles des données observées pour le traitement Ainsi que les groupes de contrôle, nous tapons metamiss rh fh mh rp fp mp, imor (2)). Évaluation de la présence d'effets de petite étude et du risque de biais de publication Les approches disponibles pour évaluer le risque de biais de publication dans une méta analyse peuvent être classées en deux catégories: (1) méthodes basées sur l'association des tailles d'effet à leur précision et 2) modèles de sélection. Nous nous concentrons sur le premier groupe de méthodes, qui ont été mis en œuvre dans Stata via les commandes metafunnel, confunnel, metatrim et métabias. Cependant, les chercheurs doivent toujours se rappeler que cette approche fournit des informations sur la présence d'effets d'étude de petite taille, qui peuvent ou non être associés à un véritable biais de publication.4 Le métafunnel de commande dessine le diagramme d'entonnoir standard22 et nécessite deux variables d'entrée. Soit logRR et selogRR les deux variables contenant les tailles d'effet observées dans les études et leurs SE. La syntaxe de la commande metafunnel serait: metafunnel logRR selogRR L'option par () peut être ajoutée pour afficher les études en sous groupes (en utilisant différentes formes et couleurs) en fonction d'une variable de regroupement. Une limitation de la courbe normale en entonnoir est qu'elle n'explique pas si l'asymétrie apparente est due à un biais de publication ou à d'autres raisons, comme une hétérogénéité réelle entre les petites et grandes études ou des différences dans le risque de base des participants4. Les placettes peuvent être utilisées à la place où des zones ombragées ont été ajoutées dans le graphique pour indiquer si les études manquantes se situent dans les domaines de signification statistique (eg, p value lt0.05) .23 Si des études non significatives ont été publiées, il est peu probable que L'asymétrie est due au biais de publication. La commande confunnel peut être employée pour produire cette trame en entonnoir modifié en utilisant la même syntaxe avec la commande metafunnel: confunnel logRR selogRR La mesure de la précision d'étude tracée sur l'axe vertical (par exemple la variance au lieu du SE) peut être modifiée via l'option Métrique (). Tandis que l'option extraplot () permet l'incorporation de graphes supplémentaires (tels que des lignes de régression, des diagrammes de dispersion alternatifs, etc.) en utilisant des commandes Stata standard. Des solutions de rechange à l'entonnoir d'entonnoir ont également été mises en œuvre à Stata22. Plus précisément, les modèles de régression qui considèrent que l'ampleur de l'effet dans un essai sont liés à sa précision sont très populaires. Les métabias de commande peuvent correspondre à quatre modèles de régression différents: Eggers test22 (option egger), Harbords test24 (option harbord), Peters test25 (option peter) et test de corrélation par Begg et Mazumdar26 (option begg). Pour une approche générique où les tailles d'effet de l'étude (effet) sont régressées sur leurs erreurs types (se) métabias effet se, modèle ou pour les données dichotomiques métabias rh fh rp fp, modèle où le modèle définit l'un des quatre modèles décrits ci dessus. L'ajout du graphique d'option donne également une représentation graphique des résultats. Notez que la ligne de régression estimée par le test Eggers peut également être ajoutée à la trame en entonnoir en ajoutant l'option egger dans la commande metafunnel. La méthode d'ajustement et de remplissage vise à estimer l'effet de synthèse comme si le graphique en entonnoir était symétrique, en supposant que le biais de publication est la seule explication de l'asymétrie. La méthode peut être appliquée à l'aide de la commande metatrim avec la syntaxe suivante: metatrim effect se La spécification de l'option entonnoir dans metatrim donne le diagramme estimé d'entonnoir rempli qui inclut les études publiées et non publiées. Un script Stata qui produit tous les résultats décrits ci dessous peut être trouvé en ligne à missoptima. project. uoi. grindex. phpour research projects. Méta analyse des effets fixes et aléatoires Nous avons adapté des modèles à effets fixes et effets aléatoires à des fins d'illustration. En utilisant la commande metan, nous avons effectué des ACA pour les deux modèles et produit le graphique forestier de la figure 1. Il est généralement trompeur de se concentrer sur le diamant lors de l'interprétation des résultats d'une méta analyse des effets aléatoires par exemple, en présence d'une hétérogénéité excessive Le diamant est souvent vide de sens. Graphique forestier montrant les résultats de la méta analyse des effets fixes et aléatoires pour les 17 essais comparant l'halopéridol et le placebo pour l'amélioration clinique de la schizophrénie (résultat: taux de réponse) (RR, ratio de risque). Selon la figure 1, les deux modèles ont suggéré que l'halopéridol était statistiquement significativement plus efficace que le placebo dans le traitement de la schizophrénie et, comme on pouvait s'y attendre, l'analyse des effets aléatoires a produit un IC plus large. Malgré cette constatation, l'intervalle prédictif estimé a franchi la ligne sans effet, ce qui implique que dans une future étude, le placebo pourrait sembler plus efficace que le médicament actif. Les estimations spécifiques à l'étude semblaient substantiellement hétérogènes (par exemple, les IC des études suivantes, Bechelli 1983 et Beasley 1996 ne se chevauchaient pas), d'où l'hypothèse d'effet fixe pourrait ne pas être plausible pour cet ensemble de données. Ceci est confirmé par le Q test, qui suggère la présence d'hétérogénéité (p0.038). La moyenne de la mesure I 2, qui mesure la quantité d'hétérogénéité entre les études, suggère la présence d'une faible hétérogénéité (41). En utilisant la commande hétéroglyme nous avons estimé l'IC pour le I 2 qui variait de 0 à 67 ce qui implique que l'hétérogénéité était potentiellement nulle à grande, mais pas excessive. Les deux modèles ne se distinguent pas seulement par le niveau d'incertitude, mais aussi par l'ampleur de l'effet de synthèse. C'est très fréquent lorsqu'il y a un effet de petite étude (c'est à dire qu'il y a une association entre la taille de l'effet et la taille de l'étude) parce que le modèle d'effets aléatoires attribue des poids relativement plus importants aux études plus petites.4 En effet, Études correspondant aux petits carrés de la figure 1) ont donné des résultats plus favorables pour l'halopéridol, alors que les études plus importantes étaient plus proches de l'effet nul. Impact des données sur les résultats manquants Nous avons d'abord mis en place une analyse de sous groupes (utilisant metan avec l'option by) pour déterminer si les études avec et sans données manquantes (dans les deux bras) ont produit des résultats différents. Cette analyse a été basée uniquement sur les données observées et, par conséquent, dans les études avec des données manquantes, la taille de l'échantillon était inférieure au nombre de participants randomisés. Une mauvaise idée commune sur les analyses de sous groupes est que les résultats diffèrent entre les sous groupes lorsque l'effet de synthèse pour un sous groupe est statistiquement significatif et non pour l'autre. Cependant, l'inférence sur les différences de sous groupes doit être basée sur un test d'interaction (c. à d. Le test pour les différences de sous groupes implémentées également dans RevMantech. cochrane. orgrevman) qui compare statistiquement les deux sous groupes. Les différences entre les sous groupes peuvent aussi être identifiées visuellement en examinant le chevauchement des IC dans leurs estimations sommaires.17 Dans la figure 2, les essais sans données manquantes ont donné des résultats plus favorables pour l'halopéridol que les essais avec des données manquantes. Ce désaccord était également statistiquement significatif puisque la valeur p pour le test global d'hétérogénéité entre sous groupes (fournie dans la sortie de metan sous le modèle d'effet fixe) était égale à 0,001. Par conséquent, il est probable que les données manquantes dans les essais ont sensiblement affecté les résultats une explication possible est qu'il y avait un taux d'abandon élevé dans le groupe placebo en raison d'un manque d'efficacité, ce qui est assez courant dans les essais en psychiatrie. Analyse de sous groupe des 17 essais comparant l'halopéridol et le placebo dans la schizophrénie (résultat: taux de réponse). Les études ont été classées en fonction de la présence ou de l'absence de données sur les résultats manquants dans les deux bras (RR, ratio de risque). Nous avons également exploré l'impact des données manquantes en intégrant dans l'analyse différentes hypothèses sur le mécanisme de la disparition. Nous avons présenté les résultats du modèle d'effets aléatoires (figure 3) et nous nous sommes concentrés sur les différences dans les effets de synthèse entre les différents scénarios. Dans les six analyses, l'halopéridol a semblé fonctionner mieux que le placebo pour la schizophrénie. De petites différences existaient dans les estimations ponctuelles entre les modèles IMOR et l'analyse de Gable Hollis par rapport à l'ACA. Contrairement au reste des méthodes, ces deux approches n'imputent pas de données et ne gonflent pas artificiellement la taille de l'échantillon. Le modèle IMOR a augmenté l'incertitude au sein des études, ce qui a entraîné une légère réduction de l'hétérogénéité. Les modifications apportées à l'estimation sommaire étaient négligeables. Dans le cadre de l'ACA, des études avec de grands taux manquants ont favorisé le placebo (figure 1). Les modèles IMOR ont pondéré ces études et l'estimation sommaire moyenne s'est légèrement orientée vers la direction de l'intervention active. Résumé des ratios de risque (RR) tels qu'estimés lorsque les données manquantes sont ignorées (cas disponible), par les méthodes d'imputation de la nef (best case et worst case) et par des méthodes qui tiennent compte de l'incertitude des données manquantes (Gamble Hollis et informative Missingness OU (IMOR)). Les deux modèles IMOR supposent que les probabilités de résultat dans les données manquantes sont égales aux probabilités dans les données observées (moyenne IMOR1) et reflètent l'incertitude de cette hypothèse en permettant une SD non nulle du paramètre manquant. Biais de publication et effets de petite étude Différentes estimations sommaires entre modèles d'effets fixes et aléatoires (figure 1) ont soulevé des inquiétudes que les effets de petite étude pourraient éventuellement être utilisés dans notre exemple, remettant en question l'interprétation correcte de l'effet global. Pour explorer cette association apparente entre la taille de l'effet et la taille de l'étude, nous avons utilisé une série d'approches graphiques et de tests statistiques (il est important de noter que toutes ces méthodes ont un faible pouvoir et au moins 10 études sont nécessaires pour en tirer des conclusions) Le graphique de la figure 4 était plutôt asymétrique et a montré que les études plus petites avaient tendance à donner des résultats mettant l'accent sur l'efficacité de l'halopéridol. Le graphique en entonnoir à contour amélioré (figure 5) nous a permis de distinguer entre biais de publication et autres causes de l'asymétrie. Il a montré que de petites études ont été trouvées non seulement dans les domaines de signification statistique (zone ombragée), mais aussi dans les zones de signification non statistique (zone blanche), l'asymétrie pourrait avoir été causée par plusieurs facteurs et non pas uniquement par biais de publication. Pour évaluer l'importance et la signification statistique de la relation entre les tailles d'effet observées et la taille des études, nous avons utilisé le modèle de méta régression d'Eggers (tableau 2). Le test a suggéré que les études de moindre envergure tendent à donner des résultats différents si on les compare à des essais de plus grande envergure, car le CI de l'interception ne comprend pas la valeur zéro. Les résultats du test de méta régression d'Eggers évaluant la présence d'effets de petite étude dans les 17 essais comparant l'halopéridol et le placebo pour l'amélioration clinique de la schizophrénie Le sondage en entonnoir comprenant les 17 essais publiés d'halopéridol dans la schizophrénie et les études non publiées Estimée à partir de la méthode de trim and fill. La ligne continue correspond à l'effet rajusté de l'effet de synthèse du biais de publication (logRR0.27) et de la ligne pointillée à l'effet de synthèse qui ne tient pas compte du biais de publication (logRR0.45) (RR, ratio de risque). Discussion Parallèlement au développement méthodologique rapide de la méta analyse, une variété d'options logicielles pertinentes ont été mises à disposition permettant l'application de différents modèles et l'exploration de caractéristiques pouvant affecter les résultats. À l'aide d'un exemple concret, nous avons proposé un bref cours d'initiation aux chercheurs et aux cliniciens intéressés sur l'utilisation de Stata dans la méta analyse, soulignant les pièges courants dans l'interprétation des résultats. A suggéré que la présence d'effets importants à petite échelle ainsi que les données sur les résultats manquants dans certains essais ont rendu l'effet sommaire estimé non représentatif pour l'ensemble des études. En incluant dans la méta analyse seules les études avec des données pour tous les participants randomisés n'étaient pas l'approche recommandée, puisque la majeure partie de la preuve est venue des essais avec des données manquantes de résultat. Une vision clinique des résultats et traitements d'intérêt est nécessaire pour faire des hypothèses raisonnables pour le mécanisme de données manquantes et d'informer le choix du modèle statistique approprié. Les résultats des trois modèles qui ont justifié l'incertitude des données manquantes imputées (Gamble Hollis et les deux modèles IMOR) étaient similaires et sont probablement les estimations les plus exactes du RR résumé. Cependant, le fait que les essais de petite et grande envergure donnent des résultats différents nécessite une exploration plus poussée. Par exemple, si la taille des études était associée à des différences dans les caractéristiques de la population en ce qui concerne certains modificateurs d'effet, il pourrait ne pas y avoir de RR commun applicable à toutes les populations.
No comments:
Post a Comment