Posted on 29th November 2018 by Maximilian Siebert
L’eterogeneità non è qualcosa di cui aver paura, significa solo che c’è variabilità nei tuoi dati. Quindi, se si mettono insieme diversi studi per analizzarli o fare una meta-analisi, è chiaro che si troveranno delle differenze. L’opposto dell’eterogeneità è l’omogeneità che significa che tutti gli studi mostrano lo stesso effetto.
È importante notare che ci sono diversi tipi di eterogeneità:
- Clinica: Differenze nei partecipanti, negli interventi o nei risultati
- Metodologici: Differenze nel disegno dello studio, rischio di distorsione
- Statistico: Variazione negli effetti dell’intervento o nei risultati
Siamo interessati a queste differenze perché possono indicare che il nostro intervento potrebbe non funzionare allo stesso modo ogni volta che viene usato. Indagando queste differenze, si può raggiungere una comprensione molto maggiore di quali fattori influenzano l’intervento, e quale risultato ci si può aspettare la prossima volta che l’intervento viene implementato.
Anche se l’eterogeneità clinica e metodologica sono importanti, questo blog si concentrerà sull’eterogeneità statistica.
Come identificare e misurare l’eterogeneità
Eyeball test
Nel tuo forest plot, dai uno sguardo agli intervalli di confidenza sovrapposti, piuttosto che su quale lato sono le tue stime di effetto. Il fatto che i risultati siano su entrambi i lati della linea di nessun effetto può non influenzare la tua valutazione sulla presenza o meno di eterogeneità, ma può influenzare la tua valutazione sulla rilevanza dell’eterogeneità.
Con questo in mente, dai un’occhiata al grafico qui sotto e decidi quale grafico è più omogeneo.
Ovviamente, quello più omogeneo è il grafico numero 1 . Gli intervalli di confidenza sono tutti sovrapposti e, inoltre, tutti gli studi favoriscono l’intervento di controllo.
Per le persone che amano misurare le cose invece di limitarsi a guardarle a occhio, non preoccupatevi, ci sono ancora alcuni metodi statistici che vi aiutano a cogliere il concetto di eterogeneità.
Test del chi-quadrato (χ²)
Questo test presuppone l’ipotesi nulla che tutti gli studi siano omogenei, o che ogni studio misuri un effetto identico, e ci dà un p-value per verificare questa ipotesi. Se il p-value del test è basso possiamo rifiutare l’ipotesi e l’eterogeneità è presente.
Perché il test spesso non è abbastanza sensibile e l’esclusione errata dell’eterogeneità avviene rapidamente, molti scienziati usano un p-value di < 0,1 invece di < 0,05 come cut-off.
I²
Questo test è stato sviluppato dal professor Julian Higgins e ha una teoria per misurare l’estensione dell’eterogeneità piuttosto che dichiarare se è presente o meno.
Le soglie per l’interpretazione di I² possono essere fuorvianti, poiché l’importanza dell’incoerenza dipende da diversi fattori. Una guida approssimativa per l’interpretazione è la seguente:
- 0% al 40%: potrebbe non essere importante
- 30% al 60%: moderata eterogeneità
- 50% al 90%: sostanziale eterogeneità
- 75% al 100%: notevole eterogeneità
Per capire la teoria di cui sopra, date un’occhiata al seguente esempio.
Possiamo vedere che il p-value del test del chi-quadrato è 0,11, confermando l’ipotesi nulla e suggerendo quindi l’omogeneità. Tuttavia, guardando gli interventi possiamo già vedere una certa eterogeneità nei risultati. Inoltre, il valore I² è del 51% e suggerisce un’eterogeneità da moderata a sostanziale.
Questo è un buon esempio di come il test del χ² può essere fuorviante quando ci sono solo pochi studi nella meta-analisi.
Come affrontare l’eterogeneità?
Una volta che avete rilevato la variabilità nei vostri risultati, dovete affrontarla. Ecco alcuni passi su come potete trattare questo problema:
- Controlla i tuoi dati per eventuali errori – Torna indietro e vedi se magari hai scritto qualcosa di sbagliato
- Non fare una meta-analisi se l’eterogeneità è troppo alta – Non tutte le revisioni sistematiche hanno bisogno di una meta-analisi
- Esplora l’eterogeneità – Questo può essere fatto con l’analisi dei sottogruppi o la meta-regressione
- Eseguire una meta-analisi ad effetti casuali – Tenere presente che questo approccio è per l’eterogeneità che non può essere spiegata perché è dovuta al caso
- Cambiare le misure di effetto – Diciamo che si usa la differenza di rischio e si ha un’alta eterogeneità, allora provate il rapporto di rischio o l’Odds Ratio
(1) Fletcher, J. Cos’è l’eterogeneità ed è importante? BMJ 2007; 334 :94
(2) Deeks JJ, Higgins JPT, Altman DG (editors). Capitolo 9: Analisi dei dati e meta-analisi. In: Higgins JPT, Green S (editors). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0 . The Cochrane Collaboration, 2011. Disponibile da www.cochrane-handbook.org.
(3) https://www.mathsisfun.com/data/chi-square-test.html