Le tecniche statistiche per le metanalisi

La metanalisi è una tecnica statistica che consente di combinare i risultati di diversi studi indipendenti su un determinato argomento, al fine di ottenere una stima complessiva più robusta e affidabile rispetto a quella che potrebbe essere ottenuta da singoli studi. Questa metodologia è ampiamente utilizzata in vari campi, tra cui la medicina, la psicologia e le scienze sociali. Tuttavia, l‘esecuzione di una metanalisi richiede un’accurata applicazione di tecniche statistiche specifiche, che devono essere utilizzate correttamente per garantire la validità dei risultati.

Selezione degli studi, raccolta dati e valutazione della qualità

Nella conduzione di una metanalisi, prima di applicare qualsiasi tecnica statistica, è fondamentale selezionare accuratamente gli studi da includere. La selezione si basa su criteri predefiniti, come la popolazione di studio, le caratteristiche degli interventi o delle esposizioni, gli esiti misurati e i disegni di studio accettati. Questo passaggio è fondamentale e necessita di un approccio trasparente e sistematico, che documenti i database consultati, i criteri di inclusione ed esclusione, le tecniche di sintesi dei dati e i metodi di valutazione.

In base ai criteri definiti, gli articoli vanno poi selezionati da almeno due valutatori indipendenti, dapprima sulla base di titolo e abstract, poi anche del full text. In caso di disaccordo, la pubblicazione dovrà essere inclusa o esclusa previo confronto e consenso comune.

Una volta selezionati gli studi, si procede alla raccolta dei dati pertinenti, che possono includere misure di effetto – come odds ratio (OR), differenze medie o hazard ratio, insieme ai rispettivi intervalli di confidenza e valori di p-value. È possibile, anzi probabile, che i dati di interesse consistano in misure di effetto diverse; in tal caso, è necessario standardizzare le misure prima del processo di analisi dati.

Valutare l’eterogeneità

L’eterogeneità tra gli studi è un aspetto cruciale nella metanalisi, potendo influenzare significativamente l’interpretazione dei risultati. Esistono diverse tecniche statistiche per valutare l’eterogeneità, tra cui il test Q di Cochran, l’indice I² e il Tau².

Il test Q di Cochran verifica se le variazioni osservate tra i risultati degli studi sono maggiori di quelle attese su base casuale. Un valore di probabilità (p–value) basso indica la presenza di eterogeneità significativa; tuttavia, questo test ha una bassa potenza quando si dispone di pochi studi.

L’indice I² quantifica la proporzione della variabilità totale tra gli studi che è attribuibile all’eterogeneità piuttosto che al caso. Valori di I² elevati indicano un’eterogeneità significativa, suggerendo che i risultati degli studi potrebbero non essere completamente comparabili.

Il Tau² indica la varianza tra gli studi, stimando l’eterogeneità assoluta tra essi. Un valore di Tau² elevato indica una maggiore eterogeneità, il che può influenzare la scelta del modello (effetti fissi vs effetti casuali – vedi paragrafo successivo) da utilizzare nella metanalisi.

Tecniche di Sintesi dei Dati

Una volta raccolti i dati dagli studi, il passo successivo è la sintesi delle informazioni. Esistono diverse tecniche per combinare i dati, ognuna con vantaggi e limiti.

• Modelli a effetti fissi: questa tecnica assume che tutti gli studi inclusi nella metanalisi siano stati condotti in modo simile e che eventuali differenze nei risultati tra gli studi siano dovute a errori casuali. La stima complessiva dell’effetto viene calcolata come media ponderata delle stime degli effetti di ogni studio, dove i pesi sono inversamente proporzionali alla varianza dei singoli studi. Questo metodo è appropriato quando non vi è eterogeneità tra gli studi.

• Modelli a effetti casuali: al contrario del modello a effetti fissi, questa tecnica assume che gli studi inclusi possano stimare effetti veri leggermente diversi l’uno dall’altro in relazione a differenze nelle popolazioni, nei contesti o nelle metodologie sperimentali. In questo caso, il modello tiene conto sia della varianza all’interno degli studi (errore casuale) sia della varianza tra gli studi (eterogeneità vera). La stima complessiva dell’effetto è una media ponderata che tiene conto di entrambe queste fonti di variazione, rendendo il modello più flessibile in presenza di eterogeneità.

Valutare le sorgenti di eterogeneità

Un ulteriore passaggio per verificare la robustezza dei risultati è analizzare quali siano le fonti che determinano elevata eterogeneità, se presente. A questo scopo, ripetere la metanalisi escludendo uno o più studi per valutare l’impatto di questi sulla stima complessiva dell’effetto permette di stimare la sensibilità dell’analisi e di identificare potenziali fonti di eterogeneità. Se i risultati cambiano significativamente, ciò può indicare che i risultati sono sensibili a studi specifici e ciò ne riduce l’affidabilità.

Le analisi dei sottogruppi rappresentano un approccio ulteriore; consistono nel dividere gli studi in base a caratteristiche specifiche, come l’età dei partecipanti, la durata dell’intervento o il disegno dello studio, per valutare se l’effetto complessivo differisce tra i gruppi. Ciò può aiutare a identificare fattori che influenzano l’effetto e a fornire un’interpretazione più dettagliata dei risultati.

Tecniche per la verifica di bias

Un altro aspetto importante nella metanalisi è la valutazione del rischio di bias di cui possono essere affetti gli studi selezionati, cosa che può influenzare i risultati finali. Due delle tecniche più comuni per valutare il rischio di bias sono i funnel plot e il test di Egger, che vengono usati in associazione.

Il funnel plot è un grafico a imbuto che rappresenta le stime degli effetti degli studi rispetto alla loro precisione (ad esempio, la dimensione del campione). In assenza di bias, i punti dovrebbero distribuirsi simmetricamente intorno all’effetto medio. Un funnel plot asimmetrico può indicare la presenza di bias. Il test di Egger verifica l’asimmetria del funnel plot, fornendo un’evidenza quantitativa circa la presenza di bias: un risultato significativo suggerisce la presenza di bias.

Le metanalisi rappresentano strumenti potenti per sintetizzare le evidenze scientifiche, ma la loro applicazione richiede una profonda comprensione delle metodologie statistiche e dei limiti ad esse associati. Oltre a una domanda scientifica chiara e a una ricerca bibliografica comprensiva e sistematica, la scelta del modello di analisi, la valutazione sia dell’eterogeneità che del rischio di bias e l’esecuzione di analisi di sensibilità e di sottogruppo sono tutti passaggi critici per garantire la validità e l’affidabilità dei risultati e della loro interpretazione. Con un’applicazione attenta e rigorosa di queste tecniche, la metanalisi può fornire risposte chiare e convincenti a domande scientifiche complesse, contribuendo al progresso della conoscenza in molti campi disciplinari.

Per approfondire:

• Hansen, Christopher, Holger Steinmetz, and Jörn Block. “How to conduct a meta-analysis in eight steps: a practical guide.” Management Review Quarterly (2022): 1-19.
• Tawfik, Gehad Mohamed, et al. “A step by step guide for conducting a systematic review and meta-analysis with simulation data.” Tropical medicine and health 47 (2019): 1-9.
• Wang, Xiao‐Meng, et al. “A brief introduction of meta‐analyses in clinical practice and research.” The Journal of Gene Medicine 23.5 (2021): e3312.