Meta-analisi

Combinare i risultati di più studi senza sommare anche i loro difetti

Cinque studi sullo stesso trattamento: due trovano un beneficio, tre non trovano differenze significative. Contare i voti porterebbe a concludere che il trattamento non funziona. Eppure, se i tre studi "negativi" erano piccoli e le loro stime andavano nella stessa direzione, combinare i dati in modo corretto può mostrare un effetto chiaro. La meta-analisi è il metodo statistico per farlo.

Forest plot di cinque studi e della stima complessiva

L'idea, in parole semplici

Ogni studio è una misura imprecisa della stessa quantità, come più persone che stimano a occhio la lunghezza di una stanza. La media delle stime è più affidabile di ciascuna stima presa da sola, e ha ancora più senso se si dà più peso a chi ha usato un metro invece di contare i passi. La meta-analisi fa proprio questo: combina i risultati dei diversi studi pesando di più quelli più precisi, di solito i più grandi.

Come funziona

Ogni studio contribuisce con la sua stima dell'effetto e la relativa incertezza. Il risultato si presenta con il forest plot, che mostra in un solo grafico la stima di ciascuno studio, con il suo intervallo di confidenza, e quella complessiva, di solito disegnata come un rombo.

Effetti fissi o casuali

Il modello a effetti fissi presuppone che tutti gli studi stimino lo stesso effetto vero. Il modello a effetti casuali ammette che l'effetto vari da uno studio all'altro, per differenze di popolazione, dosaggi o contesti. In ambito clinico la seconda ipotesi è spesso più realistica. La scelta va dichiarata e motivata.

Eterogeneità e distorsioni

L'indice I² stima quanta parte della variabilità tra gli studi è dovuta a differenze reali e non al caso. Un'eterogeneità elevata è un'informazione da indagare, non un fastidio da nascondere. Il funnel plot aiuta invece a individuare il bias di pubblicazione: gli studi piccoli con risultati negativi vengono pubblicati meno spesso, e la loro assenza gonfia l'effetto stimato.

Gli errori più comuni

Combinare studi troppo diversi per disegno, popolazione o definizione dell'esito. Includere studi di bassa qualità senza valutarne il rischio di distorsione: una meta-analisi non migliora la qualità degli studi che contiene. Saltare la revisione sistematica: la ricerca degli studi deve essere completa e riproducibile, secondo linee guida come PRISMA 2020.

Un esempio in sanità

Una regione vuole sapere se un modello di presa in carico dei pazienti cronici riduce gli accessi in pronto soccorso. Una meta-analisi degli studi disponibili, con attenzione all'eterogeneità tra i contesti, dice non solo se il modello funziona in media, ma anche in quali condizioni sembra funzionare meglio.

Per chi vuole andare a fondo

Pesi, eterogeneità, effetti casuali

Il modello a effetti fissi

Siano $y_i$ le stime dei $k$ studi (per rapporti di rischio si lavora sul logaritmo, $y_i = \log RR_i$) e $v_i$ le loro varianze. Con il metodo dell'inverso della varianza:

$$w_i = \frac{1}{v_i}, \qquad \hat\theta = \frac{\sum_i w_i\, y_i}{\sum_i w_i}, \qquad SE(\hat\theta) = \frac{1}{\sqrt{\sum_i w_i}}$$

Quando uno studio riporta solo l'intervallo di confidenza al 95% di un rapporto, la varianza si ricava come $v_i = \big[(\log U_i - \log L_i)/(2 \cdot 1{,}96)\big]^2$.

Eterogeneità

$$Q = \sum_i w_i\,(y_i - \hat\theta)^2, \qquad I^2 = \max\!\left(0,\ \frac{Q - (k-1)}{Q}\right)$$

Sotto l'ipotesi di omogeneità $Q$ segue una $\chi^2$ con $k - 1$ gradi di libertà, ma con pochi studi il test ha poca potenza. $I^2$ esprime la quota di variabilità dovuta all'eterogeneità reale.

Il modello a effetti casuali

Si assume $y_i = \theta + u_i + \varepsilon_i$, con $u_i \sim N(0, \tau^2)$ che rappresenta la variazione dell'effetto vero tra studi. Lo stimatore di DerSimonian e Laird è

$$\hat\tau^2 = \max\!\left(0,\ \frac{Q - (k-1)}{\sum_i w_i - \sum_i w_i^2 / \sum_i w_i}\right)$$

e i pesi diventano $w_i^* = 1/(v_i + \hat\tau^2)$: più omogenei tra studi grandi e piccoli. Oggi si preferiscono stimatori come REML o Paule-Mandel, e l'aggiustamento di Hartung-Knapp per l'intervallo di confidenza quando gli studi sono pochi.

Intervallo di predizione

L'intervallo di confidenza dice dove sta l'effetto medio; l'intervallo di predizione, $\hat\theta \pm t_{k-2}\sqrt{\hat\tau^2 + SE(\hat\theta)^2}$, dice dove potrebbe cadere l'effetto in un nuovo contesto. Per chi deve decidere se adottare un intervento nella propria realtà, è spesso l'informazione più utile.

In R

La meta-analisi in R, passo per passo

studi <- data.frame(rr  = c(0.72, 0.78, 0.85, 0.80, 0.88),
                    inf = c(0.58, 0.64, 0.62, 0.55, 0.66),
                    sup = c(0.89, 0.95, 1.17, 1.16, 1.18))
yi <- log(studi$rr)
vi <- ((log(studi$sup) - log(studi$inf)) / (2 * 1.96))^2

# Effetti fissi (inverso della varianza)
w <- 1 / vi
theta <- sum(w * yi) / sum(w); se <- sqrt(1 / sum(w))
round(exp(c(RR = theta, inf = theta - 1.96 * se, sup = theta + 1.96 * se)), 3)

# Eterogeneità
Q <- sum(w * (yi - theta)^2); k <- length(yi)
I2   <- max(0, (Q - (k - 1)) / Q)
tau2 <- max(0, (Q - (k - 1)) / (sum(w) - sum(w^2) / sum(w)))
round(c(Q = Q, I2 = I2, tau2 = tau2), 3)

# Con il pacchetto metafor:
# library(metafor); res <- rma(yi, vi, method = "REML"); forest(res)

Come leggere l'output

Il rischio relativo complessivo è 0,79 (IC 95%: 0,70–0,88): combinando i cinque studi la riduzione del rischio è di circa il 21%, e l'intervallo esclude chiaramente 1, anche se tre studi su cinque, presi da soli, non erano significativi.

L'eterogeneità è nulla: $Q = 1{,}47$ con 4 gradi di libertà, $I^2 = 0$ e $\tau^2 = 0$. Gli studi sono coerenti tra loro e i modelli a effetti fissi e casuali danno lo stesso risultato. Il codice mostra i calcoli per esteso; nella pratica si usa il pacchetto metafor, che produce anche forest plot, funnel plot e intervalli di predizione.

Vedi anche

Verifica di ipotesi · Campionamento · Disegno sperimentale

Stai lavorando a una revisione sistematica o a una meta-analisi?

MISSION

Motivati dalla curiosità e dalla passione, il nostro team si impegna ad offrire soluzioni innovative per affrontare sfide e problemi complessi provenienti da diverse aree e settori. Con la nostra esperienza e competenza siamo in grado di rispondere alle esigenze uniche di ogni progetto.