Bayes Meta-analizi – Ödev Hazırlatma – Tez Yazdırma – Proje Yaptırma Fiyatları – Ödev Örnekleri – Ücretli Proje Yaptırma – Tez Yaptırma Ücretleri
Birleşik Etki Tahmin Etme Yöntemleri
Dikkatli bir değerlendirmeden sonra bir meta-analiz uygun görülürse, son adım, verileri birleştirerek genel bir etkinin tahmin edilmesini içerir. İki ilke önemlidir. İlk olarak, farklı çalışmalardan elde edilen verileri basitçe bir havuzda toplamak ve bunları büyük bir çalışma olarak ele almak, randomizasyonu korumada başarısız olur ve yanlılık ve kafa karışıklığına neden olur. Örneğin, erkek sünnetinin HIV bulaşmasındaki rolüne ilişkin literatürün yakın tarihli bir incelemesi ve “meta-analizi”, sünnetsiz erkeklerde HIV enfeksiyonu riskinin daha düşük olduğu sonucuna varmıştır.
Ancak analiz, 33 farklı çalışmadan elde edilen verilerin bir havuzda toplanmasıyla gerçekleştirilmiştir. Çalışmaya göre verileri sınıflandıran bir yeniden analiz, bozulmamış bir sünnet derisinin aslında HIV enfeksiyonu riskinin artmasıyla ilişkili olduğunu buldu. Çalışma yoluyla yapılan kafa karıştırma, bu nedenle, derneğin yönünde bir değişikliğe yol açtı (epidemiyolojik tabirle bir “Simpson paradoksu” vakası). Bu nedenle, veriler birleştirilirken araştırmanın birimi her zaman korunmalıdır.
İkinci olarak, basitçe bir aritmetik ortalamayı hesaplamak uygun olmaz. Küçük çalışmalardan elde edilen sonuçlar daha çok şans oyununa tabidir ve bu nedenle daha az ağırlık verilmelidir. Meta-analiz için kullanılan yöntemler, daha büyük denemelerin genellikle daha küçük olanlardan daha fazla etkiye sahip olduğu sonuçların ağırlıklı bir ortalamasını kullanır. Bu amaç için genel olarak iki modelde sınıflandırılabilecek çeşitli istatistiksel teknikler mevcuttur.
Fark, çalışmalar arasındaki sonuçların değişkenliğinin ele alınma biçiminden oluşur. “Sabit etkiler” modeli, bu değişkenliği yalnızca rastgele varyasyona bağlı olarak ele alır ve bireysel çalışmalar basitçe kesinlikleriyle ağırlıklandırılır. Bu nedenle, tüm çalışmalar sonsuz büyüklükte olsaydı, aynı sonuçları verirdi.
Ana alternatif olan “rastgele etkiler” modeli, her çalışma için farklı bir temel etki olduğunu varsayar ve bunu ek bir varyasyon kaynağı olarak dikkate alır. Etkilerin rastgele dağıldığı varsayılır ve bu dağılımın merkezi noktası, birleşik etki tahmininin odak noktasıdır.
Rastgele etkiler modeli, sabit etkiler modeline göre daha küçük çalışmalara ve daha geniş güven aralıklarına nispeten daha fazla ağırlık verilmesine yol açar. Çalışma sonuçları arasında heterojenlik varsa rastgele etki modellerinin kullanılması savunulmaktadır. Ancak bu sorunludur. Bir istatistiksel model uyguladıktan sonra basitçe görmezden gelmek yerine, heterojenliğe yaklaşım onu incelemek ve açıklamaya çalışmak olmalıdır.
pairwise meta-analysis
bayesian meta-analysis r
meta bayes net
bayesian meta-analysis tutorial
bayesian meta-analysis heterogeneity
bayesian network meta-analysis software
Meta-analysis in R
bayesian meta-analysis stata
Her iki modelin de “doğru” olduğu söylenemezken, sabit ve rastgele etkiler modelleri tarafından hesaplanan birleşik etkide önemli bir fark, ancak araştırmalarda olduğu gibi belirgin bir şekilde heterojen ise görülecektir. BCG denemeleri. Rastgele etkiler modeli kullanılarak denemelerin birleştirilmesi, BCG aşısının tüberküloz riskini yarıya indirdiğini gösterirken, sabit etkiler analizi, riskin sadece %35 oranında azaldığını gösterir.
Bu, esas olarak, aşılamanın koruyucu etkisi göstermeyen büyük Madras çalışmasına verilen farklı ağırlıkla açıklanmaktadır (sabit etkiler modeliyle toplam ağırlığın %41’i, rastgele etkiler modeliyle %10). Her iki analiz de muhtemelen yanlış yönlendirilmiştir.
Gösterildiği gibi, BCG aşılamasının daha yüksek enlemlerde etkili olduğu, ancak daha sıcak bölgelerde etkili olmadığı görülmektedir, bunun nedeni muhtemelen belirli çevresel mikobakterilere maruz kalmanın daha sıcak bölgelerde “doğal” bir BCG aşılaması görevi görmesidir. Bu durumda nicel olarak ölçmek daha anlamlıdır. kullanılan modelden bağımsız olarak, yanıltıcı olacak genel bir etki tahmini hesaplamaktansa, etkinin enlemine göre nasıl değiştiği önemlidir.
Bayes Meta-analizi
Bazılarının yukarıdakilerden daha uygun olduğunu düşündüğü başka istatistiksel yaklaşımlar da vardır. Biri, 18. yüzyıl İngiliz din adamı Thomas Bayes’in adını taşıyan Bayes teoremi kullanır. Bayesci istatistikçiler, verileri görmeden önce bazı önsel olasılık dağılımını belirterek bir etkinin boyutu hakkındaki inançlarını ifade eder ve ardından verileri hesaba katarak sonsal bir olasılık dağılımı türeterek bu inancı günceller.
Bayes modelleri hem sabit hem de rastgele etkiler çerçevesinde mevcuttur, ancak yayınlanan uygulamalar genellikle rastgele etkiler varsayımına dayanmaktadır. Güven aralığı (veya bayes terminolojisinde daha doğrusu: sonsal olasılık dağılımının %95’ini kapsayan %95 güvenilir aralık), geleneksel modellerin kullanılmasından elde edilenden biraz daha geniş olacaktır.
Bayes yöntemleri, örneğin iki işlemin karşılaştırmalı etkileriyle ilgili olarak doğrudan olasılık ifadelerinin yapılmasına izin verir (“A tedavisinin B’den daha iyi olma olasılığı 0.99’dur”). Meta-analiz için Bayesci yaklaşımlar, örneğin gözlemsel çalışmalardan veya uzman görüşünden elde edilen bulgular gibi diğer kanıt kaynaklarını bütünleştirebilir ve özellikle tedavi yararı ile altta yatan risk arasındaki ilişkiyi analiz etmek için yararlıdır. Son olarak, kümülatif meta-analiz için doğal bir çerçeve sağlarlar.
Bununla birlikte, Bayesci yaklaşımlar tartışmalıdır, çünkü önceki olasılığın tanımı genellikle sistematik inceleme ilkelerine aykırı olan öznel değerlendirmeleri ve görüşleri içerecektir. Ayrıca, analizlerin uygulanması karmaşıktır ve zaman alıcıdır. Bayes yöntemlerinin sistematik incelemelerde ve meta-analizdeki uygun yerini belirlemek için daha fazla metodolojik araştırma gereklidir.
Duyarlılık Analizi
Belirli bir meta-analizi gerçekleştirmek için doğru yöntem konusunda genellikle farklı görüşler olacaktır. Bu nedenle, bulguların farklı varsayımlara karşı sağlamlığı, her zaman kapsamlı bir duyarlılık analizinde incelenmelidir. Bu, miyokard enfarktüsü meta-analizinden sonra beta bloker için gösterilmiştir.
İlk olarak, genel etki, hem sabit hem de rastgele etkiler modeli kullanılarak farklı istatistiksel yöntemlerle hesaplandı. Genel tahminin hemen hemen aynı olduğu ve rastgele etkiler modeli kullanıldığında güven aralıklarının sadece biraz daha geniş olduğu şekilden açıkça görülmektedir. Bu, bu meta-analizde bulunan deneme varyasyonlarının nispeten küçük miktarı ile açıklanmaktadır.
Metodolojik kalite, çalışma katılımcılarının beta-bloker veya kontrol gruplarına atanmasının gizlenmesi ve hastaların ve araştırmacıların körlenmesi açısından değerlendirildi. Tahmini tedavi etkisinin, tedavi tahsisinin gizlendiği ve gizlenmediği çalışmalar için benzer olduğunu gösterir.
Çift kör olmayan sekiz çalışma, 25 çift kör denemeden daha fazla fayda gösterdi, ancak güven aralıkları büyük ölçüde örtüşüyor. İstatistiksel olarak anlamlı sonuçların, anlamlı olmayan bulgulara göre yayınlanma olasılığı daha yüksektir ve bu, meta-analizlerin bulgularını bozabilir. Böyle bir yayın yanlılığının olup olmadığı, analizin çalışma boyutuna göre katmanlandırılmasıyla incelenebilir.
Daha büyük çalışmalarda daha küçük etkiler istatistiksel olarak anlamlı olabilir. Yayın yanlılığı varsa, yayınlanmış çalışmalardan daha büyük olanların daha küçük etkileri bildirmesi beklenir. Şekil, mevcut örnekte en büyük etkiyi gösteren en küçük 11 denemede (25 ölüm veya daha az) durumun gerçekten de böyle olduğunu göstermektedir. Bununla birlikte, daha küçük çalışmaların hariç tutulması, genel tahmin üzerinde çok az etkiye sahiptir.
Çalışmalar, takip süresi açısından farklılık gösteriyordu, ancak bunun yine tahminler üzerinde çok az etkisi oldu. Son olarak, iki deneme, ara analizlerden elde edilen sonuçlara dayanarak beklenenden daha erken sonlandırıldı. Önemli bir tedavi farkı nedeniyle erken durdurulan çalışmalardan elde edilen tedavi etkilerinin tahminleri, sıfır değerinden sapmaya eğilimlidir. Bu nedenle, bu tür denemeleri içeren bir meta-analizde yanlılık ortaya çıkabilir. Bununla birlikte, bu denemelerin hariç tutulması, yine genel tahmini yalnızca marjinal olarak etkiler.
Duyarlılık analizi, bu nedenle, bu meta-analizden elde edilen sonuçların, istatistiksel yöntemin seçimine ve daha düşük kaliteli denemelerin veya erken sonlandırılan çalışmaların hariç tutulmasına karşı sağlam olduğunu göstermektedir. Ayrıca, yayın yanlılığının bulgularını çarpıtmış olma ihtimalinin düşük olduğunu öne sürüyor.
bayesian meta-analysis heterogeneity bayesian meta-analysis r bayesian meta-analysis stata bayesian meta-analysis tutorial bayesian network meta-analysis software meta bayes net Meta-analysis in R pairwise meta-analysis