Meta-analyysi

Meta-analyysi on aihe, joka on kiinnittänyt monien ihmisten huomion vuosien varrella. Sen merkitys ja relevanssi heijastuu aiheesta tehtyjen mielipiteiden ja tutkimusten määrässä. Alkuperäistään nykypäivään Meta-analyysi on ollut keskustelun ja analyysin aiheena, mikä on avannut oven loputtomille pohdiskeluille ja löydöksille. Tässä artikkelissa tutkimme Meta-analyysi:n eri puolia ja näkökulmia, tarkastelemme sen vaikutusta eri yhteyksissä ja sen kehitystä ajan myötä. Alkuperäistään nykypäivään Meta-analyysi on ollut keskustelun ja analyysin aiheena, mikä on avannut oven loputtomille pohdiskeluille ja löydöksille. Tässä artikkelissa tutkimme Meta-analyysi:n eri puolia ja näkökulmia, tarkastelemme sen vaikutusta eri yhteyksissä ja sen kehitystä ajan myötä.

Meta-analyysi on useilla tieteenaloilla käytetty tilastollinen metatutkimus-menetelmä. Sen avulla pyritään johtamaan kvantitatiivisia päätelmiä yhdistelemällä systemaattisesti aiempia yksittäisiä tutkimuksia. Tarkoituksena on saada aikaan synteesi, joka antaa tutkittavasta kysymyksestä vahvempaa näyttöä kuin yksittäiset tutkimukset. Meta-analyysiin valittavat tutkimukset voivat olla johtopäätöksiltään ristiriitaisia. Meta-analyysin tarkoitus on yhdistää nämä tutkimukset tilastollisesti voimakkaammaksi, jolloin voidaan tehdä luotettavampia johtopäätöksiä. Meta-analyysi on tärkeä työväline tieteellisen tiedon luomisessa: yksittäinen tutkimus voi antaa täysin virheellisiä tuloksia ja vasta useiden eri tutkijoiden, eri maissa ja eri aikaan tehtyjen tutkimusten yhdistäminen johtaa luotettavaan tietoon.

Meta-analyysi voi tarkoittaa tilastollisten tekniikoiden lisäksi prosessia, jolla meta-analysoitava data valitaan ja kootaan osana systemaattista kirjallisuuskatsausta.

Tilastotieteellisessä mielessä meta-analyysi on yksi osa-alue estimointi-tilastotieteestä (engl. Estimation statistics), joka pohjautuu vaikutusten kokoon ja luottamusväleihin. Se voidaan nähdä vaihtoehtona tilastollisten hypoteesien testaukselle, jossa tilastollinen päättely perustuu p-arvoille.

Meta-analyysiä käytetään erityisesti psykologiassa, yhteiskuntatieteissä ja lääketieteessä.

Meta-analyysin historia ja tärkeitä toimijoita

A Cochrane-verkoston logo
Cochrane-verkoston logossa on meta-analyysin Forest plot -diagrammi.

Meta-analyysin modernina isänä voidaan pitää Karl Pearsonia, joka yhdisti jo vuonna 1904 julkaisussaan useiden julkaisujen tuloksia[1].

Ensimmäisenä virallisena meta-analyysinä voidaan pitää vuonna 1940 ilmestynyttä tutkimusta Extra-sensory perception after sixty years tekijöinä J. G. Pratt ja J. B. Rhine.[2] Tämä yhdisti 145 tutkimusta ESP:n olemassaolosta vuodesta 1882 vuoteen 1939. Tutkimus sisälsi myös estimaatin julkaisemattomien tutkimusten julkaisuharhasta.

Lääketieteessä kenties kuuluisin meta-analyysi on kortikosteroidi-hoidon vaikutuksesta keskosten henkiinjäämiseen. Asiaa tutkittiin satunnaistetuilla kokeilla jo 1972, mutta koska kokeiden tuloksia ei yhdistetty järjestelmällisesti, hoidon vaikutuksista saatiin konsensus vasta 1991 Cochrane-verkoston julkaistessa meta-analyysin kokeista. Kortisteroidi-hoito laski keskosten kuolleisuutta 30–50 prosenttia. Meta-analyysista tuli niin menestyksekäs ja kuuluisa, että Cochrane-verkoston logossa on kyseisen tutkimuksen metsikkökuvio[3].

1990-luvulla meta-analyysi kehittyi lääketieteen pääasialliseksi metatutkimuksen muodoksi korvaten perinteisempiä kerronnallisia ja kvalitatiivisia kirjallisuuskatsauksia. Meta-analyysi on 2000-luvulla yleistynyt myös yhteiskuntatieteissä näyttöön perustuvan politiikan myötä.

Muita tärkeitä toimijoita meta-analyysin alalla

Yhteiskuntatieteiden meta-analyysissa tunnetuin toimija on Campbell-verkosto. Se on Cochrane-verkoston sisarorganisaatio [4].

Muita vastaavia organisaatioita ovat:

Edut ja kritiikki

Edut

Konseptina meta-analyysi käyttää tilastollista lähestymistapaa useiden aikaisempien tulosten yhdistämiseen. Periaatteessa meta-analyysi luo painotetun keskiarvon useista tutkimuksista. Lähestymistavan hyötyjä:

  • Tulokset ovat yleistettävissä yksittäistä tutkimusta laajempaan tilastolliseen populaatioon.
  • Tulosten tarkkuus paranee, kun käytettävissä on enemmän dataa.
  • Aikaisemmissa tutkimuksissa ilmenneet eroavaisuudet voidaan kvantifioida ja niiden syyt analysoida.
  • Hypoteesien testaus voidaan tehdä aikaisemmista tutkimuksista muodostetuille yhteisestimaateille.
  • Julkaisuharhan olemassaoloa voidaan arvioida.

Kritiikki

Meta-analyysia kritisoidaan yleensä seuraavista näkökulmista:

  • Menetelmä ei pyri kontrolloimaan aikaisempien tutkimusten harhautumista. Jos huonosti toteutetuista tutkimuksista tehdään meta-analyysi, myös meta-analyysistä tulee vääristynyt.
  • Mahdollinen julkaisuharha. Joskus tutkijoilla ei ole syytä julkaista tuloksia, joita he eivät koe mielekkäiksi. Tutkimukset, joita ei koskaan julkaista eivät myöskään päädy meta-analyyseihin, mikä heikentää meta-analyysejä.
  • Tavoiteharha. Meta-analyysiin saatetaan poimia vain sellaisia tutkimuksia, jotka sopivat meta-analyysiä tekevän tutkijan omiin tavoitteisiin.

Meta-analyyseja sisältävän tutkimuksen vaiheet

Cochrane-verkosto käyttää oppaassaan Cochrane Handbook for Systematic Reviews of Interventions [5] seuraavaa vaiheistusta meta-analyysiin pohjautuvan systemaattisen kirjallisuuskatsauksen luomisessa:

  1. Tutkimusongelman muodostaminen ja meta-analysoitavien tutkimusten valintakriteerin määrittäminen
  2. Tutkimuskirjallisuuteen tutustuminen
  3. Tutkimusten valinta ja datan kerääminen valituista tutkimuksista
  4. Valittujen tutkimusten harhan riskiarviointi
  5. Datan analysointi ja varsinaisten meta-analyysiestimointien suorittaminen
    1. Yhdistettyjen estimaattien laskenta
    2. Tutkimusten heterogeenisuuden mallintaminen
    3. Sensitiivisyysanalyysi
  6. Raportointiharhojen käsittely
  7. Tulosten esittely ja yhteenveto
  8. Johtopäätökset

Esimerkkejä meta-analyysien visualisoinneista

Forest plot

Generic forest plot diagram
Viisi tutkimista yhdistävä Forest plot -diagrammi. Tutkimustennimet vasemmalla, odds ratiot luottamusväleineen oikealla. Timantin keskeltä kulkeva katkoviiva kuvaa odotettu kokonaisvaikutusta,leveys kuvaa yhdistettyä luottamusväliä. Suoralla pystyviivalla merkitään tasoa, jossa käsittelyllä ei ole vaikutusta.

Forest plot -diagrammi (tunnetaan myös nimellä blobbogram [6]) on tapa visualisoida meta-analyysin tilastollista synteesiä. Alun perin kuvaaja on suunniteltu satunnaistettujen lääketieteellisten kokeiden meta-analyysiin. Diagrammi itsessään ei ole mitenkään sidoksissa lääketieteeseen ja sitä voidaan käyttää muidenkin alojen meta-analyysin visualisointiin.

Yleensä forest ploteissa on kaksi saraketta. Vasemmanpuoleisessa sarakkeessa esitetään tutkimusten nimet aikajärjestyksessä. Oikeanpuoleisessa sarakkeessa esitetään yksittäisten tutkimusten tulokset. Yksittäisen tutkimuksen tuloksessa on kaksi komponenttia:

  • Jana, joka kuvaa tutkimuksen luottamusväliä
  • Neliö, jonka sijainti kuvaa yksittäisen tutkimuksen keskimääräistä vaikutusta. Neliön koko kuvaa yksittäisen tutkimuksen painoa yhdistetyssä meta-analyysissä.

Kuvaajan alaosassa oleva timantti kuvaa yhdistettyjä tuloksia. Sen pystydiagonaalin sijainti kuvaa yhdistettyä keskimääräistä vaikutusta ja neliön leveys tutkimusten yhdistettyä luottamusväliä. Keskimääräistä vaikutus piirretään yleensä myös katkoviivalla, jotta sitä voi vertailla yksittäisiin tutkimuksiin.

Kuvaajaan merkitään yhtenäisellä pystyviivalla tilanne, jossa vaikutusta ei ole. Jos timatti on tämän viivan päällä, voidaan todeta että vaikutusta ei ole havaittavissa kyseisellä luottamusvälillä.

Funnel plot

Esimerkki funnel plot-kuvaajasta.

Funnel plot-kuvaajaa käytetään meta-analyyseissä harhan ja systemaattisen heterogeenisuuden tarkasteluun. Hajontakuviolla piirretään yksittäisten tutkimusten vaikutus vaaka-akselille ja tutkimuksen koko pystyakselille. Pystysuoralla katkoviivalla merkitään meta-analyysin yhdistettyä keskimääräistä vaikutusta.

"Hyvin käyttäytyvässä" funnel plotissa tuloksena on tasasivuinen kolmio [6] . Tämä johtuu siitää, että isokokoisten tutkimusten tulisi olla lähempänä yhdistettyä vaikutusta kuin pienikokoisten. Pyramidin vinous tai huipukkuuden puute taas implikoivat mahdollisista ongelmista.

Tutkimuksen koon mittana voidaan käyttää esim. vaikutuksen keskihajontaa tai otoksen kokoa. Sterne ja Egger ovat tutkineet eri vaihtoehtoja ja päätyneet suosittamaan keskihajontaa [7] .

Lähteet

  1. ↑ O'Rourke, Keith: An historical perspective on meta-analysis: dealing quantitatively with varying study results. J R Soc Med, 2007-12- 01, 100. vsk, nro 12, s. 579–582. PubMed:18065712 PubMed Central:2121629 doi:10.1258/jrsm.100.12.579
  2. ↑ Bösch, H. (2004). Reanalyzing a meta-analysis on extra-sensory perception dating from 1940, the first comprehensive meta-analysis in the history of science. In S. Schmidt (Ed.), Proceedings of the 47th Annual Convention of the Parapsychological Association, University of Vienna, (pp. 1–13)
  3. ↑ The story of the Cochrane logo 6.1.2013. Cochrane-verkosto. Arkistoitu 30.3.2014. Viitattu 15.4.2014. (englanniksi)
  4. ↑ The Campbell Collaboration 5.1.2013. Cochrane-verkosto. Viitattu 15.4.2014. (englanniksi)
  5. ↑ Higgins, JPT & Green, S. (toim): Cochrane Handbook for Systematic Reviews of Interventions v 5.1.0. 20.3.2011. Cochrane-verkosto. Viitattu 15.4.2014. (englanniksi)
  6. ↑ a b Lalkhen: Statistics V: Introduction to clinical trials and systematic reviews (pdf) ceaccp.oxfordjournals.org. Viitattu 28.4.2014. (englanniksi)
  7. ↑ Sterne, Jonathan A. C. & Egger, Matthias: Funnel plots for detecting bias in meta-analysis: guidelines on choice of axis. Journal of Clinical Epidemiology, Lokakuu 2001, nro 54, s. 1046-1045.