Colocado el 29 de noviembre de 2018 por Maximilian Siebert
La heterogeneidad no es algo a lo que haya que temer, solo significa que hay variabilidad en tus datos. Así, si uno reúne diferentes estudios para analizarlos o hacer un meta-análisis, está claro que se encontrarán diferencias. Lo contrario de la heterogeneidad es la homogeneidad que significa que todos los estudios muestran el mismo efecto.
Es importante tener en cuenta que hay diferentes tipos de heterogeneidad:
- Clínica: Diferencias en los participantes, intervenciones o resultados
- Metodológica: Diferencias en el diseño del estudio, riesgo de sesgo
- Estadística: Variación en los efectos o resultados de la intervención
Estamos interesados en estas diferencias porque pueden indicar que nuestra intervención puede no estar funcionando de la misma manera cada vez que se utiliza. Al investigar estas diferencias, se puede llegar a una comprensión mucho mayor de los factores que influyen en la intervención, y qué resultado se puede esperar la próxima vez que se implemente la intervención.
Aunque la heterogeneidad clínica y metodológica son importantes, este blog se centrará en la heterogeneidad estadística.
Cómo identificar y medir la heterogeneidad
Prueba del globo ocular
En su diagrama de bosque, eche un vistazo a los intervalos de confianza superpuestos, en lugar de en qué lado están sus estimaciones del efecto. El hecho de que los resultados estén a ambos lados de la línea de no efecto puede no afectar a su evaluación de si hay heterogeneidad, pero puede influir en su evaluación de si la heterogeneidad es importante.
Con esto en mente, eche un vistazo al gráfico de abajo y decida qué parcela es más homogénea.
Desde luego, la más homogénea es la parcela número 1 . Los intervalos de confianza se solapan todos y además todos los estudios favorecen la intervención de control.
Para los que les encanta medir las cosas en lugar de mirarlas a ojo, no se preocupen, todavía hay algunos métodos estadísticos que les ayudan a captar el concepto de heterogeneidad.
Prueba de Chi-cuadrado (χ²)
Esta prueba asume la hipótesis nula de que todos los estudios son homogéneos, o que cada estudio está midiendo un efecto idéntico, y nos da un valor p para probar esta hipótesis. Si el valor p de la prueba es bajo, podemos rechazar la hipótesis y la heterogeneidad está presente.
Debido a que la prueba a menudo no es lo suficientemente sensible y la exclusión errónea de la heterogeneidad se produce rápidamente, muchos científicos utilizan un valor p de < 0,1 en lugar de < 0,05 como punto de corte.
I²
Esta prueba fue desarrollada por el profesor Julian Higgins y tiene una teoría para medir el grado de heterogeneidad en lugar de afirmar si está presente o no.
Los umbrales para la interpretación de I² pueden ser engañosos, ya que la importancia de la inconsistencia depende de varios factores. Una guía aproximada de interpretación es la siguiente:
- 0% a 40%: podría no ser importante
- 30% a 60%: heterogeneidad moderada
- 50% a 90%: heterogeneidad sustancial
- 75% a 100%: heterogeneidad considerable
Para entender la teoría anterior eche un vistazo al siguiente ejemplo.
Podemos ver que el valor p de la prueba de chi-cuadrado es 0,11, lo que confirma la hipótesis nula y, por tanto, sugiere homogeneidad. Sin embargo, al observar las intervenciones ya podemos ver cierta heterogeneidad en los resultados. Además, el valor I² es del 51%, lo que sugiere una heterogeneidad entre moderada y sustancial.
Este es un buen ejemplo de cómo la prueba χ² puede ser engañosa cuando sólo hay unos pocos estudios en el metanálisis.
¿Cómo tratar la heterogeneidad?
Una vez que se ha detectado la variabilidad en los resultados hay que tratarla. Aquí hay algunos pasos sobre cómo puede tratar este tema:
- Revise sus datos en busca de errores – Vuelva atrás y vea si tal vez escribió algo mal
- No haga un meta-análisis si la heterogeneidad es demasiado alta – No todas las revisiones sistemáticas necesitan un meta-análisis
- Explore la heterogeneidad – Esto puede hacerse mediante un análisis de subgrupos o una meta-regresión
- Realizar un meta-análisis de efectos aleatorios – Tenga en cuenta que este enfoque es para la heterogeneidad que no se puede explicar porque se debe al azar
- Cambiar las medidas de efecto – Digamos que usted utiliza la Diferencia de Riesgo y tiene una alta heterogeneidad, entonces pruebe con Risk Ratio u Odds Ratio
(1) Fletcher, J. ¿Qué es la heterogeneidad y es importante? BMJ 2007; 334 :94
(2) Deeks JJ, Higgins JPT, Altman DG (editores). Capítulo 9: Análisis de datos y realización de meta-análisis. En: Higgins JPT, Green S (editores). Manual Cochrane para revisiones sistemáticas de intervenciones Versión 5.1.0 . The Cochrane Collaboration, 2011. Disponible en www.cochrane-handbook.org.
(3) https://www.mathsisfun.com/data/chi-square-test.html