Informação
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:
[1] https://www.gradeworkinggroup.org/
[2] https://www.prisma-statement.org/
[3] https://amstar.ca/index.php
