Parte I. Fundamentos da meta-análise

Em 1976, Gene Glass introduziu o termo "meta-análise" para descrever a análise estatística de uma coleção abrangente de resultados de pesquisa de estudos individuais. Este processo, que envolve a integração dos resultados de um grupo de estudos empíricos focados na mesma questão de investigação, calcula a média e a variabilidade dos efeitos populacionais globais (Campo & Gillett, 2010; Vidro, 1976; O'Rourke, 2007).

O crescimento da ciência depende da acumulação de conhecimentos e da construção do trabalho passado de outros. À medida que o desenvolvimento científico acelera e a quantidade de informação na literatura continua a explodir (por exemplo, cerca de 500.000 novos artigos são adicionados ao banco de dados PubMed da National Library of Medicine a cada ano), os cientistas precisam de ajuda para acompanhar as pesquisas mais recentes e as práticas recomendadas (Fig. 1).  

No passado, os profissionais dependiam de especialistas para resumir a literatura e fornecer recomendações. No entanto, com o tempo, os pesquisadores começaram a examinar a precisão desses artigos de revisão e descobriram que as evidências muitas vezes não apoiavam as recomendações. Eles começaram a promover uma abordagem mais científica para as revisões que não dependiam da opinião subjetiva de um único especialista. Esta nova abordagem exigiu provas documentadas para apoiar as alegações e um processo sistemático conduzido por uma equipa diversificada para garantir uma análise abrangente de todas as provas. Este processo é agora referido como uma revisão sistemática.

Uma revisão sistemática envolve uma análise aprofundada de uma questão de investigação específica. Envolve sistematicamente identificar, selecionar, avaliar e sintetizar todas as evidências de pesquisa relevantes e de alta qualidade para abordar a questão. Este processo combina os resultados de vários estudos primários interligados usando métodos que reduzem vieses e erros aleatórios. Uma revisão sistemática bem conduzida fornece evidências de alta qualidade para a prática clínica e é amplamente considerada como o padrão para orientar a prática clínica. (Yusuff, 2023).

Uma revisão sistemática da literatura é um método de pesquisa essencial para o raciocínio baseado em evidências. Envolve a recolha de informações de vários estudos, o que leva a uma compreensão abrangente de um tópico. Ao contrário de uma revisão narrativa, uma revisão sistemática identifica os critérios de seleção dos artigos e utiliza métodos de busca explícitos e padronizados, proporcionando ao público esclarecimentos e informações. Este método baseia-se em critérios pré-determinados e tem como objetivo ajudar os investigadores a escolher estudos e ferramentas para o desenvolvimento de artigos com informação original.

Embora as revisões sistemáticas da literatura sejam comumente usadas na medicina, elas podem ser adaptadas para outras áreas de pesquisa. No entanto, os investigadores de outras áreas devem seguir orientações relevantes para garantir que os seus estudos abordam eficazmente as questões de investigação e atingem os seus objetivos. A realização de uma revisão sistemática da literatura em áreas de negócios como gestão, marketing e sistemas de informação normalmente adere a uma abordagem padronizada, embora com algumas variações e ajustes. Essas etapas são projetadas para produzir as descobertas mais pertinentes para a pesquisa em questão.

Uma revisão sistemática da investigação deve ser imparcial e transparente na sua metodologia. Os princípios gerais que devem estar subjacentes a todas as revisões sistemáticas são os seguintes:

A transparência é fundamental nas revisões sistemáticas da literatura para garantir a precisão das conclusões e da abordagem metodológica. Esta transparência protege contra falsas declarações, avaliando cada fase da investigação e clarificando a sua pertinência e qualidade.

O quadro inicial de uma revisão sistemática é essencial para orientar e manter a integridade do processo, mantendo o foco nos objetivos da pesquisa e evitando a influência das características da literatura no procedimento. Uma pesquisa exaustiva visa descobrir todos os estudos relevantes, reduzindo o enviesamento e simplificando o acesso ao conteúdo da investigação. Assim, garante que um conjunto limitado de estudos não influencie indevidamente as conclusões.

A síntese dos resultados da pesquisa leva a conclusões concisas e acessíveis sobre a qualidade da pesquisa sobre um determinado tópico.

O fluxograma PRISMA na Fig. 4 dá ao leitor uma melhor compreensão do processo de revisão. O objetivo geral do procedimento de codificação é fornecer uma descrição abrangente dos estudos considerados e obter uma visão geral da amostra do estudo rapidamente. A folha de codificação suporta este procedimento.

Esta avaliação pode ser realizada usando várias abordagens, como o caso do medicamento e a lista de verificação do JBI (Joanna Bridge Institute). No entanto, dependendo dos objetivos concretos dos estudos em questão, esta avaliação é opcional para algumas revisões sistemáticas da literatura.

As revisões sistemáticas empregam uma abordagem rigorosa e científica para procurar e avaliar minuciosamente todas as evidências usando métodos analíticos estabelecidos e predeterminados (Committee on Standards, 2011). Uma revisão sistemática envolve uma pesquisa metódica na literatura para consolidar informações de vários estudos usando um protocolo específico para abordar uma questão de pesquisa focada. O processo visa localizar e utilizar todas as evidências acessíveis publicadas e não publicadas, avaliá-las meticulosamente e apresentar um resumo objetivo para formular recomendações sólidas. A síntese pode ser qualitativa ou quantitativa, mas sua característica definidora é a adesão a diretrizes que permitam a reprodutibilidade. A adoção generalizada de revisões sistemáticas transformou a avaliação das práticas e a forma como os profissionais adquirem informações sobre quais intervenções empregar. A Tabela 1 descreve algumas distinções críticas entre revisões narrativas e sistemáticas.

O conceito de revisão sistemática moderna pode ser rastreado até um artigo de 1976 de Gene Glass em psicologia. Neste artigo, Glass apresentou um resumo quantitativo de todos os estudos que avaliaram a eficácia da psicoterapia (Vidro, 1976). Ele também introduziu o termo "meta-análise" na psicologia educacional para descrever a análise estatística de uma extensa coleção de resultados de estudos individuais, a fim de integrar os resultados (Cheung, 2015), p. 44). Hoje, as revisões sistemáticas são amplamente utilizadas em várias disciplinas científicas. Na área da saúde, no entanto, "meta-análise" refere-se principalmente à análise quantitativa de dados a partir de uma revisão sistemática. Isso significa que as revisões sistemáticas sem uma análise quantitativa em saúde não são tipicamente rotuladas como meta-análises, embora essa distinção ainda precise ser firmemente estabelecida em outros campos. Manteremos esses termos distintos, usando "meta-análise" para denotar a análise estatística dos dados coletados em uma revisão sistemática.

As revisões sistemáticas geralmente envolvem seis componentes significativos: preparação de tópicos, pesquisa de literatura, triagem de estudos, extração de dados, análise e preparação de relatórios (Schmid et al., 2020). Cada uma envolve várias etapas, e uma revisão bem conduzida deve atender cuidadosamente a todas elas (Fig. 2).

A meta-análise é um método amplamente aceito e colaborativo para sintetizar resultados de pesquisa em várias disciplinas (Cheung & Vijayakumar, 2016). É uma ferramenta fundamental que combina dados de resultados de ensaios individuais para produzir estimativas de efeitos agrupados para diferentes resultados de interesse. Este processo aumenta o tamanho da amostra, melhora o poder estatístico dos resultados e aumenta a precisão das estimativas de efeito. A síntese dos resultados entre estudos é crucial para compreender um problema e identificar fontes de variação nos resultados, tornando-o uma parte essencial do processo científico (Gurevitch et al., 2018). A fiabilidade das informações apresentadas depende do calibre dos estudos incluídos e do rigor do procedimento meta-analítico. Foram expressas algumas preocupações sobre a utilidade final de um procedimento tão complexo e moroso no estabelecimento de provas atempadas e válidas sobre vários tópicos específicos ao longo da evolução da atual metodologia meta-analítica (Papakostidis & Giannoudis, 2023).

A meta-análise é um método robusto para consolidar dados de vários estudos para gerar evidências sobre um tópico específico. É uma técnica estatística utilizada para combinar os resultados de vários estudos (Gurevitch et al., 2018). No entanto, existem várias considerações cruciais ao interpretar os resultados de uma meta-análise.

A meta-análise é uma abordagem de pesquisa científica que avalia objetivamente a literatura sobre um determinado assunto. Como uma coleção de métodos estatísticos para agregar os tamanhos dos efeitos em diferentes conjuntos de dados que abordam a mesma questão de pesquisa, a meta-análise fornece um conjunto potente, informativo e imparcial de ferramentas para resumir os resultados do estudo sobre o mesmo tópico. Oferece várias vantagens em relação às revisões narrativas, contagem de votos e combinação de probabilidades (Tabela 1). A meta-análise baseia-se na expressão do resultado de cada estudo numa escala padrão. Esta medida de resultado de "tamanho do efeito" inclui informações sobre o sinal de cada estudo e a magnitude de um efeito de interesse. Em muitos casos, a variância deste tamanho de efeito também pode ser calculada (Koricheva et al., 2013).

A meta-análise envolve a combinação dos resultados de vários estudos para estimar um parâmetro populacional, geralmente um tamanho de efeito, calculando estimativas pontuais e intervalares. Além disso, as meta-análises são importantes para identificar lacunas na literatura, destacando áreas onde é necessária mais investigação e áreas onde a resposta é definitiva, não sendo necessários novos estudos do mesmo tipo. Este aspeto da meta-análise ajuda a manter o público informado sobre o cenário de pesquisa, orientando-o para áreas que exigem mais exploração.

As meta-análises são ferramentas fundamentais da Medicina Baseada em Evidências (MBE) que sintetizam dados de resultados de ensaios individuais para produzir estimativas de efeitos agrupados para vários resultados de interesse. A combinação de dados resumidos de vários estudos aumenta o tamanho da amostra, melhorando o poder estatístico e a precisão das estimativas de efeitos obtidos. Considera-se que as meta-análises fornecem a melhor evidência para apoiar as diretrizes de prática clínica. A qualidade das evidências apresentadas depende do calibre dos estudos incluídos e do rigor do procedimento meta-analítico. Foram manifestadas algumas preocupações quanto à utilidade de um procedimento tão complexo e moroso para estabelecer provas atempadas e válidas sobre vários tópicos específicos.

Uma revisão sistemática é um processo qualitativo consistente e reprodutível de identificação e avaliação de toda a literatura relevante para uma questão específica. A meta-análise leva este processo mais longe, utilizando técnicas estatísticas específicas que permitem um agrupamento quantitativo de dados de estudos identificados através do processo de revisão sistemática.

Uma meta-análise pode ser realizada se a revisão sistemática revelar informações quantitativas suficientes e adequadas dos estudos resumidos (Gurevitch et al., 2018).

A meta-análise é agora uma técnica estatística popular para sintetizar resultados de pesquisa em muitas disciplinas, incluindo ciências educacionais, sociais e médicas (Cheung, 2015). O Google Acadêmico publicou mais de 107 mil meta-análises só em 2022 (Irsova et al., 2023). A meta-análise clássica é a meta-análise de dados de pessoas agregadas, na qual vários estudos são as unidades de análise. Em comparação com os estudos originais, a análise de vários estudos tem mais poder e reduz a incerteza. Em seguida, diferentes abordagens de meta-análise foram desenvolvidas. Portanto, com conhecimento prévio das diferenças entre essas abordagens, fica claro qual abordagem deve ser usada para a agregação de dados. Por exemplo, nos primeiros dias, diferentes abordagens meta-analíticas usavam a agregação de diferentes tipos de tamanhos de efeitos (por exemplo, d, r); Hoje, a transformação de tamanhos de efeitos é comum (Kaufmann e Reips, 2024).

É importante notar que existem dois modelos de agregação distintos na meta-análise: o modelo de efeitos fixos e o modelo de efeitos aleatórios. O modelo de efeitos fixos opera sob a suposição de que todos os estudos na meta-análise provêm da mesma população, e a verdadeira magnitude de um efeito permanece consistente em todos os estudos. Portanto, acredita-se que qualquer variância no tamanho do efeito seja resultado de diferenças dentro de cada estudo, como erros de amostragem.

Ao contrário do modelo de efeitos fixos, o modelo de efeitos aleatórios supõe que os efeitos na população diferem de um estudo para outro.

A ideia subjacente a este pressuposto é que os estudos observados são amostras extraídas de um universo de estudos. Os modelos de efeitos aleatórios têm duas fontes de variação em um determinado tamanho de efeito: variação decorrente de dentro de estudos e variação entre estudos.

A evidência de uma meta-análise está inerentemente associada à qualidade dos estudos primários. Meta-análises baseadas em estudos primários de baixa qualidade tendem a superestimar o efeito do tratamento.

Considere o seguinte: Por que devemos conduzir uma meta-análise em vez de confiar apenas nas revisões dos principais especialistas ou nas investigações primárias de um único estudo como fontes das melhores evidências? Esta pergunta nos leva a aprofundar os benefícios e perceções exclusivos que a meta-análise pode oferecer.

Embora a meta-análise apresente inúmeros benefícios, incluindo maior precisão, a capacidade de abordar novas questões e resolver reivindicações conflitantes, é crucial caminhar com cuidado. Se não forem conduzidas com atenção meticulosa, as meta-análises podem levar a interpretações erradas, particularmente se os desenhos dos estudos, vieses, variação entre estudos e vieses de notificação não forem cuidadosamente considerados (Higgins et al., 2023).

Compreender o tipo de dados resultantes da medição de um resultado em um estudo e selecionar medidas de efeito apropriadas para comparar grupos de intervenção é de extrema importância. A maioria dos métodos de meta-análise envolve uma média ponderada de estimativas de efeitos de diferentes estudos, uma decisão que recai sobre os ombros do pesquisador.

Estudos sem eventos não fornecem informações sobre a razão de risco ou razão de chances. O método Peto é considerado menos tendencioso e mais poderoso para eventos raros. A heterogeneidade entre os estudos deve ser considerada, embora muitas revisões não tenham estudos suficientes para investigar suas causas de forma confiável. As meta-análises de efeitos aleatórios abordam a variabilidade assumindo que os efeitos subjacentes são normalmente distribuídos, mas é essencial interpretar os seus resultados com cautela. Os intervalos de previsão, que são uma gama de valores que provavelmente incluirão o efeito verdadeiro, a partir de meta-análises de efeitos aleatórios ajudam a ilustrar a extensão da variação entre os estudos.

Preparar uma meta-análise envolve fazer inúmeros julgamentos. Entre estas, as análises de sensibilidade destacam-se como uma ferramenta crucial. Eles devem examinar meticulosamente se as descobertas gerais são robustas para decisões potencialmente influentes, fornecendo uma camada tranquilizadora de confiabilidade e robustez à sua pesquisa.

Preparar uma meta-análise requer muitos julgamentos. As análises de sensibilidade, uma ferramenta crucial, devem examinar se os resultados gerais são robustos para decisões potencialmente influentes, garantindo a confiabilidade e robustez de sua pesquisa (Deeks et al., 2023).

Muitas revistas importantes apresentam artigos de revisão escritos por especialistas em tópicos específicos. Embora essas revisões narrativas sejam altamente informativas e abrangentes, elas expressam as opiniões subjetivas do(s) autor(es), que podem usar seletivamente a literatura para apoiar pontos de vista pessoais. Consequentemente, são suscetíveis a inúmeras fontes de parcialidade, relegando-as para a base da hierarquia do nível de evidência. Isto sublinha a importância crítica da realização de meta-análises de alta qualidade, que podem fornecer uma visão mais objetiva e abrangente das provas disponíveis.

Em um afastamento acentuado das revisões narrativas, as revisões sistemáticas e meta-análises são meticulosamente projetadas para minimizar o viés. Eles conseguem isso identificando, avaliando e sintetizando toda a literatura relevante usando uma metodologia transparente e reproduzível. Essa abordagem rigorosa garante que as evidências obtidas sejam as mais confiáveis, estabelecendo revisões sistemáticas e meta-análises como o padrão-ouro no auge da hierarquia de evidências.

No entanto, dada a produção maciça de evidências sintetizadas defeituosas e não confiáveis, uma grande revisão é necessária para gerar futuras meta-análises. A qualidade dos estudos escolhidos deve merecer grande atenção, bem como a coerência e a transparência na condução e comunicação do processo de meta-análise.

A realização adequada de uma meta-análise envolve a combinação de dados de vários estudos individuais, idealmente ensaios de controle randomizados, para calcular estimativas de efeitos combinados para diferentes resultados de interesse. Isto é particularmente útil para conciliar resultados conflitantes dos estudos primários e obter uma única estimativa de efeito agrupado que se pensa representar a melhor evidência atual para a prática clínica. Além disso, através da expansão significativa do tamanho da amostra, as meta-análises aumentam a força estatística dos seus resultados e, em última análise, oferecem avaliações de efeitos mais precisas.

As meta-análises podem ser classificadas como cumulativas/retrospetivas ou prospetivas. A abordagem predominante na literatura é cumulativa. No entanto, em uma meta-análise prospetiva (PMA), os critérios de seleção do estudo, hipóteses e análises são estabelecidos antes que os resultados dos estudos referentes à questão de pesquisa da PMA estejam disponíveis. Esta abordagem reduz muitos dos problemas associados a uma meta-análise tradicional (retrospetiva) (Seidler et al., 2019).

Os resultados de uma meta-análise são apresentados graficamente numa parcela florestal (ver Fig. 5). Um Figura de floresta exibiria as estimativas de tamanho de efeito e intervalos de confiança para cada estudo incluído na meta-análise. A meta-análise também deve avaliar a heterogeneidade dos estudos incluídos. Comumente, a heterogeneidade é avaliada através de testes estatísticos. Os testes x2 e I2 são comumente usados. Um teste x2 com um valor P de > 0,05 ou I2 superior a 75% indica heterogeneidade significativa. Ao conduzir uma meta-análise, você pode utilizar um modelo de efeito fixo ou um modelo de efeito aleatório. Se não houver heterogeneidade, utiliza-se um modelo de efeito fixo; caso contrário, um modelo de efeito aleatório é aplicado. Uma avaliação do viés de publicação também é necessária para verificar se estudos positivos, significativos ou pequenos não influenciam os resultados. Os resultados são apresentados graficamente num Figura de funil (ver fig. 5), recomendado onde mais de dez estudos foram incluídos na meta-análise (Yusuff, 2023).

Apesar dos défices metodológicos persistentes nas meta-análises atualmente publicadas, existe um caminho claro para a melhoria. Quando conduzidas em conformidade com regras rigorosas e transparentes, as revisões sistemáticas e meta-análises podem garantir a reprodutibilidade e robustez do processo de pesquisa, a fiabilidade e validade das suas conclusões e a clareza dos relatórios.

O processo de meta-análise envolve uma abordagem completa, considerando todas as potenciais influências sobre os resultados. Por exemplo, o modelo de efeitos aleatórios assume que a estimativa do efeito real varia entre os estudos primários devido a diferenças nas suas características clínicas. A estimativa do tamanho do efeito combinado deste modelo representa uma estimativa média de todas as estimativas individuais do estudo. Escolher o modelo estatístico certo para combinar dados é uma decisão complexa que depende do grau de variação entre os estudos. No entanto, não existem limiares claros relativamente à quantidade de variação que determinaria qual o modelo a utilizar.

Além disso, os testes estatísticos de variação muitas vezes precisam de mais poder para detetar diferenças significativas. O modelo de efeitos fixos é geralmente usado quando não há variação em uma meta-análise, especialmente quando muitos estudos com grandes tamanhos de amostra são incluídos. Nesses casos, há confiança na capacidade do teste de variação de detetar diferenças significativas. Os resultados deste modelo geralmente têm intervalos de confiança mais estreitos. Por outro lado, quando há preocupações com a variação, o modelo de efeitos aleatórios é considerado uma escolha melhor. Gera intervalos de confiança mais amplos em torno das estimativas e é uma opção mais conservadora para a análise. Numa meta-análise com um grande número de estudos e amostras de tamanho adequado, onde não é detetada variação estatística, justifica-se a utilização do modelo de efeitos fixos (Papakostidis & Giannoudis, 2023).

Finalmente, a qualidade da evidência obtida através de uma meta-análise deve ser avaliada usando uma das três ferramentas: GRADE (Grading of Recommendations Assessment, Development and Evaluation),[1] PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis)[2] ou AMSTAR (A Measurement Tool to Assess systematic Reviews)[3]. Todas estas ferramentas avaliam a confiança na estimativa do efeito para cada resultado específico de interesse. Seu uso aumenta significativamente a força e a confiabilidade dos resultados, oferecendo aos pesquisadores garantias sobre a qualidade de suas pesquisas. Portanto, eles são um componente crucial da meta-análise que deve ser considerado.

Embora as meta-análises, particularmente aquelas baseadas em ECRs de alta qualidade, sejam consideradas como fornecendo a melhor evidência, o problema da inconclusividade de uma meta-análise não está associado a uma qualidade metodológica potencialmente diminuída ou à falta de adesão aos padrões aceitos de conduzir e relatar uma meta-análise adequada. O problema é que a maioria das revisões sistemáticas são falhas, enganosas, redundantes, inúteis ou todas as anteriores (Ioannidis, 2017).

Papakostidis e Giannoudis (2023) apontam que tipos inovadores de revisões sistemáticas e meta-análises (algumas delas decorrentes de ideias mais antigas) provavelmente testemunharão um interesse renomado em breve na esperança de alcançar uma síntese de evidências mais confiável. Existem quatro tipos de meta-análises inovadoras:

• A meta-análise prospetiva, um método baseado na conceção de ensaios prospetivos com um propósito predefinido, oferece uma abordagem promissora. Quando esses ensaios são concluídos, eles podem servir como estudos primários para uma meta-análise. Este método pode abordar uma ampla gama de questões de pesquisa, desde investigações clínicas focadas até agendas de pesquisa abrangentes, demonstrando sua versatilidade e impacto potencial. Esta adaptabilidade pode inspirar o público sobre a ampla gama de aplicações deste método.
• A meta-análise dos dados individuais dos participantes, ao mesmo tempo que oferece uma abordagem mais robusta para lidar com fatores de confusão e formular novas hipóteses, apresenta seus desafios. Estes incluem potenciais limitações de tempo e complexidades logísticas. Além disso, o risco de enviesamento seletivo da comunicação deve ser seriamente considerado, sublinhando a necessidade de um planeamento e execução meticulosos. Esta consciência dos desafios pode fazer com que o público se sinta preparado e cauteloso.
• As meta-análises de rede permitem que o processo analítico seja estendido a mais de dois grupos de tratamento, utilizando comparações diretas e indiretas entre eles. Esta abordagem não só fornece uma compreensão mais abrangente do cenário de tratamento, mas também permite a comparação de tratamentos que não foram diretamente comparados em estudos individuais. Embora a maioria deles se baseie em dados já publicados, eles ainda podem se basear em projetos metaanalíticos prospetivos ou dados de nível individual.
• Meta-análises guarda-chuva, que sintetizam evidências de todas as revisões sistemáticas e meta-análises relevantes sobre um tópico específico, constituem uma maneira atraente de destilar e traduzir grandes quantidades de evidências.

[1] https://www.gradeworkinggroup.org/

[2] https://www.prisma-statement.org/

[3] https://amstar.ca/index.php

A meta-análise é uma abordagem estatística amplamente utilizada na comunidade de investigação para combinar dados de vários estudos. Seu principal objetivo é fornecer uma compreensão abrangente de um fenômeno particular, identificando padrões, tendências e inconsistências que podem precisar ser aparentes em estudos individuais. A meta-análise é vantajosa na conciliação de resultados contraditórios de diferentes estudos e no aumento do poder estatístico. No entanto, é essencial reconhecer os potenciais vieses associados à meta-análise, como o viés de publicação e a qualidade dos estudos incluídos. Planejamento e execução rigorosos de várias etapas vitais são necessários para conduzir uma meta-análise confiável. Existem vários métodos de meta-análise, cada um com pontos fortes e limitações únicas. Por fim, é crucial relatar os resultados de uma meta-análise de forma transparente e precisa para melhorar a interpretabilidade e a reprodutibilidade, contribuindo para o avanço do conhecimento nas respetivas áreas.

Com base na consulta sobre fundamentos de meta-análise, aqui está um resumo com base nos resumos relevantes:

• Definição: A meta-análise é uma técnica estatística que combina os resultados de vários estudos primários para calcular estimativas pontuais e intervalares de um parâmetro populacional, geralmente um tamanho de efeito.
• Aplicações: Esta técnica estatística versátil encontra uso em uma infinidade de campos, da psicologia aos negócios internacionais, da medicina à pesquisa clínica, fornecendo uma síntese quantitativa da literatura e estimando tamanhos de efeitos resumidos.
• Metodologia: A aplicação adequada da metodologia é crucial, incluindo pesquisa bibliográfica, combinação apropriada de estudos e representação correta dos resultados para garantir a validade.
• Desafios: Questões como heterogeneidade de estudos primários, viés de publicação e dificuldades de interpretação são aspetos fundamentais que precisam ser abordados para a validade interna das meta-análises.
• Ensino e orientação: A complexidade da meta-análise requer a disponibilidade de orientações e exemplos práticos para melhorar a qualidade das meta-análises publicadas, tornando-a exequível para investigadores juniores e clínicos com orientação especializada.

Em conclusão, os fundamentos da meta-análise englobam sua definição, aplicações, metodologia, desafios e orientações disponíveis para a realização de pesquisas de alta qualidade. No entanto, é essencial notar que, embora os resumos forneçam uma compreensão abrangente dos fundamentos da meta-análise, eles não se aprofundam em métodos avançados ou técnicas estatísticas específicas para meta-análise.

Meta-análise é um método de síntese de pesquisa que envolve a revisão de pesquisas primárias sobre um tópico específico para integrar os resultados. Este processo é crucial para o empreendimento científico, pois permite avaliar adequadamente as evidências para diferentes hipóteses e formular generalizações. A síntese da pesquisa pode ser realizada qualitativamente através de revisões narrativas ou quantitativamente usando métodos estatísticos para integrar resultados de estudos individuais (Koricheva et al., 2013).

A meta-análise tem tido um efeito transformador em muitos campos científicos, liderando o caminho no estabelecimento de práticas baseadas em evidências. Mais importante ainda, tem sido fundamental na resolução de resultados de investigação aparentemente contraditórios, mostrando a sua capacidade de resolução de problemas e impacto revolucionário.

A meta-análise é mais do que apenas uma técnica. Trata-se de uma abordagem bem vista e privilegiada para combinar os resultados da investigação em diferentes domínios. Oferece uma avaliação abrangente do tamanho de uma estatística com base em estudos atuais, fortalecendo assim sua confiabilidade e significância.

O agrupamento de dados de vários estudos aumenta o tamanho da amostra e aumenta o poder estatístico dos resultados e a precisão das estimativas de efeitos calculados. É considerada a maneira mais eficaz de avaliar e examinar as evidências para uma questão específica, oferecendo um alto nível de evidência e formando recomendações para a prática clínica. No entanto, a força das evidências fornecidas depende intimamente da qualidade dos estudos incluídos e do rigor do processo meta-analítico (Papakostidis & Giannoudis, 2023).

Embora a meta-análise tenha inúmeras vantagens, também tem fraquezas metodológicas e potenciais dificuldades na interpretação dos resultados globais. Isto sublinha a necessidade de os leitores manterem uma abordagem crítica, fomentando um sentido de responsabilidade e diligência.

O campo da meta-análise não está isento de debates e limitações em curso, que continuam a atrair a atenção. Estes incluem questões como viés de publicação e viés variável omitido, que são importantes a considerar no contexto da pesquisa meta-analítica.

A meta-análise tem muitas vantagens sobre outros métodos de síntese de pesquisa. Isso significa que a meta-análise é sempre preferida e que as revisões narrativas, combinando probabilidades e procedimentos de contagem de votos devem ser completamente abandonadas?

Entre as várias vantagens, destaca-se (Deeks et al., 2023; Koricheva et al., 2013):

• A meta-análise fornece uma avaliação abrangente da literatura, oferece um alto nível de evidência e ajuda a estabelecer recomendações práticas.
• A meta-análise fornece um meio mais objetivo, informativo e poderoso de resumir os resultados de estudos individuais do que revisões narrativas/qualitativas e contagem de votos.
• Embora o uso de meta-análise esteja em ascensão, é essencial notar que a compreensão do método é valiosa, mesmo que você não esteja planejando realizar suas meta-análises. Este conhecimento permitirá aos investigadores acompanhar e avaliar eficazmente a literatura na sua área.
• A aplicação da meta-análise a campos aplicados (por exemplo, conservação e gestão ambiental) pode tornar os resultados mais valiosos para os decisores políticos.
• Dominar os fundamentos da meta-análise pode melhorar significativamente a qualidade da apresentação de dados em pesquisas originais, tornando possível incorporar os resultados em futuras revisões de pesquisa.
• A realização de meta-análise muda a forma como se lê e avalia os estudos primários. Torna a pessoa extremamente consciente de que a significância estatística dos resultados depende do poder estatístico e, em geral, melhora a capacidade de avaliar criticamente as evidências.
• Para aumentar a precisão: Muitos estudos individuais são demasiado pequenos para fornecer provas conclusivas sobre os efeitos das intervenções. A precisão é normalmente melhorada quando as estimativas se baseiam num conjunto maior de dados.
• Os estudos primários normalmente visam participantes específicos e intervenções bem definidas para abordar questões além do escopo de estudos individuais. A combinação de estudos com características variadas permite-nos explorar a consistência dos efeitos numa gama mais ampla de populações e intervenções. Esta abordagem pode também ajudar a identificar as razões para as diferenças nas estimativas dos efeitos.
• Para resolver disputas de estudos aparentemente contraditórios ou para gerar novas hipóteses: A combinação dos resultados do estudo através da síntese estatística permite uma avaliação formal de resultados conflitantes e a exploração de razões para resultados variáveis.

A meta-análise isolada ou em combinação com outros métodos de síntese de investigação deve ser utilizada sempre que a estimativa da magnitude de um efeito e a compreensão das fontes de variação desse efeito sejam de interesse e quando pelo menos alguns dos estudos primários recolhidos forneçam dados suficientes para realizar a análise.

Enfatizando a importância de uma abordagem crítica, torna-se evidente que é crucial identificar deficiências na metodologia e interpretar os resultados gerais em meta-análises. Esta abordagem aborda as preocupações sobre o viés de publicação e o potencial para achados errôneos quando estudos diferentes com dados de desfecho variáveis são incluídos.

É importante notar algumas de suas desvantagens, como a exclusão de estudos de baixa qualidade. Como alternativa à meta-análise, a "melhor síntese de evidências" consideraria apenas estudos respeitáveis. O desafio aqui é determinar os critérios para distinguir entre bons e maus. É aconselhável incluir o maior número possível de artigos e dar importância a vários aspetos da conceção do estudo com base na prática metodológica amplamente aprovada. Isso permite explorar como diferentes métodos impactam os efeitos de fronteira estimados. O fator de impacto do veículo de publicação e o número de citações que cada estudo recebe também devem ser considerados (Havranek & Irsova, 2016).

A replicabilidade na investigação é da maior importância, uma vez que permite a outros investigadores verificar os resultados e desenvolver o conhecimento existente. Para permitir que outros pesquisadores reproduzam nossa análise, utilize a abordagem de buscar estudos que avaliem o impacto das fronteiras. É aceitável omitir certos estudos se os seus resultados não diferirem sistematicamente dos da nossa análise.

Estudos que relatam inúmeras estimativas influenciam significativamente a meta-análise. Quando cada estimativa tem o mesmo peso, a natureza desequilibrada dos dados na meta-análise significa que estudos com numerosas estimativas ditam os resultados. Uma solução potencial é o modelo multinível de efeitos mistos, que atribui aproximadamente o mesmo peso a cada estudo se as estimativas dentro do estudo estiverem altamente correlacionadas. No entanto, este método introduz efeitos aleatórios ao nível do estudo, que podem ser correlacionados com variáveis explicativas.

As estimativas preferidas dos autores devem ter mais peso. Os estudos que examinam o efeito de fronteira apresentam normalmente numerosas estimativas e favorecem frequentemente um subconjunto dessas estimativas (muitos resultados são apresentados como verificações de robustez). Embora alguns autores declarem explicitamente suas preferências, só é possível determinar as estimativas preferidas para alguns estudos. Em vez disso, um pesquisador deve controlar os dados e a metodologia, que devem ser mais simples de codificar e devem abranger a maioria dos desejos dos autores, como controlar a resistência multilateral (Havranek & Irsova, 2016).

É importante notar que as estimativas individuais são apenas parcialmente independentes devido aos autores utilizarem dados semelhantes. Ao realizar meta-análises, é crucial considerar que os ensaios clínicos individuais podem ser amplamente independentes, particularmente na investigação médica. No entanto, os resultados e observações de regressão da maioria dos conjuntos de dados econômicos não são independentes em economia. A dependência entre observações é abordada agrupando os erros-padrão ao nível de estudos individuais e conjuntos de dados.

Existem demasiadas variáveis explicativas potenciais e é necessário clarificar quais as que devem ser incluídas. Com inúmeros aspetos do desenho do estudo, encontrar uma teoria que fundamente a inclusão de todos eles é um desafio. Por exemplo, uma opção é atribuir mais peso a estudos extensos publicados em revistas respeitáveis, mas precisa ser evidente por que eles devem relatar consistentemente resultados diferentes.

A meta-análise compara achados diferentes. Em economia, a meta-análise examina estimativas heterogêneas. Várias estimativas são produzidas usando métodos diferentes, e é necessário levar em conta as diferenças no desenho dos estudos primários. Para melhorar a comparabilidade das estimativas num conjunto de dados, opte por incluir apenas os resultados relativos ao impacto de variáveis comuns específicas e exclua a extensa literatura sobre as outras.

Os erros na codificação de dados são inevitáveis. A compilação de dados para meta-análise envolve meses de leitura e codificação dos dados. Não use assistentes de pesquisa para esta tarefa porque há um risco de passar imediatamente para tabelas de regressão e codificar os dados sem revisar completamente os estudos primários. No entanto, é impossível eliminar erros; Só podemos minimizá-los coletando, comparando e corrigindo os conjuntos de dados de forma independente, garantindo a confiabilidade de nossa pesquisa.

O viés de publicação prejudica a validade da meta-análise. Os pesquisadores podem superestimar o tamanho médio do efeito relatado e não representar com precisão o verdadeiro tamanho do efeito quando relatam estimativas exibindo um sinal particular ou significância estatística.

Em conclusão, a meta-análise envolve etapas críticas, como definição de perguntas, coleta de dados, análise e relatórios de resultados. Definir a questão é crucial para moldar o foco e a direção da pesquisa. Embora ofereça evidências de alto nível e informe a prática clínica, também enfrenta desafios relacionados a fraquezas metodológicas, viés de publicação e potenciais limitações para alcançar seus objetivos. Apesar dessas limitações, a meta-análise contribui significativamente para a prática baseada em evidências em saúde, fornecendo uma síntese abrangente da pesquisa disponível.

Diferenças on-line versus off-line na coleta de dados de meta-análise devem ser consideradas. A investigação baseada na Internet pode recolher grandes conjuntos de dados de uma população mundial diversificada. Portanto, é necessário descrever detalhadamente a amostra de participantes para verificar se esse potencial de pesquisa baseado na Internet é usado e como.

As informações relevantes da amostra, portanto, incluem qual país e em quais idiomas o estudo foi realizado, a idade dos participantes e se apenas estudantes universitários foram considerados para avaliar a heterogeneidade e generalizabilidade dos resultados (Kaufman, 2024).

Como as meta-análises em estudos tradicionais, para meta-análises em pesquisa baseada na Internet para agregação de estudos, é necessário coletar o número de participantes e tamanhos de efeito para as variáveis de saída de interesse. Especialmente para pesquisas baseadas na Internet, o número de participantes que desistiram é um tamanho de efeito valioso a ser considerado em meta-análises.

Idealmente, o procedimento de codificação é conduzido por uma equipa de especialistas na área de investigação que irá meta-analisar e acordar os diferentes códigos. São necessários pelo menos dois codificadores para qualquer cálculo subsequente dos valores de fiabilidade do intercodificador.

Freelon (2010, 2013) O software ReCal é ideal para estimativa de confiabilidade de intercodificadores e fornece um valor de qualidade de conjunto de dados para análise subsequente [1]. O ReCal é composto por três módulos separados, cada um projetado para lidar com tipos específicos de dados, sejam eles nominais, ordinais ou de nível de intervalo/proporção. e baseia-se num inquérito online que solicita a codificação do estudo enviado aos primeiros autores. Esta estratégia poupa tempo e aumenta a fiabilidade em futuras meta-análises. Além disso, Kaufmann e Reips (2024) fornecer um modelo de pesquisa para meta-análises (Univ. Konstanz) [2].

A mineração de texto é uma ferramenta de apoio valiosa no procedimento de codificação de revisões sistemáticas, pois pode potencialmente aumentar a objetividade do processo de revisão.

Antes de executar qualquer análise de agregação de dados, uma descrição de dados deve ser fornecida primeiro, normalmente resumida em uma tabela.

Assim, os passos gerais a seguir são:

• Identificar os objetivos e formular a pergunta de investigação.
• Desenvolver um protocolo.
• Realizar uma pesquisa bibliográfica.
• Definir critérios de inclusão e exclusão.
• Selecionar artigos de acordo com os critérios de inclusão e exclusão definidos.
• Explore e interprete os artigos selecionados.
• Analisar e reportar os resultados obtidos.

[1] https://ln.run/PEGc4

[2]  https://acesse.dev/dDDv5