Sprovođenje potpune pretrage

Sprovođenje inicijalne pretrage je ključni korak koji potvrđuje predloženi koncept, sprečava dupliranje već obrađenih tema i potvrđuje dovoljan broj članaka za analizu. Ovaj proces nije samo formalnost, već značajan doprinos oblasti (Tawfik et al., 2019).

Nakon što ste uspostavili protokol i obavili pročišćavajuću pretragu, sledeći korak je detaljna potpuna pretraga. To će generisati brojne studije, ali mnoge će biti odbačene kao nerelevantne korišćenjem kriterijuma zasnovanih na naslovu studije, sažetku ili mestu objavljivanja. Preostale „potencijalno relevantne" studije moraju se pažljivije pročitati i podeliti na relevantne i nerelevantne. Ovaj proces može dovesti do značajnog smanjenja broja radova u svakom koraku. Budite spremni da veliki broj (često većina) studija koje prvobitno identifikujete kao relevantne budu neprikladne za meta-analizu. Poslednji korak je ekstrakcija potrebnih informacija (veličine efekta i moderatora) iz relevantnih radova. Konačna tabela podataka je ključna, jer obezbeđuje da su sve informacije koje želite da izvučete uključene.

Razumevanje kompromisa između prikupljanja gomile relevantnih radova i vraćanja toj gomili radi ekstrakcije uticajnih nakon što imate pripremljenu tabelu sa podacima o njima naspram ekstrakcije podataka iz rada dok ga čitate je ključno. Prednost prvog pristupa je što možete biti sigurniji da vaša tabela sadrži sve informacije koje želite da izvučete. Prednost drugog pristupa je što možete detaljno pročitati rad jednom.

Razumevanje tačno kako je studija dizajnirana i koji relevantni podaci su potrebni za ekstrakciju značaja može biti iznenađujuće složeno. Dobro vođenje beleški je suštinsko u ovom procesu i često nije lakše pri drugom čitanju. Ako ste sigurni da imate dobro razumevanje glavnih karakteristika relevantnih studija, možete razmotriti formiranje baze podataka i ekstrakciju podataka čim klasifikujete rad kao relevantan. Naravno, moguće je da ćete se morati vratiti istim radovima ako kasnije otkrijete da treba kodirati dodatni moderatorski termin ili prilagoditi kriterijume za uključivanje studija. Ekstrakcija informacija prilikom prvog čitanja je najizvodljivija kada se radi o studijama koje blisko prate specifičan i uobičajen eksperimentalni nacrt.

Pojedini autori (Papakostidis & Giannoudis, 2023) ukazuju na to da su, uprkos popularnom trendu poboljšanja kvaliteta u poslednjih nekoliko godina, metodološki nedostaci pronađeni u trenutno objavljenim meta-analizama. Sistematski pregledi i meta-analize treba da se pridržavaju strogih i transparentnih pravila, kao što su PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) smernice (vidi sliku 4), osiguravajući ponovljivost i čvrstinu procesa pretrage, pouzdanost i validnost nalaza i jasnoću izveštavanja. Ove smernice navode osnovne korake kako bi se osiguralo da su ispunjeni svi gore navedeni zahtevi, uključujući transparentno izveštavanje o strategiji pretrage, procesu selekcije studija, ekstrakciji podataka i sintezi podataka:

1. Perspektivni protokol studije je kamen temeljac sistematskog pregleda i meta-analize. Njegova uloga u smanjenju pristrasnosti i osiguravanju transparentnosti ne može se preceniti. Ovaj dobro strukturiran i sažet dokument treba adekvatno da opiše sve korake istraživačkog procesa, uključujući potencijalne promene u metodologiji sistematskog pregleda. Time se opravdavaju te promene i sprečava uvođenje pristrasnosti u izbor podataka za pregled.
2. Proces pretrage nije samo korak, već stub sistematskog pregleda i meta-analize. Njegova čvrsta i ponovljiva priroda osigurava uključivanje svih relevantnih podataka iz podobnih studija. To uključuje pretragu više elektronskih baza podataka i referentnih lista, sa bazama kao što su PubMed, EMBASE ili SCOPUS koje su neophodne. Dodatne baze kao što su Cochrane, Web of Science i ProQuest takođe treba uzeti u obzir. Vredno je identifikovati potencijalno relevantnu sivu literaturu pretragom apstrakata konferencijskih zbornika. Međutim, neadekvatne strategije pretrage i jezička ograničenja mogu ograničiti broj podobnih studija, uvodeći značajnu količinu pristrasnosti u publikaciji. Ova pristrasnost je moguća čak i sa najopsežnijom strategijom pretrage, jer se očekuje neuspeh objavljivanja čitavih studija ili svih ishoda iz studije.
3. Interna valjanost primarnih studija: Termin „interna valjanost" odnosi se na sposobnost studije da uspostavi pouzdan uzročno-posledični odnos između tretmana i ishoda ograničavajući različite zbunjujuće faktore. To je ključni aspekt koji je usko povezan sa rizikom od pristrasnosti i metodološkim kvalitetom uključenih studija. Razvijeno je nekoliko alata za procenu rizika od pristrasnosti u primarnim studijama, kako za randomizovano kontrolisane studije, tako i za opservacione studije.
4. Najnovije izdanje alata za procenu rizika od pristrasnosti, Cochrane Collaboration (RoB-2)[1], pruža okvir za procenu rizika od pristrasnosti u rezultatima randomizovano kontrolisanih studija. Struktuiran je u pet domena potencijalnog uvođenja pristrasnosti u nalaze studije: (1) proces randomizacije; (2) odstupanja od predviđenih intervencija; (3) nedostajući podaci o ishodu; (4) merenje ishoda; (5) izbor prijavljenih rezultata (Sterne et al., 2019). Unutar svakog domena pristrasnosti, specifična pitanja za signalizaciju imaju za cilj da izvuku informacije relevantne za procenu rizika od pristrasnosti[2]. Alat uključuje algoritme koji mapiraju odgovore na ova pitanja signalizacije na predloženu procenu rizika od pristrasnosti za svaki domen. Moguće procene rizika od pristrasnosti su (1) nizak rizik od pristrasnosti, (2) neke zabrinutosti i (3) visok rizik od pristrasnosti. Alat je prikazan kao „semafor" prikaz. Alat za procenu rizika od pristrasnosti u nerandomizovanim studijama intervencija (ROBINS-I) navodi sedam domena potencijalnog nastanka pristrasnosti (vidi tabelu 3): dva u fazi „pre intervencije", jedan u fazi „tokom intervencije" i četiri u fazi „posle intervencije".
5. Analiza podataka i izveštavanje: Dok kombinovanje podataka iz pojedinačnih studija povećava veličinu uzorka i statističku snagu, ključno je istražiti prisustvo statističke heterogenosti. Ova neujednačenost u efektu tretmana među uključenim studijama može biti obmanjujuća i smanjiti poverenje u zaključke. Kvantifikacija statističke heterogenosti obično se zasniva na specifičnim statističkim testovima (Higinsov-I, Kohranov Q-test). Autori meta-analiza moraju istražiti prisustvo statističke heterogenosti adekvatnim osmišljavanjem i izvođenjem podgrupnih i osetljivih analiza zasnovanih na a priori hipotezama na početku studijskog protokola. Takve hipoteze uključuju istraživanje rezultata objedinjene analize u potencijalno homogenijim podskupovima podataka (podgrupe) zasnovanim na, na primer, kliničkim karakteristikama uzoraka, metodološkim pitanjima, nacrtu studije i geografskoj lokaciji studija. Koriste se dva različita statistička modela za dobijanje kombinovanih procena efekta. Izbor odgovarajućeg statističkog modela za objedinjavanje podataka zavisi od prisustva heterogenosti između studija. Međutim, nisu definisane jasne granične vrednosti stepena heterogenosti koje bi diktirale izbor jednog modela u odnosu na drugi. S druge strane, statistički testovi za heterogenost često nemaju dovoljno snage za otkrivanje značajne heterogenosti:

Model fiksnih efekata pretpostavlja jednu pravu veličinu efekta u svim studijama, predstavljenu objedinjnom procenom efekta. Ovaj model se obično koristi kada nema heterogenosti u meta-analizi i kada postoji mnogo studija sa velikim uzorcima. U takvim slučajevima, postoji poverenje da je test za heterogenost dovoljno snažan da otkrije značajne razlike. Rezultati dobijeni pomoću ovog modela imaju tendenciju ka užim intervalima poverenja. Ako postoji zabrinutost u pogledu heterogenosti, model slučajnih efekata (DerSimonian & Kacker, 2007) se smatra boljim izborom. On proizvodi šire intervale poverenja oko tačnih procena i opreznija je opcija za analizu. U medicinskom polju, gde se očekuje da prava veličina efekta varira među različitim populacijama, korišćenje modela slučajnih efekata je češće prikladno. Korišćenje modela fiksnih efekata je razumno u meta-analizama koje uključuju dovoljan broj studija sa adekvatnim uzorcima i gde statistička heterogenost još nije otkrivena. Na posletku, kvalitet sažetih dokaza dobijenih iz meta-analize treba oceniti koristeći transparentni okvir GRADE, AMSTAR ili PRISMA alata (vidi Sliku 4). Oni procenjuju poverenje u procenu efekta za svaki ishod od interesa. Nekorišćenje ovih alata u meta-analizama može dovesti do nedostatka transparentnosti i potencijalno do pogrešnih zaključaka.

Model slučajnih efekata pretpostavlja da se stvarna procena efekta razlikuje među originalnim studijama zbog razlika u njihovim kliničkim karakteristikama. Stoga kombinovana procena veličine efekta generisana na osnovu ovog modela predstavlja prosečnu procenu svih pojedinačnih procena studija.

Analiza ishoda meta-analize. Ključno je analizirati rezultate meta-analize, uzimajući u obzir njihovu značajnost. Statistički značajna varijansa nije značajna ako nema relevantnost. Pored toga, bilo koja razlika može postići statističku značajnost sa dovoljno velikom veličinom uzorka. Nasuprot tome, kada se izračuna ukupna procena efekta koja nije značajna, ključno je pažljivo proceniti da li ono što se smatra relevantnim spada unutar intervala poverenja ove procene.

Validacija rezultata je značajan korak. Centri za dokaze kao što je CEBM na Univerzitetu Oksford, renomirana institucija u ovoj oblasti, razvijaju važne alate za evaluaciju. Oni su ključni za uspostavljanje pouzdanosti, naučnog značaja i primenljivosti prikupljenih dokaza iz meta-analize. Sa pet ključnih pitanja, CEBM je pouzdana metoda za određivanje validnosti nalaza studije.

[1] https://methods.cochrane.org/bias/resources/rob-2-revised-cochrane-risk-bias-tool-randomized-trials

[2] Videti Tabelu 1, na linku: https://www.bmj.com/content/366/bmj.l4898.long