1.2. Berücksichtigung und Untersuchung von Heterogenität in Meta-Analyse
1.2.5. Untersuchung von Heterogenität in Meta-Analyse
1.2.5.1. Ansätze im Überblick
Es bestehen mehrere Ansätze zur Analyse von Heterogenität in MAs. Jeder Ansatz weist Vorteile und Nachteile auf, die in Betracht gezogen werden sollen. Ein Überblick über die Ansätze wird in Tab. 5 dargestellt. Da Subgruppen-Analyse und Meta-Regression als die am meisten verwendeten Ansätze in MAs gelten, wird in den nächsten Abschnitten auf sie näher eingegangen. Abschließend werden gebräuchliche, graphische Darstellungen und Methoden zur Verringerung von Heterogenität in MA kurz beschrieben.
Tab. 5 Ansätze zur Analyse von Heterogenität in Meta-Analyse von RCTs
Ansatz Beschreibung Nachteile Vorteile
Schwellenwert-Analyse Ausschluss von Primärstudien, die eine Ausprägung bestimmter Kovariablen (Ausschlussprägung) aufweisen.
(i) Informationsverlust durch ausgeschlossene Primärstudien
(ii) Schwierige Implementierung bei kleiner Zahl von Primärstudien
(iii) Die Bestimmung der Kovariablen und/ oder deren Ausschlussprägung kann arbiträr, Primärstudien-geleitet, a priori unbegründet oder subjektiv sein.
(iv) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Ausschlussprägung erschweren.
(i) Lediglich Primärstudien mit vordefinierter, Evidenz-basierter, und/ oder „plausibler“ Kovariable und deren Ausschlussprägung (z.B. Primärstudien „minimaler“
Qualität) können in die MA eingeschlossen werden.
(ii) Die statistische Formalisierung der Auswahl des Schwellenwerts (z.B. Mittelwert plus eine
Standardabweichung, Median oder Interquartil-Bereich) ist möglich.
Sensitivitäts-Analyse Durchführung zweier MAs vor und nach dem Ausschluss von Primärstudien mit der Ausprägung bestimmter Kovariablen (Ausschlussprägung).
(i) Informationsverlust durch ausgeschlossene Primärstudien
(ii) Schwierige Implementierung bei kleiner Zahl von Primärstudien
(iii) Die Bestimmung der Kovariablen und/ oder deren Ausschlussprägung kann arbiträr, Primärstudien-geleitet, a priori unbegründet oder subjektiv sein.
(iv) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Ausschlussprägung erschweren.
(i) Lediglich Primärstudien mit vordefinierter, Evidenz-basierter, und/ oder „plausibler“ Kovariable und deren Ausschlussprägung (z.B. Primärstudien „bester“
Qualität) können in eine der beiden MAs eingeschlossen werden.
(ii) Die statistische Formalisierung der Auswahl des Schwellenwerts (z.B. Mittelwert plus eine
Standardabweichung, Median oder Interquartil-Bereich) ist möglich.
(ii) Gesamt- und Teilmenge von Primärstudien werden in zwei MAs einbezogen und verglichen (d.h. weniger Verlust an Primärstudien).
Ansatz Beschreibung Nachteile Vorteile Graphische Darstellung Darstellung zweier oder mehrerer MAs
von Primärstudien einschließlich der Punktschätzer und der Konfidenz-Intervalle (Y-Achse) gegenüber den Ausprägungen bestimmter Kovariablen (X-Achse).
Darstellung von Primärstudien, einschließlich der Punktschätzer und der Konfidenz-Intervalle (Y-Achse), gegenüber den Ausprägungen bestimmter Kovariablen (X-Achse).
(i) Visuelle Verzerrungen können auftreten.
(ii) Die Subjektivität bei der Interpretation kann hoch sein.
(iii) Die Bestimmung der Kovariablen und/ oder deren Strata kann arbiträr, primärstudiengeleitet, a priori unbegründet oder subjektiv sein.
(iv) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Strata erschweren.
(i) Die Visualisierung der Heterogenität ist möglich.
(ii) Die Exploration der Heterogenität ist möglich.
Kumulative
Meta-Analyse Sequenzielles, meta-analytisches Kombinieren von Primärstudien nach Anzahl der Ausprägungen bestimmter Kovariablen (Strata).
(i) Die Bestimmung der Kovariablen und/ oder deren Strata kann arbiträr, Primärstudien-geleitet, a priori unbegründet oder subjektiv sein.
(ii) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Strata erschweren.
(i) Die univariate Analyse der Evolution der zusammengefassten Effektgröße bezüglich einer Kovariablen ist möglich.
(ii) Trotz der multiplen MAs besteht keine Multiplizitäts-Problematik.
(iii) Die Exploration der Heterogenität ist möglich.
Gewichtung Gewichtung der Primärstudien mit dem Produkt der Präzision der Primärstudie und der Ausprägung bestimmter Kovariablen
(i) Die statistische Rechtfertigung ist mangelhaft.
(ii) Die Bestimmung der Kovariablen und/ oder deren Ausprägungen kann arbiträr, primärstudiengeleitet, a priori unbegründet oder subjektiv sein.
(i) Eine Qualitäts-Komponente oder ein Qualitäts-Score kann zur Gewichtung beitragen.
(ii) Die Berücksichtigung mehrerer
Heterogenitätsquellen bei der Synthese (z.B.Präzsion und methodische Qualität) ist möglich.
Ansatz Beschreibung Nachteile Vorteile Bayesianische
Hierarchische Modellierung
Modellierung der a priori-Verteilungen über der Ausprägung bestimmter Kovariablen mit der primärstudien-internen Ausprägung der Kovariablen.
(i) Experten-basierte a priori-Verteilungen über der Ausprägung bestimmter Kovariablen sind subjektiv.
(ii) Die Elizitation der a priori-Verteilungen von Experten ist schwer.
(i) Die Subjektivität kann transparent modelliert werden.
(ii) Unsicherheiten sind für alle Parameter modellierbar.
(iii) Die Empirie-basierte a priori-Verteilung ist eher objektiv.
(iv) Sensitivitäts-Analysen bei variablen a priori-Verteilungen sind zur Robustheitsprüfung möglich.
Subgruppen-Analyse Durchführung zweier oder mehrer MAs von Primärstudien je nach Anzahl der Ausprägungen bestimmter Kovariablen (Strata) und statistischer Vergleich der MAs.
(i) Falsch-negative Ergebnisse infolge niedriger Power des statistischen Vergleichs sind bei starker
Heterogenität und/ oder bei kleiner Zahl von Primärstudien mit lediglich aggregierten Patientendaten wahrscheinlich.
(ii) Falsch-positive Ergebnisse infolge statistischer Vergleiche bei multiplen Subgruppen-Analysen und/
oder bei durch Transformation multi-skalierten Effektgrößen sind wahrscheinlich (ausgeprägte Multiplizitäts-Problematik).
(iii) Die Bestimmung der Kovariablen und/ oder deren Strata kann arbiträr, Primärstudien-geleitet, a priori unbegründet oder subjektiv sein.
(iv) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Strata erschweren.
(i) Die Formalisierung des statistischen Vergleichs der Primärstudien mittels Testen und Schätzen ist möglich.
(ii) Das Aufweisen hoher statistischer Power bei einer großen Zahl von Primärstudien und/ oder verfügbaren individuellen Patientendaten ist möglich.
(iii) Die Substratifizierung bei einer großen Zahl von Primärstudien und/ oder von verfügbaren individuellen Patientendaten ist möglich.
Ansatz Beschreibung Nachteile Vorteile Meta-Regression Durchführung uni- und multivariater
Regressionen von Primärstudien
(i) Falsch-negative Ergebnisse infolge niedriger Power des statistischen Vergleichs sind bei starker
Heterogenität und/ oder bei kleiner Zahl von Primärstudien mit lediglich aggregierten Patientendaten wahrscheinlich.
(ii) Die Bestimmung der Kovariablen und/ oder deren Ausprägungen kann arbiträr, primärstudiengeleitet, a priori unbegründet oder subjektiv sein.
(iii) Die Kategorisierung nicht binärer Kovariablen kann die Auswahl der Ausprägungen erschweren.
(i) Die Formalisierung des statistischen Vergleichs der Primärstudien mittels Testen und Schätzen ist möglich.
(ii) Die Berechnung der für eine oder mehrere Kovariablen adjustierten Effektgröße ist möglich.
(iii) Uni- und multivariate Analysen, einschließlich der Wechselwirkung zwischen Kovariablen, bei großer Zahl von Primärstudien und/ oder verfügbaren individuellen Patientendaten sind möglich.
(v) Falsch-positive Ergebnisse infolge statistischer Vergleiche mittels multivariaten Analysen sind weniger wahrscheinlich als bei multiplen Subgruppen-Analysen.