Meta-análise

Síntese quantitativa de resultados de múltiplos estudos

Autor

Afiliação

Henrique Alvarenga da Silva

Universidade Federal de São João del-Rei (UFSJ)

O que é uma meta-análise?

A meta-análise é uma técnica estatística que combina quantitativamente os resultados de múltiplos estudos independentes sobre uma mesma questão, gerando uma estimativa sumária do efeito (Borenstein et al., 2009).

O termo foi cunhado por Gene Glass em 1976, que a definiu como “a análise estatística de uma grande coleção de resultados de estudos individuais, com o propósito de integrar os achados” (Glass, 1976).

Definição

A meta-análise é um método estatístico que combina resultados de estudos independentes para obter uma estimativa mais precisa do efeito de uma intervenção ou da força de uma associação.

Meta-análise e revisão sistemática

É importante distinguir os dois conceitos:

Revisão sistemática: método de revisão da literatura com busca exaustiva, seleção criteriosa e avaliação de qualidade
Meta-análise: técnica estatística de combinação de resultados

A meta-análise geralmente ocorre dentro de uma revisão sistemática, mas nem toda revisão sistemática inclui meta-análise. A combinação estatística só é apropriada quando os estudos são suficientemente semelhantes.

Atenção

Meta-análise não é sinônimo de revisão sistemática. É possível ter:

Revisão sistemática com meta-análise
Revisão sistemática sem meta-análise (síntese qualitativa)
Meta-análise sem revisão sistemática (não recomendado)

Características principais

Característica	Descrição
Objetivo	Estimar efeito combinado
Dados necessários	Resultados numéricos dos estudos primários
Pré-requisito	Estudos comparáveis (homogeneidade mínima)
Produto	Estimativa sumária com intervalo de confiança
Apresentação visual	Forest plot (gráfico de floresta)

Por que fazer uma meta-análise?

1. Aumentar o poder estatístico

Estudos individuais podem ter amostras pequenas e não detectar efeitos reais. Ao combinar dados, aumenta-se o poder para identificar diferenças significativas.

2. Melhorar a precisão da estimativa

A estimativa combinada tem intervalo de confiança mais estreito do que estudos individuais.

3. Resolver controvérsias

Quando estudos individuais apresentam resultados conflitantes, a meta-análise pode esclarecer a direção e magnitude do efeito.

4. Explorar heterogeneidade

Permite investigar por que estudos diferentes encontram resultados diferentes (análises de subgrupo e meta-regressão).

Quando fazer uma meta-análise?

A meta-análise é apropriada quando:

Os estudos respondem à mesma pergunta de pesquisa
As populações são comparáveis
As intervenções são semelhantes
Os desfechos são medidos de forma similar
A heterogeneidade entre estudos é aceitável

Cuidado

Combinar estudos muito diferentes pode gerar resultados enganosos. A máxima “garbage in, garbage out” (lixo entra, lixo sai) se aplica: uma meta-análise de estudos ruins produz uma estimativa combinada ruim.

Quando NÃO fazer uma meta-análise?

Evite meta-análise quando:

Os estudos são muito heterogêneos (populações, intervenções ou desfechos diferentes)
Há poucos estudos disponíveis (geralmente menos de 3)
Os dados necessários não estão disponíveis nos estudos primários
A qualidade dos estudos é muito baixa

Nesses casos, opte por uma síntese qualitativa (narrativa estruturada).

Conceitos fundamentais

Tamanho do efeito (effect size)

É a medida padronizada que quantifica a magnitude do efeito. Os tipos mais comuns são:

Tipo de desfecho	Medidas de efeito
Dicotômico (sim/não)	Risco Relativo (RR), Odds Ratio (OR), Diferença de Risco (RD)
Contínuo (escalas, medidas)	Diferença de Médias (MD), Diferença de Médias Padronizada (SMD)
Tempo até evento	Hazard Ratio (HR)
Correlação	Coeficiente de correlação (r)

Peso dos estudos

Cada estudo contribui para a estimativa combinada de acordo com seu peso, que geralmente é baseado no tamanho da amostra e na precisão (variância) dos resultados. Estudos maiores e mais precisos têm maior peso.

Modelos de análise

Modelo de efeito fixo: assume que todos os estudos estimam o mesmo efeito verdadeiro. A variação entre estudos é atribuída apenas ao acaso.

Modelo de efeitos aleatórios: assume que os estudos estimam efeitos diferentes, que variam em torno de uma média. É mais conservador e geralmente mais apropriado na prática clínica.

Na prática

O modelo de efeitos aleatórios é recomendado na maioria das situações clínicas, pois é improvável que estudos realizados em diferentes contextos estimem exatamente o mesmo efeito.

Heterogeneidade

A heterogeneidade refere-se à variabilidade nos resultados entre os estudos. Pode ser:

Clínica: diferenças nas populações, intervenções ou desfechos
Metodológica: diferenças no desenho e condução dos estudos
Estatística: variabilidade além do esperado pelo acaso

Como avaliar a heterogeneidade?

Medida	Interpretação
Q de Cochran	Teste estatístico; p < 0,10 sugere heterogeneidade
I²	Percentual da variabilidade devido à heterogeneidade (não ao acaso)

Interpretação do I² (Higgins et al., 2003):

0-40%: heterogeneidade baixa
30-60%: heterogeneidade moderada
50-90%: heterogeneidade substancial
75-100%: heterogeneidade considerável

Atenção

Alta heterogeneidade (I² > 75%) é um sinal de alerta. Antes de apresentar uma estimativa combinada, investigue as causas através de análises de subgrupo ou meta-regressão.

Forest plot (gráfico de floresta)

O forest plot é a representação visual padrão de uma meta-análise (Lewis; Clarke, 2001). Ele mostra:

Cada estudo como um quadrado (tamanho proporcional ao peso)
O intervalo de confiança de cada estudo como linha horizontal
A estimativa combinada como um losango na parte inferior
A linha de nulidade (sem efeito) como referência vertical

Nota: Representação esquemática ilustrativa.

Como interpretar?

Se o IC do losango não cruza a linha de nulidade: efeito estatisticamente significativo
Se o IC cruza a linha de nulidade: efeito não significativo
Quanto mais à direita (ou esquerda), maior a magnitude do efeito
Quanto mais estreito o IC, maior a precisão

Viés de publicação

Estudos com resultados positivos ou significativos têm maior probabilidade de serem publicados. Isso pode distorcer os resultados da meta-análise.

Como detectar?

Funnel plot (gráfico de funil): gráfico de dispersão do tamanho do efeito versus precisão (ou tamanho da amostra). Assimetria sugere viés de publicação.

Teste de Egger: teste estatístico para assimetria do funnel plot (Egger et al., 1997).

Dica prática

O funnel plot é mais informativo quando há pelo menos 10 estudos. Com poucos estudos, é difícil avaliar assimetria.

Análises de sensibilidade e subgrupo

Análise de sensibilidade

Verifica se os resultados são robustos a diferentes decisões metodológicas:

Excluir estudos com alto risco de viés
Usar modelo de efeito fixo vs. aleatório
Excluir um estudo por vez (leave-one-out)

Análise de subgrupo

Investiga se o efeito difere entre grupos definidos a priori:

Por característica da população (idade, sexo, gravidade)
Por tipo de intervenção (dose, duração)
Por qualidade metodológica

Cuidado com múltiplas comparações

Análises de subgrupo devem ser planejadas previamente no protocolo. Análises exploratórias post hoc aumentam o risco de achados espúrios.

Etapas para conduzir uma meta-análise

Verificar viabilidade: os estudos são comparáveis?
Extrair dados numéricos: médias, desvios-padrão, frequências
Escolher a medida de efeito: RR, OR, MD, SMD
Escolher o modelo: efeito fixo ou aleatórios
Calcular a estimativa combinada: usando software apropriado
Avaliar heterogeneidade: Q, I²
Investigar causas de heterogeneidade: subgrupos, meta-regressão
Avaliar viés de publicação: funnel plot, teste de Egger
Realizar análises de sensibilidade
Interpretar e apresentar resultados: forest plot, tabelas

Softwares para meta-análise

Software	Características
RevMan	Gratuito, desenvolvido pela Cochrane
R (metafor, meta)	Gratuito, flexível, requer programação
Stata	Pago, comandos específicos (metan, metaan)
Comprehensive Meta-Analysis	Pago, interface amigável
JASP	Gratuito, interface gráfica

Vantagens

Precisão: estimativa mais precisa que estudos individuais
Poder estatístico: detecta efeitos que estudos pequenos não conseguem
Objetividade: síntese quantitativa, não apenas narrativa
Exploração: permite investigar fontes de heterogeneidade
Clareza visual: forest plot facilita comunicação dos resultados

Limitações

Dependência dos estudos primários: limitada pela qualidade dos dados disponíveis
Viés de publicação: estudos negativos podem estar ausentes
Heterogeneidade: combinar estudos diferentes pode ser enganoso
Falácia ecológica: resultados agregados podem não se aplicar a indivíduos
Complexidade: requer conhecimento estatístico para condução e interpretação

Resumo

Pontos-chave

Meta-análise é uma técnica estatística, não um tipo de revisão
Combina resultados de estudos para obter estimativa mais precisa
Só deve ser realizada quando os estudos são suficientemente semelhantes
O forest plot é a apresentação visual padrão
A heterogeneidade (I²) indica variabilidade entre estudos
O viés de publicação deve ser investigado (funnel plot)
Análises de sensibilidade verificam a robustez dos resultados
Requer conhecimento estatístico para condução adequada

Leituras recomendadas

Borenstein et al. (2009) — Introduction to Meta-Analysis
Glass (1976) — Primary, secondary, and meta-analysis of research
Higgins et al. (2003) — Measuring inconsistency in meta-analyses
Egger et al. (1997) — Bias in meta-analysis detected by a simple, graphical test
Lewis; Clarke (2001) — Forest plots: trying to see the wood and the trees

Próximo capítulo: Acrônimos PICO

Referências

BORENSTEIN, Michael et al. Introduction to Meta-Analysis. Chichester: John Wiley & Sons, 2009.

EGGER, Matthias et al. Bias in meta-analysis detected by a simple, graphical test. BMJ, v. 315, n. 7109, p. 629–634, 1997.

GLASS, Gene V. Primary, secondary, and meta-analysis of research. Educational Researcher, v. 5, n. 10, p. 3–8, 1976.

HIGGINS, Julian P. T. et al. Measuring inconsistency in meta-analyses. BMJ, v. 327, n. 7414, p. 557–560, 2003.

LEWIS, Steff; CLARKE, Mike. Forest plots: trying to see the wood and the trees. BMJ, v. 322, n. 7300, p. 1479–1480, jun. 2001.

--- title: "Meta-análise" subtitle: "Síntese quantitativa de resultados de múltiplos estudos" --- ## O que é uma meta-análise? A meta-análise é uma técnica estatística que combina quantitativamente os resultados de múltiplos estudos independentes sobre uma mesma questão, gerando uma estimativa sumária do efeito [@borenstein2009]. O termo foi cunhado por Gene Glass em 1976, que a definiu como "a análise estatística de uma grande coleção de resultados de estudos individuais, com o propósito de integrar os achados" [@glass1976]. ::: callout-note ## Definição A meta-análise é um método estatístico que combina resultados de estudos independentes para obter uma estimativa mais precisa do efeito de uma intervenção ou da força de uma associação. ::: ## Meta-análise e revisão sistemática É importante distinguir os dois conceitos: - **Revisão sistemática:** método de revisão da literatura com busca exaustiva, seleção criteriosa e avaliação de qualidade - **Meta-análise:** técnica estatística de combinação de resultados A meta-análise **geralmente ocorre dentro** de uma revisão sistemática, mas nem toda revisão sistemática inclui meta-análise. A combinação estatística só é apropriada quando os estudos são suficientemente semelhantes. ::: callout-important ## Atenção Meta-análise não é sinônimo de revisão sistemática. É possível ter: - Revisão sistemática **com** meta-análise - Revisão sistemática **sem** meta-análise (síntese qualitativa) - Meta-análise **sem** revisão sistemática (não recomendado) ::: ## Características principais | Característica | Descrição | |-------------------------|-----------------------------------------------| | **Objetivo** | Estimar efeito combinado | | **Dados necessários** | Resultados numéricos dos estudos primários | | **Pré-requisito** | Estudos comparáveis (homogeneidade mínima) | | **Produto** | Estimativa sumária com intervalo de confiança | | **Apresentação visual** | Forest plot (gráfico de floresta) | ## Por que fazer uma meta-análise? ### 1. Aumentar o poder estatístico Estudos individuais podem ter amostras pequenas e não detectar efeitos reais. Ao combinar dados, aumenta-se o poder para identificar diferenças significativas. ### 2. Melhorar a precisão da estimativa A estimativa combinada tem intervalo de confiança mais estreito do que estudos individuais. ### 3. Resolver controvérsias Quando estudos individuais apresentam resultados conflitantes, a meta-análise pode esclarecer a direção e magnitude do efeito. ### 4. Explorar heterogeneidade Permite investigar por que estudos diferentes encontram resultados diferentes (análises de subgrupo e meta-regressão). ## Quando fazer uma meta-análise? A meta-análise é apropriada quando: - Os estudos respondem à **mesma pergunta** de pesquisa - As **populações** são comparáveis - As **intervenções** são semelhantes - Os **desfechos** são medidos de forma similar - A **heterogeneidade** entre estudos é aceitável ::: callout-warning ## Cuidado Combinar estudos muito diferentes pode gerar resultados enganosos. A máxima "garbage in, garbage out" (lixo entra, lixo sai) se aplica: uma meta-análise de estudos ruins produz uma estimativa combinada ruim. ::: ## Quando NÃO fazer uma meta-análise? Evite meta-análise quando: - Os estudos são **muito heterogêneos** (populações, intervenções ou desfechos diferentes) - Há **poucos estudos** disponíveis (geralmente menos de 3) - Os dados necessários **não estão disponíveis** nos estudos primários - A **qualidade dos estudos** é muito baixa Nesses casos, opte por uma **síntese qualitativa** (narrativa estruturada). ## Conceitos fundamentais ### Tamanho do efeito (effect size) É a medida padronizada que quantifica a magnitude do efeito. Os tipos mais comuns são: | Tipo de desfecho | Medidas de efeito | |-----------------------------------|-------------------------------------| | **Dicotômico** (sim/não) | Risco Relativo (RR), Odds Ratio (OR), Diferença de Risco (RD) | | **Contínuo** (escalas, medidas) | Diferença de Médias (MD), Diferença de Médias Padronizada (SMD) | | **Tempo até evento** | Hazard Ratio (HR) | | **Correlação** | Coeficiente de correlação (r) | ### Peso dos estudos Cada estudo contribui para a estimativa combinada de acordo com seu **peso**, que geralmente é baseado no tamanho da amostra e na precisão (variância) dos resultados. Estudos maiores e mais precisos têm maior peso. ### Modelos de análise **Modelo de efeito fixo:** assume que todos os estudos estimam o mesmo efeito verdadeiro. A variação entre estudos é atribuída apenas ao acaso. **Modelo de efeitos aleatórios:** assume que os estudos estimam efeitos diferentes, que variam em torno de uma média. É mais conservador e geralmente mais apropriado na prática clínica. ::: callout-tip ## Na prática O modelo de **efeitos aleatórios** é recomendado na maioria das situações clínicas, pois é improvável que estudos realizados em diferentes contextos estimem exatamente o mesmo efeito. ::: ## Heterogeneidade A heterogeneidade refere-se à variabilidade nos resultados entre os estudos. Pode ser: - **Clínica:** diferenças nas populações, intervenções ou desfechos - **Metodológica:** diferenças no desenho e condução dos estudos - **Estatística:** variabilidade além do esperado pelo acaso ### Como avaliar a heterogeneidade? | Medida | Interpretação | |-------------------------|----------------------------------------------| | **Q de Cochran** | Teste estatístico; p \< 0,10 sugere heterogeneidade | | **I²** | Percentual da variabilidade devido à heterogeneidade (não ao acaso) | Interpretação do I² [@higgins2003]: - 0-40%: heterogeneidade baixa - 30-60%: heterogeneidade moderada - 50-90%: heterogeneidade substancial - 75-100%: heterogeneidade considerável ::: callout-warning ## Atenção Alta heterogeneidade (I² \> 75%) é um sinal de alerta. Antes de apresentar uma estimativa combinada, investigue as causas através de análises de subgrupo ou meta-regressão. ::: ## Forest plot (gráfico de floresta) O forest plot é a representação visual padrão de uma meta-análise [@lewis2001]. Ele mostra: - Cada estudo como um **quadrado** (tamanho proporcional ao peso) - O **intervalo de confiança** de cada estudo como linha horizontal - A **estimativa combinada** como um losango na parte inferior - A **linha de nulidade** (sem efeito) como referência vertical ![Forest Plot ](images/forest_plot.png) *Nota: Representação esquemática ilustrativa.* ### Como interpretar? - Se o IC do losango **não cruza** a linha de nulidade: efeito estatisticamente significativo - Se o IC **cruza** a linha de nulidade: efeito não significativo - Quanto mais à direita (ou esquerda), maior a magnitude do efeito - Quanto mais estreito o IC, maior a precisão ## Viés de publicação Estudos com resultados positivos ou significativos têm maior probabilidade de serem publicados. Isso pode distorcer os resultados da meta-análise. ### Como detectar? **Funnel plot (gráfico de funil):** gráfico de dispersão do tamanho do efeito versus precisão (ou tamanho da amostra). Assimetria sugere viés de publicação. **Teste de Egger:** teste estatístico para assimetria do funnel plot [@egger1997]. ::: callout-tip ## Dica prática O funnel plot é mais informativo quando há pelo menos 10 estudos. Com poucos estudos, é difícil avaliar assimetria. ::: ## Análises de sensibilidade e subgrupo ### Análise de sensibilidade Verifica se os resultados são robustos a diferentes decisões metodológicas: - Excluir estudos com alto risco de viés - Usar modelo de efeito fixo vs. aleatório - Excluir um estudo por vez (leave-one-out) ### Análise de subgrupo Investiga se o efeito difere entre grupos definidos *a priori*: - Por característica da população (idade, sexo, gravidade) - Por tipo de intervenção (dose, duração) - Por qualidade metodológica ::: callout-warning ## Cuidado com múltiplas comparações Análises de subgrupo devem ser planejadas previamente no protocolo. Análises exploratórias post hoc aumentam o risco de achados espúrios. ::: ## Etapas para conduzir uma meta-análise 1. **Verificar viabilidade:** os estudos são comparáveis? 2. **Extrair dados numéricos:** médias, desvios-padrão, frequências 3. **Escolher a medida de efeito:** RR, OR, MD, SMD 4. **Escolher o modelo:** efeito fixo ou aleatórios 5. **Calcular a estimativa combinada:** usando software apropriado 6. **Avaliar heterogeneidade:** Q, I² 7. **Investigar causas de heterogeneidade:** subgrupos, meta-regressão 8. **Avaliar viés de publicação:** funnel plot, teste de Egger 9. **Realizar análises de sensibilidade** 10. **Interpretar e apresentar resultados:** forest plot, tabelas ## Softwares para meta-análise | Software | Características | |----|----| | **RevMan** | Gratuito, desenvolvido pela Cochrane | | **R (metafor, meta)** | Gratuito, flexível, requer programação | | **Stata** | Pago, comandos específicos (metan, metaan) | | **Comprehensive Meta-Analysis** | Pago, interface amigável | | **JASP** | Gratuito, interface gráfica | ## Vantagens - **Precisão:** estimativa mais precisa que estudos individuais - **Poder estatístico:** detecta efeitos que estudos pequenos não conseguem - **Objetividade:** síntese quantitativa, não apenas narrativa - **Exploração:** permite investigar fontes de heterogeneidade - **Clareza visual:** forest plot facilita comunicação dos resultados ## Limitações - **Dependência dos estudos primários:** limitada pela qualidade dos dados disponíveis - **Viés de publicação:** estudos negativos podem estar ausentes - **Heterogeneidade:** combinar estudos diferentes pode ser enganoso - **Falácia ecológica:** resultados agregados podem não se aplicar a indivíduos - **Complexidade:** requer conhecimento estatístico para condução e interpretação ## Resumo ::: callout-note ## Pontos-chave - Meta-análise é uma **técnica estatística**, não um tipo de revisão - Combina resultados de estudos para obter **estimativa mais precisa** - Só deve ser realizada quando os estudos são **suficientemente semelhantes** - O **forest plot** é a apresentação visual padrão - A **heterogeneidade** (I²) indica variabilidade entre estudos - O **viés de publicação** deve ser investigado (funnel plot) - Análises de **sensibilidade** verificam a robustez dos resultados - Requer **conhecimento estatístico** para condução adequada ::: ## Leituras recomendadas - @borenstein2009 — Introduction to Meta-Analysis - @glass1976 — Primary, secondary, and meta-analysis of research - @higgins2003 — Measuring inconsistency in meta-analyses - @egger1997 — Bias in meta-analysis detected by a simple, graphical test - @lewis2001 — Forest plots: trying to see the wood and the trees ------------------------------------------------------------------------ Próximo capítulo: [**Acrônimos PICO**](07-acronimos-pico.qmd)