Metaanaliza w pracy dyplomowej - jak ją zrobić krok po kroku

Metaanaliza to statystyczna synteza wyników wielu niezależnych badań dotyczących tego samego pytania: łączy ich wielkości efektu w jeden efekt łączny z przedziałem ufności i ocenia, na ile wyniki poszczególnych badań różnią się między sobą.

W pracy dyplomowej metaanaliza pojawia się zwykle jako część przeglądu systematycznego, najczęściej na kierunkach medycznych, w pielęgniarstwie, fizjoterapii i psychologii. To dobry wybór, gdy nie możesz zebrać własnych danych, ale literatura zawiera kilka lub kilkanaście porównywalnych badań. W tym wpisie pokazujemy, jak zrobić metaanalizę krok po kroku: od pytania i wytycznych PRISMA, przez model stałych i losowych efektów, heterogeniczność (Q, I², τ²), wykres leśny i lejkowy, po zapis wyników w pracy.

Metaanaliza a przegląd systematyczny

Przegląd systematyczny to cała procedura: precyzyjne pytanie, zaplanowane wyszukiwanie w bazach, selekcja badań według z góry ustalonych kryteriów i ocena ich jakości. Metaanaliza to jego część statystyczna, w której wyniki wybranych badań łączysz liczbowo. Można zrobić przegląd systematyczny bez metaanalizy (gdy badania są zbyt różne, by je łączyć), ale metaanaliza bez systematycznego doboru badań traci sens, bo efekt łączny zależy wtedy od tego, które prace akurat wpadły w ręce autora.

Formalnie do metaanalizy wystarczą dwa badania, jednak przy kilku badaniach oszacowanie zmienności między nimi jest bardzo niepewne, a testy obciążenia publikacyjnego nie mają sensu poniżej mniej więcej 10 badań. Zanim zaczniesz, sprawdź więc w bazach, ile porównywalnych prac w ogóle istnieje.

Metaanaliza: jak zrobić krok po kroku

1. Pytanie badawcze w schemacie PICO: populacja, interwencja, porównanie, wynik (np. pielęgniarki; trening uważności; brak interwencji; poziom stresu).
2. Protokół: kryteria włączenia i wykluczenia, bazy danych, hasła wyszukiwania, sposób liczenia efektu. Zapisz go przed wyszukiwaniem.
3. Wyszukiwanie w kilku bazach (np. PubMed, Scopus, Web of Science, Cochrane Library) i dokumentowanie liczby rekordów.
4. Selekcja badań: tytuły i abstrakty, potem pełne teksty, najlepiej przez dwie osoby niezależnie.
5. Ekstrakcja danych do tabeli: liczebności, średnie i odchylenia standardowe, liczby zdarzeń albo gotowe miary efektu.
6. Ocena ryzyka błędu systematycznego (np. narzędzie RoB 2 dla badań randomizowanych).
7. Obliczenie efektów, synteza, heterogeniczność, analiza obciążenia publikacyjnego.
8. Opis zgodnie z PRISMA 2020 razem z diagramem przepływu badań.

Miary efektu w metaanalizie

Łączyć można tylko wyniki wyrażone w tej samej mierze. Dobór miary zależy od tego, jak badania raportowały wyniki:

• Różnica średnich między grupami: standaryzowana różnica średnich, czyli d Cohena lub jej poprawiona wersja g Hedgesa (dla małych prób); gdy wszystkie badania używały tej samej skali, także zwykła różnica średnich.
• Wynik dwukategorialny (zdarzenie tak/nie): iloraz szans (OR), ryzyko względne (RR) lub różnica ryzyk; OR i RR łączy się na skali logarytmicznej.
• Związek dwóch zmiennych: współczynnik korelacji r, łączony po przekształceniu Fishera na z.
• Czas do zdarzenia: iloraz hazardów (HR) z regresji Coxa, o której piszemy we wpisie o analizie przeżycia.

Każde badanie wnosi efekt i jego błąd standardowy, z którego wynika waga. Dlaczego wielkość efektu jest ważniejsza od samego p, wyjaśniamy we wpisie wielkość efektu; w metaanalizie to wręcz jedyna rzecz, która się liczy, bo wartości p z poszczególnych badań w ogóle nie są łączone.

Jeśli artykuł podaje średnie i odchylenia standardowe w dwóch grupach, g policzysz sam: różnicę średnich dzielisz przez łączne odchylenie standardowe i mnożysz przez poprawkę na małą próbę, 1 - 3 / (4N - 9). Gdy autorzy podali tylko wynik testu t dla prób niezależnych i liczebności, d wyznaczysz z t. Zapisz w protokole, skąd wziąłeś każdą liczbę, bo przy kilkunastu badaniach łatwo o pomyłkę, a promotor może poprosić o tabelę ekstrakcji. Nie zastępuj brakującego efektu samą informacją „p < 0,05”; dlaczego taka wartość niewiele mówi o sile zjawiska, wyjaśniamy we wpisie co naprawdę oznacza wartość p.

Model stałych i losowych efektów

Model stałego efektu zakłada, że wszystkie badania szacują ten sam prawdziwy efekt, a różnice między nimi wynikają tylko z losowości próby. Wagą jest odwrotność wariancji, więc duże badania dominują. Model efektów losowych zakłada, że prawdziwe efekty różnią się między badaniami (inne populacje, inne wersje interwencji), a Ty szacujesz ich średnią. Do wariancji każdego badania dodaje się wtedy wariancję między badaniami τ², najczęściej szacowaną metodą DerSimonian i Laird (1986), co wyrównuje wagi i poszerza przedział ufności.

Model wybierasz na podstawie założeń, a nie wyniku testu heterogeniczności. Jeśli badania prowadzono w różnych krajach, na różnych grupach i z różnymi wersjami interwencji, model efektów losowych jest bardziej uczciwy, nawet gdy test Q jest nieistotny (Borenstein i in., 2021).

Heterogeniczność: Q, I² i τ²

Q = Σ w_i(y_i - ȳ)², df = k - 1
I² = (Q - df) / Q · 100% (wartości ujemne zastępuje się zerem)
w_i: waga badania, y_i: efekt badania, ȳ: efekt łączny modelu stałego, k: liczba badań

Test Q sprawdza, czy rozrzut efektów jest większy, niż wynikałoby z samej losowości, ale przy kilku badaniach ma małą moc. I² (Higgins i Thompson, 2002) mówi, jaki procent obserwowanej zmienności efektów wynika z rzeczywistych różnic między badaniami, a nie z błędu losowego. Umownie 25% oznacza heterogeniczność niską, 50% umiarkowaną, a 75% wysoką. τ² (i τ) wyraża tę zmienność w jednostkach efektu. Najbardziej praktyczną informację daje przedział predykcji: zakres, w którym z 95% pewnością znajdzie się prawdziwy efekt w nowym, podobnym badaniu.

Metaanaliza: przykład z obliczeniami

Przykładowe dane: 8 badań (A-H) porównujących poziom stresu pielęgniarek po treningu uważności z grupą kontrolną. Efekt to g Hedgesa; wartość dodatnia oznacza niższy stres w grupie z treningiem. Wariancję każdego efektu policzono ze wzoru v = (n₁ + n₂) / (n₁n₂) + g² / [2(n₁ + n₂)].

• Model stałego efektu: g = 0,37, 95% CI [0,21; 0,52], z = 4,71, p < 0,001.
• Model efektów losowych (DerSimonian-Laird): g = 0,41, 95% CI [0,21; 0,61], z = 4,06, p < 0,001.
• Heterogeniczność: Q(7) = 10,95, p = 0,141; I² = 36%; τ² = 0,028 (τ = 0,17).
• 95% przedział predykcji: [-0,07; 0,89].

Efekt łączny w modelu efektów losowych jest umiarkowany i istotny: trening uważności wiąże się ze spadkiem stresu o około 0,4 odchylenia standardowego. Model losowy daje nieco wyższy efekt niż stały, bo zmniejsza przewagę dużych badań D i H, które miały najmniejsze efekty. Test Q jest nieistotny, ale przy 8 badaniach to słaba przesłanka; I² = 36% wskazuje na heterogeniczność niską do umiarkowanej. Przedział predykcji obejmuje zero, więc w pojedynczym nowym badaniu efekt może być bliski zeru. To uczciwszy obraz niż sam efekt łączny i dobrze, jeśli pojawi się w dyskusji. O tym, jak czytać przedziały ufności, piszemy we wpisie przedział ufności.

Wykres leśny (forest plot)

Wykres leśny to podstawowa ilustracja metaanalizy. Każde badanie ma swój wiersz: kwadrat oznacza efekt, a jego wielkość wagę, pozioma kreska 95% przedział ufności. Pionowa linia wyznacza brak efektu (0 dla różnicy średnich, 1 dla OR, RR i HR). Na dole romb pokazuje efekt łączny, a jego szerokość przedział ufności. W przykładzie przedziały badań B, D, F i H przecinają zero, ale romb leży wyraźnie po prawej stronie: pojedyncze małe badania nie wykazały efektu, a ich połączenie tak. To właśnie główna korzyść z metaanalizy.

Wykres lejkowy i obciążenie publikacyjne

Badania z istotnym wynikiem łatwiej trafiają do druku, więc literatura może zawyżać efekt. Wykres lejkowy pokazuje efekt każdego badania na osi poziomej i jego precyzję (np. błąd standardowy) na osi pionowej. Bez obciążenia punkty układają się symetrycznie w odwrócony lejek; brak małych badań z małym efektem daje asymetrię. Formalnie sprawdza się ją testem regresji Eggera (Egger i in., 1997).

W przykładzie małe badania (A, C, E) mają wyraźnie większe efekty niż duże (D, H), a test Eggera daje wyraz wolny 5,04, p < 0,001. Przy 8 badaniach test ma jednak niską wiarygodność i przyjmuje się, że stosuje się go dopiero od około 10 badań. W pracy opisz więc asymetrię jako sygnał możliwego efektu małych badań (obciążenia publikacyjnego albo różnic jakości), a nie jako dowód. Uzupełnieniem bywa metoda trim and fill oraz analiza wrażliwości, np. bez badań o wysokim ryzyku błędu.

PRISMA 2020: jak opisać metaanalizę w pracy

Wytyczne PRISMA 2020 (Page i in., 2021) obejmują listę 27 punktów i diagram przepływu, który pokazuje, ile rekordów znaleziono, ile odrzucono na każdym etapie i z jakiego powodu. W części o syntezie musisz podać miarę efektu, model, metodę szacowania heterogeniczności, sposób oceny obciążenia publikacyjnego i użyte oprogramowanie.

Do syntezy wyników 8 badań (N = 670) zastosowano model efektów losowych z estymatorem DerSimonian-Laird. Trening uważności wiązał się z istotnie niższym poziomem stresu w porównaniu z grupami kontrolnymi, g = 0,41, 95% CI [0,21; 0,61], p < 0,001. Heterogeniczność była niska do umiarkowanej, Q(7) = 10,95, p = 0,141, I² = 36%, τ² = 0,028; 95% przedział predykcji wynosił od -0,07 do 0,89.

Programy do metaanalizy

• RevMan: program Cochrane, standard w przeglądach medycznych, rysuje wykres leśny i lejkowy.
• R: pakiety metafor i meta, pełna kontrola, wszystkie estymatory τ², przedział predykcji i test Eggera.
• JASP: moduł Meta Analysis, obsługa okienkowa.
• jamovi: moduł MAJOR, oparty na pakiecie metafor.

Wyniki programów mogą się nieco różnić, bo domyślnie stosują różne estymatory τ² (np. DerSimonian-Laird albo REML). W metodach zawsze podaj, którego użyłeś.

Typowe błędy

• Łączenie badań mierzących różne rzeczy albo w różnych miarach efektu.
• Włączenie tej samej próby dwa razy (np. z artykułu i z doniesienia zjazdowego).
• Wybór modelu stałego tylko dlatego, że test Q był nieistotny.
• Pominięcie przedziału predykcji przy wysokim I².
• Test Eggera przy 4-5 badaniach i wnioski o braku obciążenia publikacyjnego.
• Brak oceny jakości badań i diagramu PRISMA.

Metaanaliza z pomocą statystyka

Metaanalizę realizujemy w ścieżce „Statystyk indywidualnie”: w kreatorze wybierasz opcję Statystyk, opisujesz pytanie i liczbę badań, a wycena jest bezpłatna. Wyszukanie i wybór badań należą do Ciebie, natomiast obliczenia na przygotowanej tabeli danych wykonuje statystyk ręcznie, a szczegóły omawiasz z nim przez czat w panelu. Jak wygląda współpraca przy nietypowych analizach, opisujemy na stronie opracowanie statystyczne wyników badań.

Najczęstsze pytania

Ile badań potrzeba do metaanalizy?

Technicznie wystarczą dwa, ale przy kilku badaniach oszacowanie heterogeniczności jest bardzo niepewne. Testy obciążenia publikacyjnego, takie jak test Eggera, stosuje się dopiero od około 10 badań.

Czym różni się model stałych efektów od modelu efektów losowych?

Model stały zakłada jeden wspólny prawdziwy efekt we wszystkich badaniach. Model losowy zakłada, że prawdziwe efekty różnią się między badaniami, i szacuje ich średnią, dodając wariancję między badaniami. Daje szerszy przedział ufności i jest częściej uzasadniony.

Jak interpretować I² w metaanalizie?

I² pokazuje, jaki procent zmienności wyników badań wynika z rzeczywistych różnic między nimi, a nie z przypadku. Umownie 25% oznacza niską, 50% umiarkowaną, a 75% wysoką heterogeniczność. Przy małej liczbie badań I² jest mało precyzyjne.

Jak czytać wykres leśny?

Każdy wiersz to badanie: kwadrat to jego efekt (wielkość kwadratu to waga), kreska to przedział ufności. Pionowa linia oznacza brak efektu. Romb na dole to efekt łączny; jeśli nie przecina linii braku efektu, wynik jest istotny.

Czy metaanaliza może być tematem pracy magisterskiej?

Tak, najczęściej jako przegląd systematyczny z metaanalizą w naukach o zdrowiu i psychologii. Wymaga starannego protokołu, udokumentowanego wyszukiwania w bazach i opisu zgodnego z PRISMA 2020. Przed wyborem tematu sprawdź, czy istnieje wystarczająco wiele porównywalnych badań.