stringtranslate.com

Мета-анализ

Метаанализ – высшая форма познания в науке.
Графическое резюме метаанализа более 1000 случаев диффузной внутренней глиомы моста и других педиатрических глиом, в котором информация о вовлеченных мутациях , а также об общих результатах была получена из основной первичной литературы .

Метаанализ — это статистическое объединение результатов нескольких исследований, посвященных одному и тому же исследовательскому вопросу. Важная часть этого метода включает вычисление размера эффекта по всем исследованиям, что включает в себя извлечение размеров эффекта и показателей дисперсии из различных исследований. Мета-анализ является неотъемлемой частью поддержки заявок на гранты на исследования, формирования руководств по лечению и влияния на политику здравоохранения. Они также играют решающую роль в обобщении существующих исследований для направления будущих исследований, тем самым укрепляя свою роль фундаментальной методологии в метанауке . Мета-анализ часто, но не всегда, является важным компонентом процедуры систематического обзора . Например, может быть проведен метаанализ нескольких клинических испытаний медицинского лечения, чтобы лучше понять, насколько хорошо работает лечение.

История

Термин «метаанализ» был придуман в 1976 году статистиком Джином Глассом [1] [2] , который заявил : «Метаанализ относится к анализу анализов» . [3] Работа Гласса направлена ​​на описание совокупных показателей отношений и эффектов. [4] Хотя Глассу приписывают авторство первого современного метаанализа, статья, опубликованная в 1904 году статистиком Карлом Пирсоном в Британском медицинском журнале [5] , сопоставила данные нескольких исследований по прививке от брюшного тифа и рассматривается как первый мета-анализ. -аналитический подход использовался для агрегирования результатов многочисленных клинических исследований. [6] [7] Можно найти множество других примеров раннего метаанализа, включая тестирование профессиональных способностей, [8] [9] и сельское хозяйство. [10]

Первый модельный метаанализ эффективности результатов психотерапии был опубликован в 1978 году Мэри Ли Смит и Джином Глассом . [2] [11] После публикации их статьи возникла критика полезности и обоснованности метаанализа как инструмента синтеза доказательств. Первым примером этого был Хан Айзенк , который в статье 1978 года в ответ на работу Мэри Ли Смит и Джина Гласса назвал метаанализ «упражнением в мегаглупости». [12] [13] Позже Айзенк будет называть метаанализ «статистической алхимией» [14] Несмотря на эту критику, использование метаанализа только выросло с момента его современного внедрения. К 1991 г. было опубликовано 334 метаанализа; [13] к 2014 году это число выросло до 9 135. [1] [15]

Область метаанализа значительно расширилась с 1970-х годов и затрагивает множество дисциплин, включая психологию, медицину и экологию. [1] Кроме того, недавнее создание сообществ по синтезу фактических данных привело к усилению перекрестного опыления идеями, методами и созданию программных инструментов в разных дисциплинах. [16] [17] [18]

Шаги метаанализа

Метаанализу обычно предшествует систематический обзор, поскольку он позволяет выявить и критически оценить все соответствующие доказательства (тем самым ограничивая риск систематической ошибки в сводных оценках). Общие шаги тогда следующие: [19]

  1. Формулировка вопроса исследования, например, с использованием модели PICO (население, вмешательство, сравнение, результат).
  2. Поиск литературы
  3. Отбор исследований («критерии включения»)
    • На основе критериев качества, например, требования рандомизации и слепого проведения клинического исследования.
    • Выбор конкретных исследований по четко определенной теме, например, лечению рака молочной железы.
    • Решите, включены ли неопубликованные исследования, чтобы избежать предвзятости публикации (проблема с ящиком для файлов)
  4. Решите, какие зависимые переменные или сводные показатели разрешены. Например, при рассмотрении метаанализа опубликованных (агрегированных) данных:
    • Различия (дискретные данные)
    • Средства (непрерывные данные)
  5. Выбор модели метаанализа, например, метаанализ с фиксированным эффектом или случайным эффектом.
  6. Изучите источники неоднородности между исследованиями , например, используя анализ подгрупп или мета-регрессию .

Официальное руководство по проведению и составлению отчетов о метаанализе содержится в Кокрейновском справочнике.

Рекомендации по составлению отчетов см. в заявлении «Предпочтительные элементы отчетности для систематических обзоров и метаанализов» (PRISMA). [20]

Поиск литературы

Одним из наиболее важных этапов метаанализа является сбор данных. Для эффективного поиска в базе данных необходимо определить соответствующие ключевые слова и ограничения поиска. [21] Использование логических операторов и ограничений поиска может помочь в поиске литературы. [22] [23] Доступен ряд баз данных (например, PubMed, Embase, PsychInfo), однако исследователь должен выбрать наиболее подходящие источники для своей области исследования. [24] Действительно, многие ученые используют повторяющиеся поисковые запросы в двух или более базах данных, чтобы охватить несколько источников. В списках подходящих исследований также можно осуществлять поиск подходящих исследований (т. е. методом снежного кома). Первоначальный поиск может вернуть большой объем исследований. Довольно часто аннотация или название рукописи указывают на то, что исследование не может быть включено в исследование на основании заранее определенных критериев. Эти исследования можно отменить. Однако, если окажется, что исследование может быть приемлемым (или даже если есть некоторые сомнения), полную версию статьи можно сохранить для более тщательного изучения. В списках ссылок на подходящие статьи также можно осуществлять поиск любых соответствующих статей. Результаты поиска необходимо детализировать в блок-схеме PRIMSA [25] , в которой подробно описывается поток информации на всех этапах проверки. Таким образом, важно отметить, сколько исследований было возвращено после использования указанных поисковых запросов и сколько из этих исследований было отклонено и по какой причине. [24] Условия и стратегия поиска должны быть достаточно конкретными, чтобы читатель мог воспроизвести поиск. Также следует указать диапазон дат исследований, а также дату (или период дат), когда был проведен поиск. [26]

Форма сбора данных предоставляет стандартизированные средства сбора данных из подходящих исследований. Для метаанализа корреляционных данных информация о величине эффекта обычно собирается в виде r- статистики Пирсона. В исследованиях часто сообщается о частичных корреляциях, однако они могут раздувать отношения по сравнению с корреляциями нулевого порядка. [27] Более того, частичные переменные, вероятно, будут варьироваться от исследования к исследованию. Как следствие, многие метаанализы исключают из своего анализа частичные корреляции. [24] В качестве последнего средства можно использовать цифровые преобразователи графиков для извлечения точек данных из диаграмм рассеяния (если таковые имеются) для расчета r Пирсона . [28] [29] Также следует собирать данные, отражающие важные характеристики исследования, которые могут смягчить эффекты, такие как средний возраст участников. [30] В эти формы также можно включить показатель качества исследования для оценки качества доказательств каждого исследования. [31] Существует более 80 инструментов для оценки качества и риска систематической ошибки в наблюдательных исследованиях, отражающих разнообразие исследовательских подходов в разных областях. [31] [32] [33] Эти инструменты обычно включают оценку того, как измерялись зависимые переменные, соответствующий отбор участников и соответствующий контроль за мешающими факторами. Другие показатели качества, которые могут быть более актуальными для корреляционных исследований, включают размер выборки, психометрические свойства и описание методов. [24]

Последнее соображение заключается в том, следует ли включать исследования из «серой» литературы, которая определяется как исследования, которые не были официально опубликованы. [34] К этому типу литературы относятся тезисы конференций, [35] диссертации, [36] и препринты. [37] Хотя включение «серой» литературы снижает риск предвзятости публикации, методологическое качество работы часто (но не всегда) ниже, чем официально опубликованной работы. [38] [39] Отчеты по материалам конференций, которые являются наиболее распространенным источником серой литературы, [40] представлены плохо [41] , а данные в последующих публикациях часто противоречивы, при этом различия наблюдаются почти в 20% опубликованных исследований. . [42]

Методы и предположения

Подходы

В целом при проведении метаанализа можно выделить два типа доказательств: данные отдельных участников (IPD) и совокупные данные (AD). Совокупные данные могут быть прямыми и косвенными.

AD более широко доступен (например, из литературы) и обычно представляет собой сводные оценки, такие как отношение шансов или относительные риски. Это можно напрямую синтезировать в концептуально схожих исследованиях, используя несколько подходов (см. ниже). С другой стороны, косвенные совокупные данные измеряют эффект двух методов лечения, каждый из которых сравнивался с аналогичной контрольной группой в метаанализе. Например, если лечение А и лечение Б напрямую сравнивались с плацебо в отдельных метаанализах, мы можем использовать эти два объединенных результата, чтобы получить оценку эффектов А и Б в непрямом сравнении как эффект А против плацебо минус эффект Б. против плацебо.

Доказательства ИПЗ представляют собой необработанные данные, собранные исследовательскими центрами. Это различие привело к необходимости использования различных метааналитических методов, когда требуется синтез доказательств, и привело к разработке одноэтапных и двухэтапных методов. [43] В одноэтапных методах ИПЗ всех исследований моделируются одновременно с учетом кластеризации участников внутри исследований. Двухэтапные методы сначала вычисляют сводную статистику по БА по каждому исследованию, а затем рассчитывают общую статистику как средневзвешенное значение статистики исследования. Сводя IPD к AD, при наличии IPD также можно применять двухэтапные методы; это делает их привлекательным выбором при проведении метаанализа. Хотя традиционно считается, что одноэтапные и двухэтапные методы дают схожие результаты, недавние исследования показали, что иногда они могут приводить к разным выводам. [44] [45]

Статистические модели для агрегированных данных

Прямые доказательства: модели, учитывающие только эффекты исследования

Модель с фиксированным эффектом

Модель с фиксированным эффектом обеспечивает средневзвешенное значение ряда оценок исследования. Обратная дисперсия оценок обычно используется в качестве веса исследования, так что более крупные исследования имеют тенденцию вносить больший вклад в средневзвешенное значение, чем более мелкие исследования. Следовательно, когда в рамках метаанализа преобладают очень крупные исследования, результаты более мелких исследований практически игнорируются. [46] Самое главное, модель с фиксированными эффектами предполагает, что все включенные исследования исследуют одну и ту же популяцию, используют одни и те же определения переменных и результатов и т. д. Это предположение обычно нереалистично, поскольку исследования часто подвержены нескольким источникам неоднородности . [47]

Модель случайных эффектов

Распространенной моделью, используемой для синтеза гетерогенных исследований, является модель случайных эффектов метаанализа. Это просто средневзвешенное значение величины эффекта группы исследований. Вес, который применяется в этом процессе взвешенного усреднения с помощью метаанализа случайных эффектов, достигается в два этапа: [48]

  1. Шаг 1. Взвешивание обратной дисперсии
  2. Шаг 2: Устранение взвешивания этого взвешивания обратной дисперсии путем применения компонента дисперсии случайных эффектов (REVC), который просто выводится из степени изменчивости размеров эффекта основных исследований.

Это означает, что чем больше эта изменчивость в размерах эффекта (также известная как гетерогенность ), тем больше невзвешивание, и это может достичь точки, когда результат метаанализа случайных эффектов становится просто невзвешенным средним размером эффекта по исследованиям. С другой стороны, когда все размеры эффекта одинаковы (или вариабельность не превышает ошибку выборки), REVC не применяется, и метаанализ случайных эффектов по умолчанию представляет собой просто метаанализ с фиксированным эффектом (только взвешивание обратной дисперсии).

Степень этого изменения зависит исключительно от двух факторов: [49]

  1. Неоднородность точности
  2. Неоднородность размера эффекта

Поскольку ни один из этих факторов автоматически не указывает на ошибочное более крупное исследование или на более надежные более мелкие исследования, перераспределение весов в рамках этой модели не будет иметь отношения к тому, что на самом деле могут предложить эти исследования. Действительно, было продемонстрировано, что перераспределение весов происходит просто в одном направлении от более крупных исследований к более мелким по мере увеличения гетерогенности до тех пор, пока в конечном итоге все исследования не станут равными по весу и перераспределение больше не станет возможным. [49] Другая проблема с моделью случайных эффектов заключается в том, что наиболее часто используемые доверительные интервалы обычно не сохраняют вероятность охвата выше указанного номинального уровня и, таким образом, существенно недооценивают статистическую ошибку и потенциально являются слишком самоуверенными в своих выводах. [50] [51] Было предложено несколько исправлений [52] [53] , но дебаты продолжаются. [51] [54] Еще одна проблема заключается в том, что средний эффект лечения иногда может быть даже менее консервативным по сравнению с моделью с фиксированным эффектом [55] и, следовательно, вводить в заблуждение на практике. Одним из предложенных интерпретационных решений является создание интервала прогнозирования вокруг оценки случайных эффектов, чтобы отразить диапазон возможных эффектов на практике. [56] Однако в основе расчета такого интервала прогнозирования лежит предположение о том, что исследования считаются более или менее однородными объектами и что включенные в них популяции пациентов и методы сравнения должны считаться взаимозаменяемыми [57] , что обычно недостижимо на практике.

Существует множество методов, используемых для оценки дисперсии между исследованиями, при этом оценка ограниченного максимального правдоподобия наименее подвержена систематической ошибке и является одной из наиболее часто используемых. [58] Существует несколько передовых итеративных методов расчета дисперсии между исследованиями, включая метод максимального правдоподобия и метод ограниченного максимального правдоподобия, а модели случайных эффектов, использующие эти методы, можно запускать на нескольких программных платформах, включая Excel, [ 59] Stata, [60] SPSS . , [61] и Р. [62]

Большинство метаанализов включают от 2 до 4 исследований, и такая выборка чаще всего недостаточна для точной оценки гетерогенности . Таким образом, оказывается, что в небольших метаанализах получается неверная оценка дисперсии между исследованиями, равная нулю, что приводит к ложному предположению об однородности. В целом, похоже, что гетерогенность постоянно недооценивается в метаанализах, а анализы чувствительности, в которых предполагается, что высокие уровни гетерогенности могут быть информативными. [63] Эти модели случайных эффектов и пакеты программного обеспечения, упомянутые выше, относятся к метаанализу совокупных исследований, и исследователям, желающим провести метаанализ индивидуальных данных пациентов (IPD), необходимо рассмотреть подходы к моделированию смешанных эффектов. [64]

IVhet модель

Дой и Барендрегт, работая в сотрудничестве с Ханом, Талибом и Уильямсом (из Университета Квинсленда, Университета Южного Квинсленда и Университета Кувейта), создали альтернативу модели случайных эффектов (RE), основанную на квазиправдоподобии обратной дисперсии (IVhet), для которой подробности доступны в Интернете. [59] Это было включено в MetaXL версии 2.0, [65] бесплатную надстройку Microsoft Excel для метаанализа, созданную Epigear International Pty Ltd и доступную 5 апреля 2014 года. Авторы заявляют, что явное преимущество этой модели заключается в том, что он решает две основные проблемы модели случайных эффектов. Первое преимущество модели IVhet заключается в том, что охват остается на номинальном уровне (обычно 95%) для доверительного интервала, в отличие от модели случайных эффектов, охват которой падает с увеличением неоднородности. [50] [51] Второе преимущество заключается в том, что модель IVhet поддерживает обратные веса дисперсии отдельных исследований, в отличие от модели RE, которая придает небольшим исследованиям больший вес (и, следовательно, более крупным исследованиям меньший) с увеличением гетерогенности. Когда неоднородность становится большой, веса отдельных исследований в рамках модели RE становятся равными, и, таким образом, модель RE возвращает среднее арифметическое, а не средневзвешенное значение. Этот побочный эффект модели RE не возникает в модели IVhet, которая, таким образом, отличается от оценки модели RE в двух аспектах : иметь доверительный интервал, который остается в пределах номинального охвата в условиях неопределенности (неоднородности). Дой и Барендрегт предполагают, что, хотя модель RE обеспечивает альтернативный метод объединения данных исследования, результаты их моделирования [66] демонстрируют, что использование более конкретной вероятностной модели с несостоятельными предположениями, как в случае с моделью RE, не обязательно дает лучшие результаты. В последнем исследовании также сообщается, что модель IVhet решает проблемы, связанные с недооценкой статистической ошибки, плохим охватом доверительного интервала и увеличением MSE, наблюдаемым с помощью модели случайных эффектов, и авторы приходят к выводу, что впредь исследователям следует отказаться от использования модели случайных эффектов. в метаанализе. Хотя их данные убедительны, их последствия (с точки зрения масштабов ложноположительных результатов в базе данных Кокрейна) огромны, и поэтому принятие этого вывода требует тщательного независимого подтверждения. Доступность бесплатного программного обеспечения (MetaXL) [65] , которое запускает модель IVhet (и все другие модели для сравнения), облегчает это исследовательскому сообществу.

Прямые доказательства: модели, включающие дополнительную информацию

Модель эффектов качества

Дой и Талиб изначально представили модель эффектов качества. [67] Они [68] представили новый подход к корректировке вариабельности между исследованиями путем включения вклада дисперсии из-за соответствующего компонента (качества) в дополнение к вкладу дисперсии из-за случайной ошибки, которая используется в любых фиксированных эффектах. модель метаанализа для расчета весов для каждого исследования. Сильная сторона метаанализа эффектов качества заключается в том, что он позволяет использовать доступные методологические данные вместо субъективных случайных эффектов и тем самым помогает закрыть разрушительный разрыв, образовавшийся между методологией и статистикой в ​​клинических исследованиях. Для этого вычисляется синтетическая дисперсия систематической ошибки на основе информации о качестве для корректировки весов обратной дисперсии и вводится скорректированный по качеству вес i- го исследования. [67] Эти скорректированные веса затем используются в метаанализе. Другими словами, если исследование i имеет хорошее качество, а другие исследования — низкого качества, часть их весовых коэффициентов с поправкой на качество математически перераспределяется в исследование i , придавая ему больший вес в отношении общего размера эффекта. Поскольку исследования становятся все более схожими по качеству, перераспределение становится все меньше и прекращается, когда все исследования имеют одинаковое качество (в случае одинакового качества модель эффектов качества по умолчанию использует модель IVhet – см. предыдущий раздел). Недавняя оценка модели эффектов качества (с некоторыми обновлениями) показывает, что, несмотря на субъективность оценки качества, производительность (среднеквадратическая ошибка и истинная дисперсия при моделировании) превосходит производительность, достижимую с помощью модели случайных эффектов. [69] [70] Таким образом, эта модель заменяет несостоятельные интерпретации, которыми изобилует литература, и доступно программное обеспечение для дальнейшего изучения этого метода. [65]

Косвенные доказательства: методы сетевого метаанализа

Сетевой метаанализ рассматривает косвенные сравнения. На изображении A было проанализировано по отношению к C, а C было проанализировано по отношению к b. Однако связь между A и B известна только косвенно, и сетевой метаанализ рассматривает такие косвенные доказательства различий между методами и вмешательствами с использованием статистического метода.

В методах метаанализа непрямых сравнений (также называемых сетевыми метаанализами, в частности, когда одновременно оцениваются несколько методов лечения) обычно используются две основные методологии. Во-первых, это метод Бухера [71] , который представляет собой однократное или повторное сравнение замкнутого цикла трех процедур, так что один из них является общим для двух исследований и образует узел, в котором цикл начинается и заканчивается. Следовательно, для сравнения нескольких курсов лечения необходимы множественные сравнения два на два (циклы из трех процедур). Эта методология требует, чтобы в исследованиях с более чем двумя группами выбирались только две группы, поскольку требуются независимые парные сравнения. Альтернативная методология использует сложное статистическое моделирование для одновременного включения нескольких групповых исследований и сравнений между всеми конкурирующими методами лечения. Они были выполнены с использованием байесовских методов, смешанных линейных моделей и подходов метарегрессии. [ нужна цитата ]

Байесовский подход

Определение модели метаанализа байесовской сети включает в себя написание модели направленного ациклического графа (DAG) для программного обеспечения общего назначения для цепей Маркова Монте-Карло (MCMC), такого как WinBUGS. [72] Кроме того, для ряда параметров необходимо указать априорные распределения, а данные должны быть предоставлены в определенном формате. [72] Вместе DAG, априорные данные и данные образуют байесовскую иерархическую модель. Ситуация еще больше усложняется тем, что из-за характера оценки MCMC необходимо выбирать сверхдисперсные начальные значения для ряда независимых цепочек, чтобы можно было оценить сходимость. [73] Недавно было разработано несколько пакетов программного обеспечения R для упрощения подбора модели (например, MetaBMA [74] и RoBMA [75] ) и даже реализовано в статистическом программном обеспечении с графическим пользовательским интерфейсом ( GUI ): JASP . Хотя сложность байесовского подхода ограничивает использование этой методологии, в недавних учебных пособиях делается попытка повысить доступность методов. [76] [77] Была предложена методология автоматизации этого метода [72] , но она требует наличия данных о результатах на уровне группы, а это обычно недоступно. Иногда делаются большие заявления о присущей байесовской модели способности проводить сетевой метаанализ и о ее большей гибкости. Однако этот выбор реализации структуры вывода, байесовской или частотной, может быть менее важным, чем другие варианты моделирования эффектов [78] (см. обсуждение моделей выше).

Частотная многомерная структура

С другой стороны, частотные многомерные методы включают в себя приближения и предположения, которые не формулируются явно и не проверяются при применении методов (см. обсуждение моделей метаанализа выше). Например, пакет mvmeta для Stata обеспечивает сетевой метаанализ в частотной структуре. [79] Однако, если в сети нет общего компаратора, то это необходимо решать путем дополнения набора данных вымышленными рукавами с высокой дисперсией, что не очень объективно и требует решения относительно того, что представляет собой достаточно высокую дисперсию. [72] Другой проблемой является использование модели случайных эффектов как в частотной, так и в байесовской модели. Сенн советует аналитикам быть осторожными при интерпретации анализа «случайных эффектов», поскольку допускается только один случайный эффект, но можно предусмотреть множество. [78] Далее Сенн говорит, что довольно наивно, даже в случае, когда сравниваются только два метода лечения, предполагать, что анализ случайных эффектов учитывает всю неопределенность относительно того, как эффекты могут варьироваться от исследования к исследованию. Новые модели метаанализа, подобные рассмотренным выше, безусловно, помогут облегчить эту ситуацию и были реализованы в следующей структуре.

Обобщенная структура парного моделирования

Подход, который опробовался с конца 1990-х годов, представляет собой реализацию замкнутого цикла множественного трехобработки. Это не пользовалось популярностью, поскольку по мере увеличения сложности сети этот процесс быстро становится утомительным. Затем разработки в этой области были прекращены в пользу байесовских и многомерных частотных методов, которые появились в качестве альтернативы. Совсем недавно некоторые исследователи разработали автоматизацию метода замкнутого цикла с тремя обработками для сложных сетей [59] как способ сделать эту методологию доступной для основного исследовательского сообщества. Это предложение ограничивает каждое исследование двумя вмешательствами, но также предлагает обходной путь для нескольких исследований: в разных запусках можно выбрать другой фиксированный контрольный узел. Он также использует надежные методы метаанализа, что позволяет избежать многих проблем, выделенных выше. Необходимы дальнейшие исследования этой структуры, чтобы определить, действительно ли она превосходит байесовскую или многомерную частотную структуру. Исследователи, желающие опробовать это, имеют доступ к этой платформе через бесплатное программное обеспечение. [65]

Индивидуальный метаанализ

Другая форма дополнительной информации исходит из предполагаемой обстановки. Если известны целевые условия для применения результатов метаанализа, то можно использовать данные из этих условий для адаптации результатов, таким образом создавая «индивидуализированный метаанализ». [80] [81] Это использовалось в метаанализ точности теста, в котором эмпирические знания о частоте положительных результатов теста и распространенности использовались для определения области в пространстве рабочих характеристик приемника (ROC), известной как «применимая область». Затем исследования отбираются для целевых настроек на основе сравнения с этим регионом и агрегируются для получения сводной оценки, адаптированной к целевым настройкам.

Агрегирование IPD и AD

Мета-анализ также может применяться для объединения ИЛЗ и БА. Это удобно, когда исследователи, проводящие анализ, имеют собственные исходные данные при сборе агрегированных или сводных данных из литературы. Обобщенная интеграционная модель (GIM) [82] является обобщением метаанализа. Это позволяет использовать модель, основанную на данных отдельных участников (IPD), отличающуюся от моделей, используемых для расчета совокупных данных (AD). GIM можно рассматривать как метод калибровки модели для большей гибкости интеграции информации.

Валидация результатов метаанализа

Оценка метаанализа представляет собой средневзвешенное значение по исследованиям, и при наличии неоднородности это может привести к тому, что сводная оценка не будет репрезентативной для отдельных исследований. Качественная оценка первичных исследований с использованием установленных инструментов может выявить потенциальные систематические ошибки [83] [84] , но не дает количественной оценки совокупного влияния этих систематических ошибок на сводную оценку. Хотя результат метаанализа можно сравнить с результатами независимого проспективного первичного исследования, такая внешняя валидация часто нецелесообразна. Это привело к разработке методов, использующих форму перекрестной проверки с исключением одного , иногда называемую внутренней-внешней перекрестной проверкой (IOCV). [85] Здесь каждое из k включенных исследований поочередно опускается и сравнивается с итоговой оценкой, полученной в результате агрегирования оставшихся k-1 исследований. Общая статистика валидации Vn на основе IOCV была разработана для измерения статистической достоверности результатов метаанализа. [86] Для оценки точности теста и прогнозирования, особенно при наличии многомерных эффектов, также были предложены другие подходы, направленные на оценку ошибки прогнозирования. [87]

Проблемы

Метаанализ нескольких небольших исследований не всегда позволяет предсказать результаты одного большого исследования. [88] Некоторые утверждают, что слабость метода заключается в том, что источники систематической ошибки не контролируются методом: хороший метаанализ не может исправить плохой дизайн или систематическую ошибку в оригинальных исследованиях. [89] Это означало бы, что в метаанализ следует включать только методологически обоснованные исследования, практику, называемую «синтезом наилучших доказательств». [89] Другие метааналитики могли бы включить более слабые исследования и добавить предикторную переменную на уровне исследования, которая отражает методологическое качество исследований, чтобы изучить влияние качества исследования на размер эффекта. [90] Однако другие утверждают, что лучший подход состоит в том, чтобы сохранить информацию о дисперсии в исследуемой выборке, создавая как можно более широкую сеть, и что методологические критерии отбора привносят нежелательную субъективность, сводя на нет цель подхода. [91]

Предвзятость публикации: проблема с ящиком для документов

Ожидается воронкообразный график без проблем с ящиком для файлов. Самые крупные исследования сходятся на кончике, тогда как более мелкие исследования показывают более или менее симметричный разброс у основания.
Ожидается воронкообразный график с проблемой ящика для файлов. Крупнейшие исследования по-прежнему группируются вокруг вершины, но предвзятость против публикации отрицательных исследований привела к тому, что более мелкие исследования в целом дали неоправданно благоприятный результат для гипотезы.

Еще одной потенциальной ловушкой является зависимость от доступного массива опубликованных исследований, что может привести к преувеличению результатов из-за предвзятости публикации , поскольку исследования, показывающие отрицательные или незначительные результаты, с меньшей вероятностью будут опубликованы. [92] Например, известно, что фармацевтические компании скрывают негативные исследования, а исследователи могут упускать из виду неопубликованные исследования, такие как диссертационные исследования или тезисы конференций, которые не дошли до публикации. Эту проблему нелегко решить, поскольку невозможно знать, сколько исследований осталось незарегистрированными. [93]

Эта проблема с ящиком для файлов (характеризующаяся отрицательными или незначительными результатами, спрятанными в шкафу) может привести к смещенному распределению размеров эффекта, создавая тем самым серьезную ошибку базовой оценки , при которой значимость опубликованных исследований переоценивается, поскольку другие исследования либо не были представлены для публикации, либо были отклонены. Это следует серьезно учитывать при интерпретации результатов метаанализа. [93] [94]

Распределение размеров эффекта можно визуализировать с помощью воронкообразной диаграммы , которая (в наиболее распространенной версии) представляет собой диаграмму разброса стандартной ошибки в зависимости от размера эффекта. [95] Он использует тот факт, что более мелкие исследования (и, следовательно, более крупные стандартные ошибки) имеют больший разброс величины эффекта (будучи менее точными), в то время как более крупные исследования имеют меньший разброс и образуют верхушку воронки. Если многие отрицательные исследования не были опубликованы, то оставшиеся положительные исследования образуют воронкообразный график, в котором основание перекошено в одну сторону (асимметрия воронкообразного графика). Напротив, когда нет предвзятости публикации, эффект небольших исследований не имеет причин для отклонения в одну сторону, и поэтому получается симметричная воронкообразная диаграмма. Это также означает, что при отсутствии предвзятости публикации не будет никакой связи между стандартной ошибкой и размером эффекта. [96] Отрицательная или положительная связь между стандартной ошибкой и величиной эффекта будет означать, что меньшие исследования, в которых обнаружены эффекты только в одном направлении, с большей вероятностью будут опубликованы и/или представлены для публикации.

Помимо визуальной воронки, также были предложены статистические методы обнаружения систематической ошибки публикации. [97] Они являются спорными, поскольку обычно они имеют низкую мощность для обнаружения предвзятости, но также могут при некоторых обстоятельствах давать ложноположительные результаты. [98] Например, эффекты небольших исследований (предвзятые меньшие исследования), при которых существуют методологические различия между меньшими и более крупными исследованиями, могут вызвать асимметрию в величине эффекта, которая напоминает предвзятость публикации. Однако небольшие эффекты исследования могут быть столь же проблематичными для интерпретации метаанализа, и авторам метаанализа крайне важно исследовать потенциальные источники систематической ошибки. [99]

Проблема предвзятости публикаций нетривиальна, поскольку предполагается, что 25% метаанализов в психологических науках могли страдать от предвзятости публикаций. [100] Однако низкая мощность существующих тестов и проблемы с визуальным представлением воронкообразного графика остаются проблемой, а оценки систематической ошибки публикации могут оставаться ниже, чем действительно существует.

Большинство дискуссий о предвзятости публикаций сосредоточено на практике журналов, благоприятствующей публикации статистически значимых результатов. Однако сомнительные исследовательские практики, такие как переработка статистических моделей до достижения значимости, также могут способствовать статистически значимым результатам в поддержку гипотез исследователей. [101] [102]

Проблемы, связанные с исследованиями, не сообщающими о статистически значимых эффектах

Исследования часто не сообщают об эффектах, если они не достигают статистической значимости. [103] Например, они могут просто сказать, что группы не показали статистически значимых различий, не сообщая никакой другой информации (например, статистики или p-значения). [104] Исключение этих исследований привело бы к ситуации, аналогичной предвзятости публикации, но их включение (при условии отсутствия эффектов) также привело бы к смещению метаанализа.

Проблемы, связанные со статистическим подходом

Другие недостатки заключаются в том, что не установлено, является ли статистически наиболее точным методом объединения результатов модели фиксированного, IVhet, случайного или качественного эффекта, хотя критика в адрес модели случайных эффектов растет из-за восприятия новых случайных эффектов (см. используемые в метаанализе), по сути являются формальными инструментами, способствующими сглаживанию или сжатию, и прогнозирование может быть невозможным или опрометчивым. [105] Основная проблема подхода со случайными эффектами заключается в том, что он использует классическую статистическую идею создания «компромиссной оценки», которая приближает веса к естественно взвешенной оценке, если неоднородность между исследованиями велика, но близка к взвешенной оценке обратной дисперсии. если неоднородность между исследованиями невелика. Однако было проигнорировано различие между моделью, которую мы выбираем для анализа данного набора данных, и механизмом, посредством которого данные появились . [106] Случайный эффект может присутствовать в любой из этих ролей, но эти две роли совершенно различны. Нет никаких оснований полагать, что модель анализа и механизм (модель) генерации данных похожи по форме, но во многих подобластях статистики выработалась привычка предполагать для теории и моделирования, что механизм (модель) генерации данных идентична модели анализа, которую мы выбираем (или хотели бы, чтобы ее выбрали другие). В качестве гипотетического механизма получения данных модель случайных эффектов для метаанализа глупа, и правильнее думать об этой модели как о поверхностном описании и как о чем-то, что мы выбираем в качестве аналитического инструмента – но этот выбор для метаанализа может не сработает, поскольку эффекты исследования являются фиксированной особенностью соответствующего метаанализа, а распределение вероятностей является лишь описательным инструментом. [106]

Проблемы, возникающие из-за предвзятости, обусловленной повесткой дня

Самая серьезная ошибка в метаанализе часто возникает, когда человек или люди, проводящие метаанализ, имеют экономическую , социальную или политическую программу, например, принятие или отклонение законодательства . Люди с такими взглядами могут с большей вероятностью злоупотреблять метаанализом из-за личных предубеждений . Например, исследования исследователей, благосклонно относящихся к программе автора, скорее всего, будут тщательно отобраны , а те, которые не поддерживают программу автора, будут проигнорированы или помечены как «не заслуживающие доверия». Кроме того, избранные авторы сами могут быть предвзятыми или им могут платить за получение результатов, которые поддерживают их общие политические, социальные или экономические цели, например, путем выбора небольших благоприятных наборов данных и отказа от включения более крупных неблагоприятных наборов данных. Влияние таких предубеждений на результаты метаанализа возможно, поскольку методология метаанализа весьма податлива. [107]

В исследовании 2011 года, проведенном с целью выявления возможных конфликтов интересов в основных исследованиях, используемых для медицинских метаанализов, было рассмотрено 29 метаанализов и обнаружено, что конфликты интересов в исследованиях, лежащих в основе метаанализов, раскрывались редко. В число 29 метаанализов вошли 11 из журналов общей медицины, 15 из специализированных медицинских журналов и три из Кокрановской базы данных систематических обзоров . В 29 метаанализах было рассмотрено в общей сложности 509 рандомизированных контролируемых исследований (РКИ). Из них 318 РКИ сообщили об источниках финансирования, причем 219 (69%) получали финансирование от промышленности (т.е. один или несколько авторов имели финансовые связи с фармацевтической промышленностью). Из 509 РКИ в 132 сообщалось о раскрытии конфликта интересов авторов, при этом в 91 исследовании (69%) было раскрыто, что один или несколько авторов имеют финансовые связи с промышленностью. Однако эта информация редко отражалась в метаанализе. Только двое (7%) сообщили об источниках финансирования РКИ, и ни один из них не сообщил о связях автора РКИ с индустрией. Авторы пришли к выводу, что «без признания ИСП из-за финансирования отрасли или финансовых связей автора с промышленностью на основе РКИ, включенных в метаанализ, понимание и оценка читателями данных метаанализа могут быть поставлены под угрозу». [108]

Например, в 1998 году федеральный судья США установил, что Агентство по охране окружающей среды США злоупотребило процессом метаанализа, чтобы провести исследование, утверждающее, что риск рака для некурящих из-за табачного дыма в окружающей среде (ETS) с целью повлиять на политиков. принять законы о запрете курения на рабочих местах. Судья установил, что:

Выбор исследований Агентства по охране окружающей среды вызывает беспокойство. Во-первых, в протоколах есть доказательства, подтверждающие обвинение в том, что Агентство по охране окружающей среды «выбирало» свои данные. Без критериев объединения исследований в метаанализ суд не может определить, было ли исключение исследований, которые могли опровергнуть априорную гипотезу Агентства по охране окружающей среды, совпадением или преднамеренным. Во-вторых, исключение EPA почти половины доступных исследований напрямую противоречит предполагаемой цели EPA по анализу эпидемиологических исследований и противоречит Руководству EPA по оценке рисков. См. «Оценку риска ETS» на стр. 4–29 («Эти данные также следует изучить с целью взвешивания всех имеющихся данных , как рекомендовано в руководящих принципах EPA по оценке канцерогенного риска (US EPA, 1986a) (выделено автором)). В-третьих, избирательный подход EPA Использование данных противоречит Закону об исследованиях радона. В законе говорится, что программа Агентства по охране окружающей среды должна «собирать данные и информацию по всем аспектам качества воздуха в помещениях» (Закон об исследованиях радона § 403(a)(1)) (выделено автором) [109] .

В результате злоупотреблений суд отменил главы 1–6 и приложения к документу Агентства по охране окружающей среды «Влияние пассивного курения на здоровье органов дыхания: рак легких и другие заболевания». [109]

Сопоставимость и достоверность включенных исследований

Метаанализ часто не может заменить адекватное первичное исследование. [110]

Неоднородность используемых методов может привести к ошибочным выводам. [111] Например, различия в формах вмешательства или когортах, которые считаются незначительными или неизвестными ученым, могут привести к существенно различным результатам, включая результаты, которые искажают результаты метаанализа или не учитываются должным образом. в его данных. И наоборот, результаты метаанализа могут также сделать определенные гипотезы или вмешательства нежизнеспособными и предвосхитить дальнейшие исследования или одобрения, несмотря на определенные модификации – такие как прерывистое введение, персонализированные критерии и комбинированные меры – приводящие к существенно отличающимся результатам, в том числе в тех случаях, когда такие были успешно идентифицированы и применены в небольших исследованиях, которые были учтены в метаанализе. [ нужна цитация ] Стандартизация , воспроизведение экспериментов , открытые данные и открытые протоколы часто не могут смягчить такие проблемы, например, поскольку соответствующие факторы и критерии могут быть неизвестны или не записаны. [ нужна цитата ]

Ведутся споры о подходящем балансе между тестированием на как можно меньшем количестве животных или людей и необходимостью получения надежных и надежных результатов. Утверждалось, что ненадежные исследования неэффективны и расточительны и что исследования являются расточительными не только тогда, когда они прекращаются слишком поздно, но и когда они прекращаются слишком рано. В крупных клинических исследованиях иногда используются плановые последовательные анализы, если с участниками тестирования связаны значительные расходы или потенциальный вред. [112] В прикладной поведенческой науке были предложены «мегаисследования» для изучения эффективности множества различных вмешательств, разработанных на междисциплинарной основе отдельными группами. [113] В одном из таких исследований использовалась сеть фитнес-центров для набора большого числа участников. Было высказано предположение, что поведенческие вмешательства часто трудно сравнивать [в метаанализах и обзорах], поскольку «разные ученые проверяют разные идеи вмешательства в разных выборках, используя разные результаты в разные промежутки времени», что приводит к отсутствию сопоставимости таких отдельных исследований. что ограничивает «их потенциал по информированию политики ». [113]

Слабые стандарты инклюзивности приводят к ошибочным выводам

Мета-анализ в образовании часто недостаточно ограничителен в отношении методологического качества включаемых в него исследований. Например, исследования, включающие небольшие выборки или измерения, проводимые исследователями, приводят к завышенным оценкам размера эффекта. [114] Однако эта проблема также беспокоит метаанализ клинических исследований. Использование различных инструментов оценки качества (QAT) приводит к включению разных исследований и получению противоречивых оценок среднего эффекта лечения. [115] [116]

Приложения в современной науке

Современный статистический метаанализ делает больше, чем просто объединяет размеры эффекта ряда исследований с использованием средневзвешенного значения. Он может проверить, демонстрируют ли результаты исследований большую вариативность, чем ожидаемая из-за выборки из разного количества участников исследования. Кроме того, характеристики исследования, такие как используемый измерительный прибор, выборка населения или аспекты дизайна исследования, могут быть закодированы и использованы для уменьшения дисперсии оценщика (см. статистические модели выше). Таким образом, некоторые методологические недостатки исследований можно исправить статистически. Другие применения метааналитических методов включают разработку и проверку моделей клинического прогнозирования, где метаанализ может использоваться для объединения данных отдельных участников из разных исследовательских центров и для оценки обобщаемости модели [117] [118] или даже для агрегирования существующие модели прогнозирования. [119]

Современный статистический метаанализ делает больше, чем просто объединяет размеры эффекта ряда исследований с использованием средневзвешенного значения. Он может проверить, демонстрируют ли результаты исследований большую вариативность, чем ожидаемая из-за выборки из разного количества участников исследования. Кроме того, характеристики исследования, такие как используемый измерительный прибор, выборка населения или аспекты дизайна исследования, могут быть закодированы и использованы для уменьшения дисперсии оценщика (см. статистические модели выше). Таким образом, некоторые методологические недостатки исследований можно исправить статистически. Другие варианты использования метааналитических методов включают разработку и проверку моделей клинического прогнозирования, где метаанализ может использоваться для объединения данных отдельных участников из разных исследовательских центров и для оценки обобщаемости модели [120] [121] или даже для агрегирования существующие модели прогнозирования. [122]

Метаанализ может проводиться как с использованием индивидуального , так и группового исследования. [123] Это важно, поскольку большое количество исследований было проведено с использованием индивидуальных исследовательских планов. [124] Существуют серьезные споры по поводу наиболее подходящей метааналитической техники для исследования одного предмета. [125]

Метаанализ приводит к смещению акцента с отдельных исследований на многочисленные исследования. Он подчеркивает практическую важность размера эффекта, а не статистическую значимость отдельных исследований. Этот сдвиг в мышлении получил название «метааналитическое мышление». Результаты метаанализа часто представляют в виде лесного графика .

Результаты исследований объединяются с использованием разных подходов. Один из подходов, часто используемый в метаанализе исследований в области здравоохранения, называется « методом обратной дисперсии ». Средний размер эффекта по всем исследованиям рассчитывается как средневзвешенное значение , при этом веса равны обратной дисперсии оценщика эффекта каждого исследования. Более крупным исследованиям и исследованиям с меньшими случайными вариациями придается больший вес, чем исследованиям меньшего размера. Другие распространенные подходы включают метод Мантеля–Хэнзеля [126] и метод Пето . [127]

D-картирование на основе семян (ранее называемое дифференциальным картированием, SDM) — это статистический метод метаанализа исследований различий в активности или структуре мозга, в которых использовались методы нейровизуализации, такие как фМРТ, VBM или ПЭТ.

Для понимания экспрессии генов использовались различные высокопроизводительные методы, такие как микрочипы . Профили экспрессии микроРНК использовались для идентификации дифференциально экспрессируемых микроРНК в определенных типах клеток или тканей или при заболеваниях или для проверки эффекта лечения. Был проведен метаанализ таких профилей экспрессии для получения новых выводов и подтверждения известных результатов. [128]

Метаанализ исследований полногеномного секвенирования представляет собой привлекательное решение проблемы сбора больших объемов выборок для обнаружения редких вариантов, связанных со сложными фенотипами. Были разработаны некоторые методы, позволяющие функционально обоснованный метаанализ ассоциаций редких вариантов в когортах в масштабе биобанка с использованием эффективных подходов для хранения сводной статистики. [129]

Широкий мета-анализ также может использоваться для оценки сети эффектов. Это позволяет исследователям изучать закономерности в более полной панораме более точно оцененных результатов и делать выводы, учитывающие более широкий контекст (например, как отношения между личностью и интеллектом различаются в зависимости от семейства черт). [130]

Смотрите также

Источники

 В эту статью включен текст Дэниела С. Кинтаны, доступный по лицензии CC BY 4.0.

Рекомендации

  1. ^ abc Shadish WR, Lecy JD (сентябрь 2015 г.). «Метааналитический большой взрыв». Методы синтеза исследований . 6 (3): 246–264. дои : 10.1002/jrsm.1132. PMID  26212600. S2CID  5416879.
  2. ^ ab Glass GV (сентябрь 2015 г.). «Метаанализ в среднем возрасте: личная история». Методы синтеза исследований . 6 (3): 221–231. дои : 10.1002/jrsm.1133. PMID  26355796. S2CID  30083129.
  3. ^ Гласс Г.В. (1976). «Первичный, вторичный и метаанализ исследований». Исследователь образования . 5 (10): 3–8. дои : 10.3102/0013189X005010003. S2CID  3185455.
  4. ^ Хант, Мортон (1997). Как наука подводит итоги: история метаанализа (1-е изд.). Нью-Йорк, Нью-Йорк, Соединенные Штаты Америки: Фонд Рассела Сейджа.
  5. ^ «Отчет о некоторых статистических данных о прививках от кишечной лихорадки» . Британский медицинский журнал . 2 (2288): 1243–1246. Ноябрь 1904 г. doi :10.1136/bmj.2.2288.1243. ПМЦ 2355479 . ПМИД  20761760. 
  6. ^ Нордманн А.Дж., Касенда Б., Бриэль М. (9 марта 2012 г.). «Метаанализы: что они могут и чего не могут». Швейцарский медицинский еженедельник . 142 : w13518. дои : 10.4414/smw.2012.13518 . ПМИД  22407741.
  7. ^ О'Рурк К. (декабрь 2007 г.). «Исторический взгляд на метаанализ: количественная работа с различными результатами исследований». Журнал Королевского медицинского общества . 100 (12): 579–582. дои : 10.1177/0141076807100012020. ПМК 2121629 . ПМИД  18065712. 
  8. ^ Гизелли, Э.Э. (1955). Измерение профессиональных способностей. Публикации Калифорнийского университета по психологии, 8, 101–216.
  9. ^ Гизелли, Эдвин Э. (1973). «Действительность тестов способностей при отборе персонала». Психология персонала . 26 (4): 461–477. doi :10.1111/j.1744-6570.1973.tb01150.x. ISSN  0031-5826.
  10. ^ Йейтс, Ф.; Кокран, WG (1938). «Анализ групп экспериментов». Журнал сельскохозяйственной науки . 28 (4): 556–580. дои : 10.1017/S0021859600050978. ISSN  0021-8596. S2CID  86619593.
  11. ^ Смит, Мэри Л.; Гласс, Джин В. (1977). «Метаанализ исследований результатов психотерапии». Американский психолог . 32 (9): 752–760. дои : 10.1037/0003-066X.32.9.752. ISSN  1935-990Х. PMID  921048. S2CID  43326263.
  12. ^ Айзенк, HJ (1978). «Упражнение на мега-глупость». Американский психолог . 33 (5): 517. doi :10.1037/0003-066X.33.5.517.a. ISSN  1935-990Х.
  13. ^ аб Шарп, Дональд; Поэты, Сарена (2020). «Метаанализ как ответ на кризис репликации». Канадская психология / Psychologie Canadienne . 61 (4): 377–387. дои : 10.1037/cap0000215. ISSN  1878-7304. S2CID  225384392.
  14. ^ Айзенк, HJ (1995). «Метаанализ или синтез наилучших доказательств?». Журнал оценки в клинической практике . 1 (1): 29–36. doi :10.1111/j.1365-2753.1995.tb00005.x. ISSN  1356-1294. ПМИД  9238555.
  15. ^ Иоаннидис, Джон Пенсильвания (2016). «Массовое производство избыточных, вводящих в заблуждение и противоречивых систематических обзоров и метаанализов». Ежеквартальный журнал Милбанка . 94 (3): 485–514. дои : 10.1111/1468-0009.12210. ISSN  0887-378X. ПМК 5020151 . ПМИД  27620683. 
  16. ^ Вандвик П.О., Брандт Л. (июль 2020 г.). «Серия «Будущее доказательной экосистемы: доказательные экосистемы и обучающиеся системы здравоохранения: зачем беспокоиться?». Журнал клинической эпидемиологии . 123 : 166–170. doi : 10.1016/j.jclinepi.2020.02.008. PMID  32145365. S2CID  212629387.
  17. ^ Картабеллотта А, Тилсон Дж. К. (июнь 2019 г.). «Экосистема доказательств не может процветать без эффективности генерации, синтеза и перевода знаний». Журнал клинической эпидемиологии . 110 : 90–95. doi :10.1016/j.jclinepi.2019.01.008. PMID  30708174. S2CID  73415319.
  18. ^ Хэддавэй Н.Р., Баннак-Браун А., Грейнджер М.Дж., Гамильтон В.К., Хеннесси Э.А., Кинан С. и др. (июнь 2022 г.). «Синтез доказательств и метаанализ на конференции R (ESMARConf): выравнивание условий доступности и справедливости конференций». Систематические обзоры . 11 (1): 113. дои : 10.1186/s13643-022-01985-6 . ПМЦ 9164457 . ПМИД  35659294. 
  19. ^ Ортис, Андрес Фелипе Эррера; Камачо, Эдуард Кадавид; Рохас, Хулиан Кубильос; Камачо, Татьяна Кадавид; Гевара, Стефани Зои; Куэнка, Нури Татьяна Ринкон; Пердомо, Андрес Васкес; Эрасо, Валерия Дель Кастильо; Мало, Рубен Хиральдо (2021). «Практическое руководство по проведению систематического обзора литературы и метаанализа». Принципы и практика клинических исследований . 7 (4): 47–57. дои : 10.21801/ppcrj.2021.74.6 . ISSN  2378-1890.
  20. ^ "Заявление PRISMA" . Prisma-statement.org. 2 февраля 2012 года. Архивировано из оригинала 27 июля 2011 года . Проверено 2 февраля 2012 г.
  21. ^ Грэмс, Элиза М.; Стиллман, Эндрю Н.; Тингли, Морган В.; Элфик, Крис С. (2019). Фреклтон, Роберт (ред.). «Автоматизированный подход к определению поисковых запросов для систематических обзоров с использованием сетей совпадения ключевых слов». Методы экологии и эволюции . 10 (10): 1645–1654. Бибкод : 2019MEcEv..10.1645G. дои : 10.1111/2041-210X.13268 . ISSN  2041-210Х.
  22. ^ Суд, Амит; Эрвин, Патрисия Дж.; Эбберт, Джон О. (2004). «Использование инструментов расширенного поиска в PubMed для поиска цитирования». Труды клиники Мэйо . 79 (10): 1295–1300. дои : 10.4065/79.10.1295 . ПМИД  15473412.
  23. ^ Винсент, Беатрис; Винсент, Морис; Феррейра, Карлос Хиль (1 марта 2006 г.). «Упрощение поиска в PubMed: учимся находить медицинскую литературу посредством интерактивного решения проблем». Онколог . 11 (3): 243–251. doi : 10.1634/теонколог.11-3-243 . ISSN  1083-7159. ПМИД  16549808.
  24. ^ abcd Кинтана, Дэниел С. (8 октября 2015 г.). «От предварительной регистрации до публикации: нетехническое руководство по проведению метаанализа для синтеза корреляционных данных». Границы в психологии . 6 : 1549. doi : 10.3389/fpsyg.2015.01549 . ISSN  1664-1078. ПМК 4597034 . ПМИД  26500598. 
  25. ^ Мохер, Дэвид; Тецлафф, Дженнифер; Трикко, Андреа С; Сэмпсон, Маргарет; Альтман, Дуглас Дж. (27 марта 2007 г.). Кларк, Майк (ред.). «Эпидемиология и особенности отчетности систематических обзоров». ПЛОС Медицина . 4 (3): е78. doi : 10.1371/journal.pmed.0040078 . ISSN  1549-1676. ПМЦ 1831728 . ПМИД  17388659. 
  26. ^ Нгуен, Фи-Йен; Маккензи, Джоан Э.; Гамильтон, Дэниел Г.; Мохер, Дэвид; Тагвелл, Питер; Фидлер, Фиона М.; Хаддавей, Нил Р.; Хиггинс, Джулиан П.Т.; Канукула, Раджу; Карунанантан, Сатья; Максвелл, Лара Дж.; Макдональд, Стив; Накагава, Шиничи; Нунан, Дэвид; Уэлч, Вивиан А. (2023). «Взгляды систематических рецензентов на обмен данными обзора, аналитическим кодом и другими материалами: опрос». Кокрейновский синтез доказательств и методы . 1 (2). дои : 10.1002/cesm.12008 . ISSN  2832-9023.
  27. ^ Крамер, Дункан (2003). «Поучительная история о двух статистиках: частичной корреляции и стандартизированной частичной регрессии». Журнал психологии . 137 (5): 507–511. дои : 10.1080/00223980309600632. ISSN  0022-3980. PMID  14629080. S2CID  37557674.
  28. ^ Гросс, Арнд; Ширм, Сивилла; Шольц, Маркус (2014). «Ycasd – инструмент для сбора и масштабирования данных из графических представлений». БМК Биоинформатика . 15 (1): 219. дои : 10.1186/1471-2105-15-219 . ISSN  1471-2105. ПМК 4085079 . ПМИД  24965054. 
  29. ^ Клише, Матье; Розенберг, Дэвид; Мадека, Дхрув; Да, Конни (2017), Сеси, Микеланджело; Хольмен, Яакко; Тодоровский, Люпчо; Венс, Селин (ред.), «Scatteract: автоматизированное извлечение данных из диаграмм рассеяния», Машинное обучение и обнаружение знаний в базах данных , Cham: Springer International Publishing, vol. 10534, стр. 135–150, arXiv : 1704.06687 , doi : 10.1007/978-3-319-71249-9_9, ISBN 978-3-319-71248-2, S2CID  9543956 , получено 26 декабря 2023 г.
  30. ^ Моро, Дэвид; Гэмбл, Бо (2022). «Проведение метаанализа в эпоху открытой науки: инструменты, советы и практические рекомендации». Психологические методы . 27 (3): 426–432. дои : 10.1037/met0000351. ISSN  1939-1463. PMID  32914999. S2CID  221619510.
  31. ^ аб МакГиннесс, Люк А.; Хиггинс, Джулиан П.Т. (2021). «Визуализация риска предвзятости (robvis): пакет R и веб-приложение Shiny для визуализации оценок риска предвзятости». Методы синтеза исследований . 12 (1): 55–61. дои : 10.1002/jrsm.1411 . hdl : 1983/e59b578e-1534-43d9-a438-8bc27b363a9a . ISSN  1759-2879. ПМИД  32336025.
  32. ^ Сандерсон, С.; Татт, И.Д.; Хиггинс, JP (1 июня 2007 г.). «Инструменты для оценки качества и предвзятости в наблюдательных исследованиях в эпидемиологии: систематический обзор и аннотированная библиография». Международный журнал эпидемиологии . 36 (3): 666–676. дои : 10.1093/ije/dym018 . ISSN  0300-5771. ПМИД  17470488.
  33. ^ Хаддавей, Нил Р.; Макура, Биляна; Уэйли, Пол; Пуллин, Эндрю С. (2018). «Стандарты отчетности ROSES для систематического синтеза фактических данных: форма, блок-схема и описательное резюме плана и проведения экологических систематических обзоров и систематических карт». Экологические доказательства . 7 (1). Бибкод : 2018EnvEv...7....7H. дои : 10.1186/s13750-018-0121-7 . ISSN  2047-2382.
  34. ^ Конн, Вики С.; Валентин, Джеффри С.; Купер, Харрис М.; Ранц, Мэрилин Дж. (2003). «Серая литература в метаанализе». Сестринские исследования . 52 (4): 256–261. дои : 10.1097/00006199-200307000-00008. ISSN  0029-6562. PMID  12867783. S2CID  27109643.
  35. ^ Шерер, Роберта В.; Салданья, Ян Дж. (2019). «Как систематическим рецензентам следует обращаться с тезисами конференций? Взгляд из окопов». Систематические обзоры . 8 (1): 264. дои : 10.1186/s13643-019-1188-0 . ISSN  2046-4053. ПМК 6836535 . ПМИД  31699124. 
  36. ^ Хартлинг, Лиза; Физерстоун, Робин; Нуспль, Меган; Побрейся, Касси; Драйден, Донна М.; Вандермеер, Бен (2017). «Серая литература в систематических обзорах: перекрестное исследование вклада неанглоязычных отчетов, неопубликованных исследований и диссертаций в результаты метаанализа в обзорах, касающихся детей». Методология медицинских исследований BMC . 17 (1): 64. дои : 10.1186/s12874-017-0347-z . ISSN  1471-2288. ПМЦ 5395863 . ПМИД  28420349. 
  37. ^ Хаддавей, Северная Каролина; Вудкок, П.; Макура, Б.; Коллинз, А. (2015). «Повышение надежности обзоров литературы за счет применения уроков систематических обзоров». Биология сохранения . 29 (6): 1596–1605. Бибкод : 2015ConBi..29.1596H. дои : 10.1111/cobi.12541. ISSN  0888-8892. JSTOR  24761072. PMID  26032263. S2CID  20624428.
  38. ^ Эггер, М; Юни, П; Бартлетт, К; Холенштейн, Ф; Стерн, Дж (2003). «Насколько важны всесторонние поиски литературы и оценка качества исследований в систематических обзорах? Эмпирическое исследование». Оценка технологий здравоохранения . 7 (1): 1–82. дои : 10.3310/hta7010 . ISSN  1366-5278. ПМИД  12583822.
  39. ^ Лефевр, Кэрол; Гланвилл, Джули; Бриско, Саймон; Литтлвуд, Энн; Маршалл, Крис; Метцендорф, Мария-Инти; Ноэль-Сторр, Анна; Рейдер, Тамара; Шокране, Фархад (23 сентября 2019 г.), Хиггинс, Джулиан П.Т.; Томас, Джеймс; Чендлер, Жаклин; Кампстон, Миранда (ред.), «Поиск и выбор исследований», Кокрейновский справочник по систематическим обзорам вмешательств (1-е изд.), Wiley, стр. 67–107, doi :10.1002/9781119536604.ch4, ISBN 978-1-119-53662-8, S2CID  204603849 , получено 26 декабря 2023 г.
  40. ^ Маколи, Лаура; Фам, Ба'; Тагвелл, Питер; Мохер, Дэвид (2000). «Влияет ли включение серой литературы на оценки эффективности вмешательства, представленные в метаанализе?». Ланцет . 356 (9237): 1228–1231. дои : 10.1016/S0140-6736(00)02786-0. PMID  11072941. S2CID  33777183.
  41. ^ Хоупвелл, Салли; Кларк, Майк (2005). «Тезисы, представленные на конференции Американского общества клинической онкологии: насколько полно сообщается об исследованиях?». Клинические испытания . 2 (3): 265–268. дои : 10.1191/1740774505cn091oa. ISSN  1740-7745. PMID  16279150. S2CID  3601317.
  42. ^ БХАНДАРИ, МОХИТ; ДЕВЕРО, П.Дж.; ГАЙАТТ, ГОРДОН Х.; КУК, ДЕБОРА Дж.; СВИОНТКОВСКИЙ, МАРК Ф.; СПРАГ, ШЕЙЛА; ШЕМИТШ, ЭМИЛЬ Х. (2002). «Наблюдательное исследование ортопедических рефератов и последующих полнотекстовых публикаций». Американский том журнала хирургии костей и суставов . 84 (4): 615–621. дои : 10.2106/00004623-200204000-00017. ISSN  0021-9355. PMID  11940624. S2CID  8807106.
  43. ^ Дебрэ Т.П., Мунс К.Г., ван Валкенхоф Г., Эфтимиу О., Хаммел Н., Гроенволд Р.Х., Рейтсма Дж.Б. (декабрь 2015 г.). «Метаанализ индивидуальных данных участников (IPD): обзор методологии». Методы синтеза исследований . 6 (4): 293–309. дои : 10.1002/jrsm.1160. ПМК 5042043 . ПМИД  26287812. 
  44. ^ Дебрэ Т.П., Мунс К.Г., Або-Заид ГМ, Коффиберг Х., Райли Р.Д. (2013). «Метаанализ данных отдельных участников для бинарного результата: одноэтапный или двухэтапный?». ПЛОС ОДИН . 8 (4): е60650. Бибкод : 2013PLoSO...860650D. дои : 10.1371/journal.pone.0060650 . ПМК 3621872 . ПМИД  23585842. 
  45. ^ Берк Д.Л., Энсор Дж., Райли Р.Д. (февраль 2017 г.). «Метаанализ с использованием данных отдельных участников: одноэтапный и двухэтапный подходы и почему они могут различаться». Статистика в медицине . 36 (5): 855–875. дои : 10.1002/sim.7141. ПМЦ 5297998 . ПМИД  27747915. 
  46. ^ Хелфенштейн Ю (март 2002 г.). «Данные и модели определяют предложения по лечению - иллюстрация из метаанализа». Последипломный медицинский журнал . 78 (917): 131–134. дои : 10.1136/pmj.78.917.131. ПМЦ 1742301 . ПМИД  11884693. 
  47. ^ Хеджес, Ларри В.; Вевеа, Джек Л. (1998). «Модели с фиксированными и случайными эффектами в метаанализе». Психологические методы . 3 (4): 486–504. дои : 10.1037/1082-989X.3.4.486. ISSN  1939-1463. S2CID  119814256.
  48. ^ Сенн С. (март 2007 г.). «Пытаюсь быть точным в отношении неопределенности». Статистика в медицине . 26 (7): 1417–1430. дои : 10.1002/сим.2639 . PMID  16906552. S2CID  17764847.
  49. ^ Аб Аль Халаф М.М., Талиб Л., Дой С.А. (февраль 2011 г.). «Объединение разнородных исследований с использованием модели случайных эффектов является ошибкой и приводит к неубедительным метаанализам». Журнал клинической эпидемиологии . 64 (2): 119–123. doi : 10.1016/j.jclinepi.2010.01.009. ПМИД  20409685.
  50. ^ ab Brockwell SE, Гордон IR (март 2001 г.). «Сравнение статистических методов метаанализа». Статистика в медицине . 20 (6): 825–840. дои : 10.1002/сим.650. PMID  11252006. S2CID  16932514.
  51. ^ abc Noma H (декабрь 2011 г.). «Доверительные интервалы для метаанализа случайных эффектов, основанного на поправках типа Бартлетта». Статистика в медицине . 30 (28): 3304–3312. дои : 10.1002/сим.4350. hdl : 2433/152046 . PMID  21964669. S2CID  6556986.
  52. ^ Броквелл SE, Гордон IR (ноябрь 2007 г.). «Простой метод вывода об общем эффекте метаанализа». Статистика в медицине . 26 (25): 4531–4543. дои : 10.1002/sim.2883. PMID  17397112. S2CID  887098.
  53. ^ Сидик К., Джонкман Дж. Н. (ноябрь 2002 г.). «Простой доверительный интервал для метаанализа». Статистика в медицине . 21 (21): 3153–3159. дои : 10.1002/сим.1262. PMID  12375296. S2CID  21384942.
  54. ^ Джексон Д., Боуден Дж. (январь 2009 г.). «Переоценка« метода квантильной аппроксимации »для метаанализа случайных эффектов». Статистика в медицине . 28 (2): 338–348. дои : 10.1002/sim.3487. ПМЦ 2991773 . ПМИД  19016302. 
  55. ^ Пул С, Гренландия С (сентябрь 1999 г.). «Метаанализ случайных эффектов не всегда консервативен». Американский журнал эпидемиологии . 150 (5): 469–475. doi : 10.1093/oxfordjournals.aje.a010035 . ПМИД  10472946.
  56. ^ Райли Р.Д., Хиггинс Дж.П., Дикс Дж.Дж. (февраль 2011 г.). «Интерпретация метаанализа случайных эффектов». БМЖ . 342 : д549. дои : 10.1136/bmj.d549. PMID  21310794. S2CID  32994689.
  57. ^ Кристон Л. (март 2013 г.). «Работа с клинической гетерогенностью в метаанализе. Предположения, методы, интерпретация». Международный журнал методов психиатрических исследований . 22 (1): 1–15. дои : 10.1002/mpr.1377. ПМК 6878481 . ПМИД  23494781. 
  58. ^ Ланган, Дин; Хиггинс, Джулиан П.Т.; Джексон, Дэн; Боуден, Джек; Вероники, Арети Ангелики; Контопантелис, Евангелос; Фихтбауэр, Вольфганг; Симмондс, Марк (2019). «Сравнение оценок дисперсии гетерогенности в метаанализе смоделированных случайных эффектов». Методы синтеза исследований . 10 (1): 83–98. дои : 10.1002/jrsm.1316 . hdl : 1983/c911791c-c687-4f12-bc0b-ffdbe42ca874 . ISSN  1759-2879. PMID  30067315. S2CID  51890354.
  59. ^ abcd «Руководство пользователя MetaXL» (PDF) . Проверено 18 сентября 2018 г.
  60. ^ Контопантелис Э, Ривз Д (1 августа 2010 г.). «Метаан: метаанализ случайных эффектов». Статический журнал . 10 (3): 395–407. doi : 10.1177/1536867X1001000307 – через ResearchGate.
  61. ^ Филд, Энди П.; Джиллетт, Рафаэль (2010). «Как провести метаанализ». Британский журнал математической и статистической психологии . 63 (3): 665–694. дои : 10.1348/000711010X502733. PMID  20497626. S2CID  22688261.
  62. ^ Фихтбауэр, Вольфганг (2010). «Проведение метаанализа в R с помощью пакета метафор». Журнал статистического программного обеспечения . 36 (3). дои : 10.18637/jss.v036.i03 . ISSN  1548-7660. S2CID  15798713.
  63. ^ Контопантелис Э., Спрингейт Д.А., Ривз Д. (2013). Фриде Т. (ред.). «Повторный анализ данных Кокрановской библиотеки: опасности ненаблюдаемой гетерогенности в метаанализе». ПЛОС ОДИН . 8 (7): e69930. Бибкод : 2013PLoSO...869930K. дои : 10.1371/journal.pone.0069930 . ПМЦ 3724681 . ПМИД  23922860. 
  64. ^ Контопантелис Э, Ривз Д (27 сентября 2013 г.). «Краткое руководство и команда лесного участка (ipdforest) для одноэтапного метаанализа». Статический журнал . 13 (3): 574–587. doi : 10.1177/1536867X1301300308 – через ResearchGate.
  65. ^ abcd «Страница программного обеспечения MetaXL». Epigear.com. 3 июня 2017 г. Проверено 18 сентября 2018 г.
  66. ^ Дой С.А., Барендрегт Дж.Дж., Хан С., Талиб Л., Уильямс ГМ (ноябрь 2015 г.). «Достижения в метаанализе гетерогенных клинических исследований I: модель гетерогенности обратной дисперсии». Современные клинические исследования . 45 (Часть А): 130–138. doi :10.1016/j.cct.2015.05.009. hdl : 1885/17083 . PMID  26003435. S2CID  10792959.
  67. ^ Аб Дой С.А., Талиб Л. (январь 2008 г.). «Модель качества-эффекта для метаанализа». Эпидемиология . 19 (1): 94–100. дои : 10.1097/EDE.0b013e31815c24e7 . PMID  18090860. S2CID  29723291.
  68. ^ Дой С.А., Барендрегт Дж.Дж., Мозуркевич Э.Л. (март 2011 г.). «Метаанализ гетерогенных клинических исследований: эмпирический пример». Современные клинические исследования . 32 (2): 288–298. дои : 10.1016/j.cct.2010.12.006. ПМИД  21147265.
  69. ^ Дой С.А., Барендрегт Дж.Дж., Хан С., Талиб Л., Уильямс ГМ (июль 2015 г.). «Сравнение моделирования эффектов качества и методов метаанализа со случайными эффектами». Эпидемиология . 26 (4): е42–е44. doi : 10.1097/EDE.0000000000000289 . ПМИД  25872162.
  70. ^ Дой С.А., Барендрегт Дж.Дж., Хан С., Талиб Л., Уильямс ГМ (ноябрь 2015 г.). «Достижения в метаанализе гетерогенных клинических исследований II: модель влияния качества». Современные клинические исследования . 45 (Часть А): 123–129. дои : 10.1016/j.cct.2015.05.010. ПМИД  26003432.
  71. ^ Бучер Х.К., Гайятт Г.Х., Гриффит Л.Е., Уолтер С.Д. (июнь 1997 г.). «Результаты прямого и непрямого сравнения лечения в метаанализе рандомизированных контролируемых исследований». Журнал клинической эпидемиологии . 50 (6): 683–691. дои : 10.1016/s0895-4356(97)00049-8. ПМИД  9250266.
  72. ^ abcd ван Валкенхоф Г., Лу Г., де Брок Б., Хилледж Х., Адес А.Е., Велтон, штат Нью-Джерси (декабрь 2012 г.). «Автоматизация сетевого метаанализа». Методы синтеза исследований . 3 (4): 285–299. дои : 10.1002/jrsm.1054. PMID  26053422. S2CID  33613631.
  73. ^ Брукс С.П., Гельман А (1998). «Общие методы мониторинга сходимости итеративного моделирования» (PDF) . Журнал вычислительной и графической статистики . 7 (4): 434–455. дои : 10.1080/10618600.1998.10474787. S2CID  7300890.
  74. ↑ Heck DW, Gronau QF, Wagenmakers EJ, Patil I (17 марта 2021 г.). «metaBMA: усреднение байесовской модели для метаанализа случайных и фиксированных эффектов». КРАН . Проверено 9 мая 2022 г.
  75. ↑ Бартош Ф., Майер М., Вагенмейкерс Э.Дж., Гусен Дж., Денвуд М., Пламмер М. (20 апреля 2022 г.). «RoBMA: пакет R для надежного байесовского метаанализа» . Проверено 9 мая 2022 г.
  76. ^ Гронау К.Ф., Хек Д.В., Беркхаут С.В., Хааф Дж.М., Вагенмейкерс Э.Дж. (июль 2021 г.). «Букварь по байесовскому мета-анализу, усредненному по модели». Достижения в методах и практике психологической науки . 4 (3). дои : 10.1177/25152459211031256 . ISSN  2515-2459. S2CID  237699937.
  77. ↑ Бартош Ф., Майер М., Кинтана Д., Вагенмейкерс Э.Дж. (16 октября 2020 г.). «Поправка на предвзятость публикации в JASP и R - модели отбора, PET-PEESE и надежный байесовский метаанализ». Достижения в методах и практике психологической науки . дои : 10.31234/osf.io/75bqn . hdl : 11245.1/5540e87c-0883-45e6-87de-48d2bf4c1e1d . S2CID  236826939.
  78. ^ аб Сенн С., Гавини Ф., Магрес Д., Шин А. (апрель 2013 г.). «Проблемы выполнения сетевого метаанализа». Статистические методы в медицинских исследованиях . 22 (2): 169–189. дои : 10.1177/0962280211432220. PMID  22218368. S2CID  10860031.
  79. ^ Белый ИР (2011). «Многомерная мета-регрессия со случайными эффектами: обновления mvmeta». Стата-журнал . 11 (2): 255–270. дои : 10.1177/1536867X1101100206 .
  80. ^ Уиллис Б.Х., Хайд CJ (май 2014 г.). «Оценка точности теста с использованием индивидуального метаанализа. Как данные, специфичные для конкретных условий, могут помочь в выборе исследования». Журнал клинической эпидемиологии . 67 (5): 538–546. дои : 10.1016/j.jclinepi.2013.10.016. ПМИД  24447592.
  81. ^ Уиллис Б.Х., Хайд CJ (август 2015 г.). «Какова точность теста в моей практике? Специальный метаанализ дает правдоподобную оценку». Журнал клинической эпидемиологии . 68 (8): 847–854. doi : 10.1016/j.jclinepi.2014.10.002. PMID  25479685. S2CID  205844216.
  82. ^ Чжан Х, Дэн Л, Шиффман М, Цинь Дж, Ю К (2020). «Обобщенная модель интеграции для улучшения статистических выводов за счет использования внешних сводных данных». Биометрика . 107 (3): 689–703. doi : 10.1093/biomet/asaa014.
  83. ^ Хиггинс Дж.П., Альтман Д.Г., Гётше ПК, Юни П., Мохер Д., Оксман А.Д. и др. (октябрь 2011 г.). «Инструмент Кокрейновского сотрудничества для оценки риска систематической ошибки в рандомизированных исследованиях». БМЖ . 343 : d5928. дои : 10.1136/bmj.d5928. ПМК 3196245 . ПМИД  22008217. 
  84. ^ Уайтинг П.Ф., Рутьес А.В., Вествуд М.Э., Маллетт С., Дикс Дж.Дж., Рейтсма Дж.Б. и др. (октябрь 2011 г.). «QUADAS-2: обновленный инструмент для оценки качества исследований диагностической точности». Анналы внутренней медицины . 155 (8): 529–536. дои : 10.7326/0003-4819-155-8-201110180-00009 . ПМИД  22007046.
  85. ^ Ройстон П., Пармар М.К., Сильвестр Р. (март 2004 г.). «Построение и проверка прогностической модели на основе нескольких исследований с применением при поверхностном раке мочевого пузыря». Статистика в медицине . 23 (6): 907–926. дои : 10.1002/sim.1691. PMID  15027080. S2CID  23397142.
  86. ^ Уиллис Б.Х., Райли Р.Д. (сентябрь 2017 г.). «Измерение статистической достоверности итоговых результатов метаанализа и метарегрессии для использования в клинической практике». Статистика в медицине . 36 (21): 3283–3301. дои : 10.1002/сим.7372. ПМЦ 5575530 . ПМИД  28620945. 
  87. ^ Райли Р.Д., Ахмед И., Дебрэ Т.П., Уиллис Б.Х., Ноордзидж Дж.П., Хиггинс Дж.П., Дикс Дж.Дж. (июнь 2015 г.). «Обобщение и проверка результатов точности тестов в ходе многочисленных исследований для использования в клинической практике». Статистика в медицине . 34 (13): 2081–2103. дои : 10.1002/сим.6471. ПМЦ 4973708 . ПМИД  25800943. 
  88. ^ ЛеЛорье Дж., Грегуар Дж., Бенхаддад А., Лапьер Дж., Дердериан Ф. (август 1997 г.). «Расхождения между метаанализами и последующими крупными рандомизированными контролируемыми исследованиями». Медицинский журнал Новой Англии . 337 (8): 536–542. дои : 10.1056/NEJM199708213370806 . ПМИД  9262498.
  89. ^ аб Славин Р.Э. (1986). «Синтез лучших доказательств: альтернатива метааналитическим и традиционным обзорам». Исследователь образования . 15 (9): 5–9. дои : 10.3102/0013189X015009005. S2CID  146457142.
  90. ^ Хантер Дж. Э., Шмидт Ф. Л., Джексон ГБ и др. (Американская психологическая ассоциация. Отдел промышленно-организационной психологии) (1982). Мета-анализ: обобщение результатов различных исследований . Беверли-Хиллз, Калифорния: Сейдж. ISBN 978-0-8039-1864-1.
  91. ^ Гласс Г.В., Макгоу Б., Смит М.Л. (1981). Метаанализ в социальных исследованиях . Беверли-Хиллз, Калифорния: Публикации Sage. ISBN 978-0-8039-1633-3.
  92. ^ Поланин-младший, Таннер-Смит Э.Э., Хеннесси Э.А. (2016). «Оценка разницы между опубликованными и неопубликованными размерами эффекта: метаобзор». Обзор образовательных исследований . 86 (1): 207–236. дои : 10.3102/0034654315582067. ISSN  0034-6543. S2CID  145513046.
  93. ^ аб Розенталь Р. (1979). «Проблема с файловым ящиком» и терпимость к нулевым результатам». Психологический вестник . 86 (3): 638–641. дои : 10.1037/0033-2909.86.3.638. S2CID  36070395.
  94. ^ Хантер Дж. Э. , Шмидт Флорида (1990). Методы метаанализа: исправление ошибок и предвзятости в результатах исследований . Ньюбери-Парк, Калифорния; Лондон; Нью-Дели: Публикации SAGE .
  95. ^ Накагава, Шиничи; Лагиш, Малгожата; Дженнионс, Майкл Д.; Коричева Юлия; Ноубл, Дэниел Вашингтон; Паркер, Тимоти Х.; Санчес-Тохар, Альфредо; Ян, Йефэн; О'Ди, Роуз Э. (2022). «Методы проверки предвзятости публикаций в экологическом и эволюционном метаанализе». Методы экологии и эволюции . 13 (1): 4–21. Бибкод : 2022MEcEv..13....4N. дои : 10.1111/2041-210X.13724. hdl : 1885/294436 . ISSN  2041-210X. S2CID  241159497.
  96. ^ Лайт Р.Дж., Пиллемер Д.Б. (1984). Подведение итогов: наука рецензирования исследований. Кембридж, Массачусетс: Издательство Гарвардского университета. ISBN 978-0-674-85431-4.
  97. ^ Vevea JL, Woods CM (декабрь 2005 г.). «Смещение публикации в синтезе исследований: анализ чувствительности с использованием априорных весовых функций». Психологические методы . 10 (4): 428–443. дои : 10.1037/1082-989X.10.4.428. ПМИД  16392998.
  98. ^ Иоаннидис Дж. П., Трикалинос Т. А. (апрель 2007 г.). «Приемлемость тестов асимметрии для выявления предвзятости публикаций в метаанализе: большой опрос». CMAJ . 176 (8): 1091–1096. дои : 10.1503/cmaj.060410. ПМЦ 1839799 . ПМИД  17420491. 
  99. ^ Хеджес Л.В., Вевеа Дж.Л. (1996). «Оценка размера эффекта при предвзятости публикации: свойства небольшой выборки и надежность модели выбора случайных эффектов». Журнал образовательной и поведенческой статистики . 21 (4): 299–332. дои : 10.3102/10769986021004299. ISSN  1076-9986. S2CID  123680599.
  100. ^ Фергюсон CJ, Браник М.Т. (март 2012 г.). «Предвзятость публикаций в психологической науке: распространенность, методы выявления и контроля, а также последствия использования метаанализа». Психологические методы . 17 (1): 120–128. дои : 10.1037/a0024445. ПМИД  21787082.
  101. ^ Симмонс Дж.П., Нельсон Л.Д., Симонсон У. (ноябрь 2011 г.). «Ложноположительная психология: нераскрытая гибкость в сборе и анализе данных позволяет представить все как значимое». Психологическая наука . 22 (11): 1359–1366. дои : 10.1177/0956797611417632 . ПМИД  22006061.
  102. ^ ЛеБел Э, Питерс К (2011). «Опасаясь будущего эмпирической психологии: свидетельства Бема (2011) о пси как на примере недостатков модальной исследовательской практики» (PDF) . Обзор общей психологии . 15 (4): 371–379. дои : 10.1037/a0025172. S2CID  51686730. Архивировано из оригинала (PDF) 24 ноября 2012 года.
  103. ^ Шобер, Патрик; Боссерс, Себастьян М.; Шварте, Лотар А. (2018). «Статистическая значимость и клиническая значимость наблюдаемых размеров эффекта: что на самом деле представляют значения P и доверительные интервалы?». Анестезия и анальгезия . 126 (3): 1068–1072. дои : 10.1213/ANE.0000000000002798. ISSN  0003-2999. ПМЦ 5811238 . ПМИД  29337724. 
  104. ^ Гейтс, Саймон; Илинг, Элизабет (2019). «Отчетность и интерпретация результатов клинических исследований, в которых не утверждалось о различиях в лечении: обзор четырех общих медицинских журналов». БМЖ Опен . 9 (9): e024785. doi : 10.1136/bmjopen-2018-024785. ISSN  2044-6055. ПМК 6738699 . ПМИД  31501094. 
  105. ^ Ходжес Дж.С., Клейтон МК (февраль 2011 г.). «Случайные эффекты старые и новые». стр. 1–23. CiteSeerX 10.1.1.225.2685 .  {{cite web}}: Отсутствует или пусто |url=( помощь )
  106. ^ аб Ходжес Дж.С. (2014). «Случайные эффекты старые и новые». Линейные модели с широким набором параметров: аддитивные, временные ряды и пространственные модели, использующие случайные эффекты . Бока-Ратон: CRC Press. стр. 285–302. ISBN 978-1-4398-6683-2.
  107. ^ Стегенга Дж. (декабрь 2011 г.). «Является ли метаанализ платиновым стандартом доказательств?». Исследования по истории и философии биологических и биомедицинских наук . 42 (4): 497–507. doi :10.1016/j.shpsc.2011.07.003. ПМИД  22035723.
  108. ^ Роузман М., Милетт К., Беро Л.А., Койн Дж.К., Лекчин Дж., Тернер Э.Х., Томбс Б.Д. (2011), «Отчеты о конфликтах интересов в метаанализе испытаний фармакологических методов лечения», Журнал Американской медицинской ассоциации , 305 (10): 1008–1017, doi : 10.1001/jama.2011.257, hdl : 11370/d4a95ee2-429f-45a4-a917-d794ee954797 , PMID  21386079, S2CID  11270323
  109. ^ ab «Решение Остина». Окружной суд США Среднего округа Северной Каролины. 17 июля 1998 года . Проверено 18 марта 2017 г.
  110. ^ Мунафо MR, Флинт Дж (сентябрь 2004 г.). «Метаанализ исследований генетических ассоциаций». Тенденции в генетике . 20 (9): 439–444. дои : 10.1016/j.tig.2004.06.014. ПМИД  15313553.
  111. ↑ Stone DL, Rosopa PJ (1 марта 2017 г.). «Преимущества и ограничения использования метаанализа в исследованиях управления человеческими ресурсами». Обзор управления человеческими ресурсами . 27 (1): 1–7. дои : 10.1016/j.hrmr.2016.09.001. ISSN  1053-4822.
  112. ^ Баттон К.С., Иоаннидис Дж.П., Мокрыш С., Носек Б.А., Флинт Дж., Робинсон Э.С., Мунафо М.Р. (май 2013 г.). «Сбой в электроснабжении: почему небольшой размер выборки подрывает надежность нейробиологии». Обзоры природы. Нейронаука . 14 (5): 365–376. дои : 10.1038/nrn3475 . PMID  23571845. S2CID  455476.
  113. ^ ab Милкман К.Л., Громет Д., Хо Х., Кей Дж.С., Ли Т.В., Пандилоски П. и др. (декабрь 2021 г.). «Мегаисследования повышают влияние прикладной поведенческой науки». Природа . 600 (7889): 478–483. Бибкод : 2021Natur.600..478M. дои : 10.1038/s41586-021-04128-4. ПМЦ 8822539 . PMID  34880497. S2CID  245047340. 
  114. ^ Cheung AC, Славин RE (1 июня 2016 г.). «Как методические особенности влияют на величину эффекта в образовании». Исследователь образования . 45 (5): 283–292. дои : 10.3102/0013189X16656615. ISSN  0013-189X. S2CID  148531062.
  115. ^ Юни П., Витчи А., Блох Р., Эггер М. (сентябрь 1999 г.). «Опасности оценки качества клинических исследований для метаанализа». ДЖАМА . 282 (11): 1054–1060. дои : 10.1001/jama.282.11.1054 . ПМИД  10493204.
  116. ^ Армихо-Оливо С., Фуэнтес Дж., Оспина М., Салтаджи Х., Хартлинг Л. (сентябрь 2013 г.). «Несоответствие элементов, включенных в инструменты, используемые в общих исследованиях в области здравоохранения и физиотерапии для оценки методологического качества рандомизированных контролируемых исследований: описательный анализ». Методология медицинских исследований BMC . 13 (1): 116. дои : 10.1186/1471-2288-13-116 . ПМЦ 3848693 . ПМИД  24044807. 
  117. ^ Дебрэ Т.П., Райли Р.Д., Роверс М.М., Рейтсма Дж.Б., Мунс К.Г. (октябрь 2015 г.). «Метаанализ индивидуальных данных участников (IPD) исследований диагностического и прогностического моделирования: рекомендации по их использованию». ПЛОС Медицина . 12 (10): e1001886. doi : 10.1371/journal.pmed.1001886 . ПМЦ 4603958 . ПМИД  26461078. 
  118. ^ Дебре Т.П., Мунс К.Г., Ахмед И., Коффиберг Х., Райли Р.Д. (август 2013 г.). «Схема разработки, внедрения и оценки моделей клинического прогнозирования в метаанализе данных отдельных участников» (PDF) . Статистика в медицине . 32 (18): 3158–3180. дои : 10.1002/сим.5732. PMID  23307585. S2CID  25308961.
  119. ^ Дебрэ Т.П., Коффиберг Х., Вергуве Ю., Мунс К.Г., Стейерберг Э.В. (октябрь 2012 г.). «Агрегирование опубликованных моделей прогнозирования с данными отдельных участников: сравнение различных подходов» (PDF) . Статистика в медицине . 31 (23): 2697–2712. дои : 10.1002/sim.5412. PMID  22733546. S2CID  39439611.
  120. ^ Дебрэ Т.П., Райли Р.Д., Роверс М.М., Рейтсма Дж.Б., Мунс К.Г. (октябрь 2015 г.). «Метаанализ индивидуальных данных участников (IPD) исследований диагностического и прогностического моделирования: рекомендации по их использованию». ПЛОС Медицина . 12 (10): e1001886. doi : 10.1371/journal.pmed.1001886 . ПМЦ 4603958 . ПМИД  26461078. 
  121. ^ Дебре Т.П., Мунс К.Г., Ахмед И., Коффиберг Х., Райли Р.Д. (август 2013 г.). «Схема разработки, внедрения и оценки моделей клинического прогнозирования в метаанализе данных отдельных участников» (PDF) . Статистика в медицине . 32 (18): 3158–3180. дои : 10.1002/сим.5732. PMID  23307585. S2CID  25308961.
  122. ^ Дебрэ Т.П., Коффиберг Х., Вергуве Ю., Мунс К.Г., Стейерберг Э.В. (октябрь 2012 г.). «Агрегирование опубликованных моделей прогнозирования с данными отдельных участников: сравнение различных подходов» (PDF) . Статистика в медицине . 31 (23): 2697–2712. дои : 10.1002/sim.5412. PMID  22733546. S2CID  39439611.
  123. ^ Шадиш, Уильям Р. (2014). «Анализ и метаанализ единичных планов: Введение». Журнал школьной психологии . 52 (2): 109–122. дои : 10.1016/j.jsp.2013.11.009. ПМИД  24606971.
  124. ^ Зелинский, Николь AM; Шадиш, Уильям (19 мая 2018 г.). «Демонстрация того, как провести метаанализ, сочетающий в себе отдельные проекты с экспериментами между группами: влияние принятия решений на сложное поведение людей с ограниченными возможностями». Развивающая нейрореабилитация . 21 (4): 266–278. дои : 10.3109/17518423.2015.1100690. ISSN  1751-8423. PMID  26809945. S2CID  20442353.
  125. ^ Ван ден Ноортгейт В., Онгена П. (2007). «Агрегирование результатов отдельных случаев». Поведенческий аналитик сегодня . 8 (2): 196–209. дои : 10.1037/h0100613.
  126. ^ Мантель Н., Хэнзель В. (апрель 1959 г.). «Статистические аспекты анализа данных ретроспективных исследований заболеваний». Журнал Национального института рака . 22 (4): 719–748. дои : 10.1093/jnci/22.4.719. PMID  13655060. S2CID  17698270.
  127. ^ Дикс Дж. Дж., Хиггинс Дж. П., Альтман Д. Г. и др. (Кокрейновская группа статистических методов) (2021 г.). «Глава 10: Анализ данных и проведение метаанализа: 10.4.2 Метод отношения шансов Пето». Хиггинс Дж., Томас Дж., Чендлер Дж., Кампстон ​​М., Ли Т., Пейдж М., Уэлч В. (ред.). Кокрейновское руководство по систематическим обзорам вмешательств (версия 6.2 изд.). Кокрейновское сотрудничество.
  128. ^ Баргадже Р., Харихаран М., Скариа В., Пиллаи Б. (январь 2010 г.). «Консенсусные профили экспрессии микроРНК, полученные в результате межплатформенной нормализации данных микрочипов». РНК . 16 (1): 16–25. дои : 10.1261/rna.1688110. ПМК 2802026 . ПМИД  19948767. 
  129. ^ Ли, Сихао; Быстрее, Корбин; Чжоу, Хуфэн; Гейнор, Шейла М.; Лю, Яову; Чен, Хан; Сельварадж, Маргарет Сунита; Сан, Райан; Дей, Рунак; Арнетт, Донна К.; Беляк, Лоуренс Ф.; Бис, Джошуа К.; Бланджеро, Джон; Бурвинкль, Эрик; Боуден, Дональд В.; Броуди, Дженнифер А.; Кейд, Брайан Э.; Корреа, Адольфо; Капплс, Л. Эдриенн; Карран, Джоан Э.; де Врис, Поль С.; Дуггирала, Равиндранат; Фридман, Барри И.; Геринг, Харальд Х.Х.; Го, Сюцин; Хесслер, Джеффри; Кальяни, Рита Р.; Куперберг, Чарльз; Крал, Брайан Г.; Ланге, Лесли А.; Маничайкул, Ани; Мартин, Лиза В.; МакГарви, Стивен Т.; Митчелл, Брэкстон Д.; Монтассер, Мэй Э.; Моррисон, Аланна С.; Насери, Таке; О'Коннелл, Джеффри Р.; Палмер, Николетт Д.; Пейзер, Патрисия А.; Псати, Брюс М.; Раффилд, Лаура М.; Редлайн, Сьюзен; Райнер, Александр П.; Реупена, Муагутутиа Сефуива; Райс, Кеннет М.; Рич, Стивен С.; Ситлани, Коллин М.; Смит, Дженнифер А.; Тейлор, Кент Д.; Васан, Рамачандран С.; Уиллер, Кристен Дж.; Уилсон, Джеймс Г.; Янек, Лиза Р.; Чжао, Вэй; Консорциум NHLBI Trans-Omics for Precision Medicine (TOPMed); Рабочая группа TOPMed по липидам; Роттер, Джером И.; Натараджан, Прадип; Пелосо, Джина М.; Ли, Жилин; Линь, Сихун (январь 2023 г.). «Мощный, масштабируемый и ресурсоэффективный метаанализ ассоциаций редких вариантов в крупных исследованиях полногеномного секвенирования». Природная генетика . 55 (1): 154–164. дои : 10.1038/s41588-022-01225-6. ПМЦ 10084891 . PMID  36564505. S2CID  255084231. 
  130. ^ Станек, Кевин С.; Единицы, Дениз С. (2023). О якорях и парусах: Созвездия черт личности и способностей. Миннеаполис, Миннесота, США: Издательство библиотек Университета Миннесоты. стр. Главы 4-7. дои : 10.24926/9781946135988. ISBN 978-1-946135-98-8. S2CID  265335858.

дальнейшее чтение