Гетерогенность — онлайн-курс видеолекций по мета-анализу

Это видео является частью серии видеороликов по метаанализу, представленных доктором Боренштейном. Серию можно приобрести и посмотреть на нашем сайте по адресу: https://meta-analysis-workshops.com/p... В большинстве метаанализов размер эффекта варьируется от исследования к исследованию. Все мы согласны с тем, что важно понимать, насколько сильно варьируется размер эффекта, и учитывать клинические или содержательные последствия этого различия. Однако на практике это редко делается. Подавляющее большинство метаанализов фокусируются на среднем размере эффекта, в то время как мало внимания уделяется разбросу эффектов. Это происходит потому, что исследователи не понимают, насколько сильно варьируется размер эффекта. На самом деле, статистические данные, обычно сообщаемые для гетерогенности, на самом деле не показывают нам, насколько сильно варьируется размер эффекта. Например, наиболее распространенным индексом для оценки гетерогенности является индекс I-квадрат, значения которого, равные 25%, 50% и 75%, часто считаются отражением низкого, умеренного и высокого уровней гетерогенности. Хотя такое использование I-квадрат широко распространено, оно, тем не менее, некорректно. Метаанализ, где I-квадрат равен 25%, может показать существенные различия в эффектах, в то время как метаанализ, где I-квадрат равен 75%, может показать лишь незначительные различия в эффектах. Фактически, я привожу примеры, где это верно. В этом модуле я начинаю с обзора того, как мы понимаем гетерогенность в первичном исследовании. Затем я показываю, что те же идеи применимы и к метаанализу. В разделе «Забудьте то, что вы знаете» я показываю, что большая часть того, что исследователи «знают» о гетерогенности, неверна. Такие статистические показатели, как Q-значение, p-значение, I-квадрат и Тау-квадрат, не показывают, насколько сильно варьируется размер эффекта. Затем я обсуждаю статистические данные, которые действительно показывают, насколько варьируется размер эффекта – к ним относятся коэффициент Тау (в некоторых случаях) и интервал прогнозирования. Я показываю, как вычислять и представлять эти значения. Далее я обсуждаю, как использовать гетерогенность в сочетании со средним размером эффекта для оценки клинической полезности лечения или (в более общем смысле) существенных последствий полученных результатов. Я также обсуждаю, что нам говорят другие статистические данные. Модуль завершается приложением, в котором показано, как различные статистические данные связаны друг с другом, с использованием наглядных и понятных графиков. ➣ Пройдите курс по метаанализу: https://meta-analysis-workshops.com/ ➣ Программное обеспечение для метаанализа – скачайте бесплатную пробную версию прямо сейчас: https://meta-analysis.com/ ➣ Закажите книгу «Распространенные ошибки в метаанализе и как их избежать»: https://meta-analysis-books.com/