Como fazer uma metanálise no R
Resposta curta
Organize um data frame com uma linha por estudo e os números necessários para a sua medida de efeito; em seguida, combine os estudos com o pacote meta (metabin, metacont ou metagen) ou com o metafor (escalc e rma). Escolha a medida de efeito e o modelo com antecedência, relate a heterogeneidade (tau², I² e um intervalo de predição) e gere um gráfico de floresta (forest plot). Explore efeitos de estudos pequenos com um gráfico de funil (funnel plot) apenas quando houver estudos suficientes.
Passo a passo
- 1
Prepare os dados
Crie um data frame com uma linha por estudo (ou por comparação) e as colunas de que a sua medida de efeito precisa: eventos e totais por braço para desfechos binários, ou médias, desvios-padrão e tamanhos amostrais por braço para desfechos contínuos. Se os estudos relatarem uma estimativa de efeito e seu intervalo de confiança, derive o logaritmo do efeito e seu erro-padrão.
- 2
Escolha a medida de efeito e o modelo
Para desfechos binários, risco relativo ou razão de chances (odds ratio); para desfechos contínuos, diferença de médias, ou diferença de médias padronizada quando as escalas diferem. Decida entre um modelo de efeito comum e um de efeitos aleatórios no seu protocolo; quando os estudos diferem clínica ou metodologicamente, um modelo de efeitos aleatórios costuma ser mais apropriado.
- 3
Combine os estudos com o meta
O pacote meta reúne os métodos-padrão em poucas funções: metabin para dados binários, metacont para dados contínuos e metagen para efeitos pré-calculados. Defina explicitamente o estimador de heterogeneidade, para que seus resultados não mudem se os padrões do pacote mudarem.
library(meta) m <- metabin(event.e = events_trt, n.e = n_trt, event.c = events_ctl, n.c = n_ctl, studlab = study, data = dat, sm = "RR", common = FALSE, random = TRUE, method.tau = "REML") summary(m) forest(m) - 4
Ou use o metafor para ter mais controle
O metafor separa o cálculo dos tamanhos de efeito (escalc) do ajuste do modelo (rma), o que torna simples a metarregressão e modelos mais complexos.
library(metafor) es <- escalc(measure = "RR", ai = events_trt, n1i = n_trt, ci = events_ctl, n2i = n_ctl, data = dat) res <- rma(yi, vi, data = es, method = "REML") summary(res) forest(res, transf = exp) - 5
Interprete a heterogeneidade
Relate o tau² (a variância entre estudos), o I² (a proporção da variabilidade atribuível à heterogeneidade, e não ao acaso) e, para modelos de efeitos aleatórios, um intervalo de predição. O I² depende do tamanho dos estudos e não deve ser interpretado isoladamente; o Cochrane Handbook oferece apenas guias aproximados para sua interpretação. Explore a heterogeneidade com análises de subgrupo pré-especificadas ou metarregressão, e não excluindo estudos.
- 6
Verifique efeitos de estudos pequenos e faça análises de sensibilidade
Gráficos de funil e testes como o de Egger geralmente são recomendados apenas quando há pelo menos 10 estudos. Realize as análises de sensibilidade planejadas no seu protocolo, por exemplo excluindo estudos com alto risco de viés, e relate-as.
Como a Prolytiq faz esta etapa
A etapa de estatística do Prolytiq gera scripts em R a partir das suas tabelas de extração usando o pacote meta, incluindo a análise combinada, o gráfico de floresta e o gráfico de funil, com uma explicação em linguagem simples de cada parte. O script é R puro: você pode ler cada linha, executá-lo na sua própria instalação do R e adaptá-lo.
Ver o fluxo de trabalho →Perguntas frequentes
Devo usar o meta ou o metafor?
Ambos são consolidados. O meta é prático para metanálises pareadas padrão e gráficos de floresta prontos para publicação; o metafor oferece mais controle sobre modelos, metarregressão e estruturas multinível. Muitos analistas usam os dois.
Quantos estudos são necessários para uma metanálise?
Tecnicamente, dois estudos podem ser combinados, mas com pouquíssimos estudos a variância entre estudos é mal estimada e os resultados de efeitos aleatórios devem ser interpretados com cautela. Se faz sentido combinar ou não depende de quão semelhantes são os estudos.
Um I² alto é motivo para não combinar os estudos?
Não automaticamente. Considere por que os estudos diferem, se a direção do efeito é consistente e se uma estimativa combinada tem significado. Relate a heterogeneidade e explore-a com análises pré-especificadas.
Fontes metodológicas
- Manual Cochrane para Revisões Sistemáticas de Intervenções (Cochrane Handbook for Systematic Reviews of Interventions), capítulo 10: Analysing data and undertaking meta-analyses
- Balduzzi S, Rücker G, Schwarzer G. How to perform a meta-analysis with R: a practical tutorial. Evidence-Based Mental Health, 2019
- Viechtbauer W. Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 2010
Faça sua próxima revisão sistemática na Prolytiq
Da pergunta de pesquisa ao gráfico publicável, com cada decisão registrada e exportável para a revisão por pares.