[EBM]隨機效應模式的判讀 (Interpretation of Random Effect Model in Meta-analysis)...

右邊那張圖幾乎是每個 綜合分析 (或稱 後設分析 meta-analysis ) 都會看到的 森林圖 (Forest plot) ... 有什麼不一樣嗎? 有的,看下去就知道哪裡了... 一般而言,我們常看到的統計分析模式是 隨機效應 (random-effect) 與 ...

右邊那張圖幾乎是每個綜合分析 (或稱後設分析 meta-analysis) 都會看到的森林圖 (Forest plot)...

有什麼不一樣嗎? 有的,看下去就知道哪裡了...

一般而言,我們常看到的統計分析模式是隨機效應 (random-effect)固定效應 (fixed-effect) 模式...

這兩個模式顧名思義,假設不同,隨機效應的假設是我們正在觀察的治療效果是一個變動值,會因為各研究設計,取樣,介入的不同而有差異...

因此,即使每個研究的樣本數目都是無限大 (當然不可能),各研究估計值仍然會不同 (所以才叫隨機效應)...

相對的,固定效應的假設就與隨機效應模式相反...

根據發表在BMJ上的一篇文獻指出,作者們找了44篇以隨機效應模式進行的考科藍 (Cochrane) 系統性綜論,發現這44篇都把隨機分派效應分析出來的結過視為一個共通效應 (common effect) 而非平均效應 (average effect)...

另外一個常發現的問題是,雖然使用的是固定效應模式 (代表估計的是一個共通值),但異質性 (heterogeneity) 分析卻發現研究之間異質性很高 (31篇考科藍系統性綜論中有26篇有中度到嚴重的異質性)...

研究間有顯著異值性仍然選擇固定模式效應會導致過度準確的估計值 (因為95%信賴區間會更窄)...

有專家學者提出預測區間 (prediction interval) 的概念,因為隨機效應模式中估計的是一個變動值,當然一定會有區間...

附註: 信賴區間 (confidence interval) 是這個估計值的誤差範圍,預測區間 (prediction interval) 描述的是這些研究結果的效果範圍,看的是不一樣的東西喔!!

舉例來說,以上面的圖表數據,12項研究綜合起來的結果是:

- OR 1.36 (95% CI 1.08-1.71)
- 95% PI 0.70-2.64 (I2 = 51.2%; P = 0.021)

很顯然的,研究之間有顯著的異質性 (看I2與P值),因此使用隨機模式效應,估計值為1.36,此時,大家都會這樣解釋:

"研究結果達統計上顯著差異,但研究之間有顯著異質性,在臨床應用上應該小心"

利用預測區間,我們可以這樣說:

"這項綜合分析的預測區間介於0.70-2.64,代表根據這些研究結果,這項介入看起來是有效的,但研究結果並不一致"

綜合分析中,研究之間的異質性是很常見的,但選用正確假設的統計模式,更重要的,正確地闡釋與判斷,遠遠比那個數字來得重要喔! 所以並不是CASP評讀工具勾完就一切搞定囉!!

附註: 上面那張圖不同的地方就在於綜合估計值除了有95% CI之外,他還跑出了一條95% PI

Adapted from BMJ. 2011; 342: d549.


You Might Also Like

0 comments