Metaanálisis

Método estadístico que resume y/o integra datos de múltiples fuentes

El metanálisis es un método de síntesis de datos cuantitativos de múltiples estudios independientes que abordan una pregunta de investigación común. Una parte importante de este método implica calcular un tamaño del efecto combinado en todos los estudios. Como tal, este enfoque estadístico implica extraer tamaños del efecto y medidas de varianza de varios estudios. Al combinar estos tamaños del efecto, se mejora el poder estadístico y se pueden resolver las incertidumbres o discrepancias encontradas en estudios individuales. Los metanálisis son fundamentales para respaldar las propuestas de subvenciones de investigación, dar forma a las pautas de tratamiento e influir en las políticas de salud. También son fundamentales para resumir la investigación existente para guiar los estudios futuros, consolidando así su papel como una metodología fundamental en la metaciencia . Los metanálisis son a menudo, pero no siempre, componentes importantes de una revisión sistemática .

Historia

El término "metaanálisis" fue acuñado en 1976 por el estadístico Gene Glass , ^{[1] [2]} quien afirmó que "el metaanálisis se refiere al análisis de análisis" . ^[3] El trabajo de Glass tenía como objetivo describir medidas agregadas de relaciones y efectos. ^[4] Si bien a Glass se le atribuye la autoría del primer metaanálisis moderno, un artículo publicado en 1904 por el estadístico Karl Pearson en el British Medical Journal ^[5] recopiló datos de varios estudios de inoculación de fiebre tifoidea y se considera la primera vez que se utilizó un enfoque metaanalítico para agregar los resultados de múltiples estudios clínicos. ^{[6] [7]} Se pueden encontrar otros numerosos ejemplos de metaanálisis tempranos, incluidos los de pruebas de aptitud ocupacional, ^{[8] [9]} y agricultura. ^[10]

El primer metaanálisis modelo fue publicado en 1978 sobre la efectividad de los resultados de la psicoterapia por Mary Lee Smith y Gene Glass . ^{[2] [11]} Después de la publicación de su artículo hubo resistencia a la utilidad y validez del metaanálisis como herramienta para la síntesis de evidencia. El primer ejemplo de esto fue por Han Eysenck quien en un artículo de 1978 en respuesta al trabajo realizado por Mary Lee Smith y Gene Glass llamó al metaanálisis un "ejercicio de mega-tonterías". ^{[12] [13]} Más tarde Eysenck se referiría al metaanálisis como "alquimia estadística". ^[14] A pesar de estas críticas, el uso del metaanálisis solo ha crecido desde su introducción moderna. Para 1991 había 334 metaanálisis publicados; ^[13] este número aumentó a 9,135 para 2014. ^{[1] [15]}

El campo del metaanálisis se ha expandido enormemente desde la década de 1970 y abarca múltiples disciplinas, entre ellas la psicología, la medicina y la ecología. ^[1] Además, la creación más reciente de comunidades de síntesis de evidencia ha aumentado la polinización cruzada de ideas, métodos y la creación de herramientas de software en todas las disciplinas. ^{[16] [17] [18]}

Búsqueda de literatura

Uno de los pasos más importantes de un metanálisis es la recopilación de datos. Para una búsqueda eficiente en la base de datos, se deben identificar las palabras clave y los límites de búsqueda adecuados. ^[19] El uso de operadores booleanos y límites de búsqueda puede ayudar en la búsqueda bibliográfica. ^{[20] [21]} Hay varias bases de datos disponibles (por ejemplo, PubMed, Embase, PsychInfo), sin embargo, depende del investigador elegir las fuentes más apropiadas para su área de investigación. ^[22] De hecho, muchos científicos utilizan términos de búsqueda duplicados dentro de dos o más bases de datos para cubrir múltiples fuentes ^[23] . También se pueden buscar estudios elegibles en las listas de referencias de estudios elegibles (es decir, efecto bola de nieve). ^[24] La búsqueda inicial puede devolver un gran volumen de estudios. ^[24] Muy a menudo, el resumen o el título del manuscrito revelan que el estudio no es elegible para su inclusión, según los criterios preespecificados ^[22] . Estos estudios pueden descartarse. Sin embargo, si parece que el estudio puede ser elegible (o incluso si hay alguna duda), se puede conservar el artículo completo para una inspección más detallada. También se pueden buscar artículos relevantes en las listas de referencias de los artículos elegibles. ^{[23] [25]} Estos resultados de búsqueda deben detallarse en un diagrama de flujo PRIMSA ^[26] que detalle el flujo de información a través de todas las etapas de la revisión. Por lo tanto, es importante anotar cuántos estudios se devolvieron después de usar los términos de búsqueda especificados y cuántos de estos estudios se descartaron y por qué razón. ^[22] Los términos y la estrategia de búsqueda deben ser lo suficientemente específicos para que un lector pueda reproducir la búsqueda. ^[27] También se debe proporcionar el rango de fechas de los estudios, junto con la fecha (o período de fechas) en que se realizó la búsqueda. ^[28]

Un formulario de recolección de datos proporciona un medio estandarizado para recolectar datos de estudios elegibles. ^[29] Para un metanálisis de datos correlacionales, la información del tamaño del efecto generalmente se recolecta como estadística r de Pearson. ^{[30] [31]} Las correlaciones parciales a menudo se informan en la investigación, sin embargo, estas pueden inflar las relaciones en comparación con las correlaciones de orden cero. ^[32] Además, las variables parcializadas probablemente varíen de un estudio a otro. Como consecuencia, muchos metanálisis excluyen las correlaciones parciales de su análisis. ^[22] Como último recurso, se pueden utilizar digitalizadores de gráficos para raspar puntos de datos de diagramas de dispersión (si están disponibles) para el cálculo de la r de Pearson . ^{[33] [34]} También se deben recolectar datos que informen características importantes del estudio que puedan moderar los efectos, como la edad media de los participantes. ^[35] También se puede incluir una medida de la calidad del estudio en estos formularios para evaluar la calidad de la evidencia de cada estudio. ^[36] Hay más de 80 herramientas disponibles para evaluar la calidad y el riesgo de sesgo en estudios observacionales, lo que refleja la diversidad de enfoques de investigación entre campos. ^{[36] [37] [38]} Estas herramientas suelen incluir una evaluación de cómo se midieron las variables dependientes, la selección apropiada de los participantes y el control apropiado de los factores de confusión. Otras medidas de calidad que pueden ser más relevantes para los estudios correlacionales incluyen el tamaño de la muestra, las propiedades psicométricas y el informe de los métodos. ^[22]

Una consideración final es si se deben incluir estudios de la literatura gris ^[39] , que se define como investigación que no se ha publicado formalmente. ^[40] Este tipo de literatura incluye resúmenes de conferencias, ^[41] disertaciones ^[42] y preimpresiones. ^[43] Si bien la inclusión de literatura gris reduce el riesgo de sesgo de publicación, la calidad metodológica del trabajo es a menudo (pero no siempre) inferior a la del trabajo publicado formalmente. ^{[44] [45]} Los informes de las actas de conferencias, que son la fuente más común de literatura gris, ^[46] están mal informados ^[47] y los datos en la publicación posterior a menudo son inconsistentes, con diferencias observadas en casi el 20% de los estudios publicados. ^[48]

Métodos y supuestos

Aproches

En general, al realizar un metanálisis se pueden distinguir dos tipos de evidencia: datos de participantes individuales (IPD) y datos agregados (AD). ^[49] Los datos agregados pueden ser directos o indirectos.

Los datos agregados indirectos están disponibles con mayor frecuencia (por ejemplo, en la literatura) y generalmente representan estimaciones resumidas, como razones de probabilidades ^[50] o riesgos relativos ^[51] . Esto se puede sintetizar directamente en estudios conceptualmente similares utilizando varios enfoques. Por otro lado, los datos agregados indirectos miden el efecto de dos tratamientos que se compararon cada uno con un grupo de control similar en un metanálisis. Por ejemplo, si el tratamiento A y el tratamiento B se compararon directamente con placebo en metanálisis separados, podemos usar estos dos resultados agrupados para obtener una estimación de los efectos de A frente a B en una comparación indirecta como efecto A frente a placebo menos efecto B frente a placebo.

La evidencia de IPD representa datos brutos recopilados por los centros de estudio. Esta distinción ha planteado la necesidad de diferentes métodos metaanalíticos cuando se desea sintetizar la evidencia, y ha llevado al desarrollo de métodos de una etapa y de dos etapas. ^[52] En los métodos de una etapa, la IPD de todos los estudios se modela simultáneamente mientras se tiene en cuenta la agrupación de los participantes dentro de los estudios. Los métodos de dos etapas primero calculan las estadísticas de resumen para AD de cada estudio y luego calculan las estadísticas generales como un promedio ponderado de las estadísticas del estudio. Al reducir la IPD a AD, los métodos de dos etapas también se pueden aplicar cuando la IPD está disponible; esto los convierte en una opción atractiva al realizar un metanálisis. Aunque se cree convencionalmente que los métodos de una etapa y de dos etapas arrojan resultados similares, estudios recientes han demostrado que ocasionalmente pueden conducir a conclusiones diferentes. ^{[53] [54]}

Modelos estadísticos para datos agregados

Modelo de efectos fijos

Diagrama de bosque de tamaños de efectos

El modelo de efectos fijos proporciona un promedio ponderado de una serie de estimaciones de estudios. ^[55] La inversa de la varianza de las estimaciones se utiliza comúnmente como peso del estudio, de modo que los estudios más grandes tienden a contribuir más que los estudios más pequeños al promedio ponderado. ^[56] En consecuencia, cuando los estudios dentro de un metanálisis están dominados por un estudio muy grande, los hallazgos de los estudios más pequeños prácticamente se ignoran. ^[57] Lo más importante es que el modelo de efectos fijos supone que todos los estudios incluidos investigan la misma población, utilizan las mismas definiciones de variables y resultados, etc. ^[58] Esta suposición suele ser poco realista ya que la investigación suele ser propensa a varias fuentes de heterogeneidad . ^{[59] [60]}

Si comenzamos con una colección de estimaciones independientes del tamaño del efecto, cada estimación tiene un tamaño del efecto correspondiente, podemos suponer que donde denota el efecto observado en el estudio -ésimo, el efecto verdadero correspondiente (desconocido), es el error de muestreo, y . Por lo tanto, se supone que los son estimaciones imparciales y distribuidas normalmente de sus efectos verdaderos correspondientes. Se supone que las varianzas de muestreo (es decir, los valores) son conocidas. ^[61] ${\displaystyle i=1,\ldots ,k}$ ${\textstyle y_{i}=\theta _{i}+e_{i}}$ ${\displaystyle y_{i}}$ ${\displaystyle i}$ ${\displaystyle \theta _{i}}$ ${\displaystyle e_{i}}$ ${\displaystyle e_{i}\thicksim N(0,v_{i})}$ ${\displaystyle y_{i}}$ ${\displaystyle v_{i}}$

Modelo de efectos aleatorios

La mayoría de los metanálisis se basan en conjuntos de estudios que no son exactamente idénticos en sus métodos y/o en las características de las muestras incluidas. ^[61] Las diferencias en los métodos y en las características de las muestras pueden introducir variabilidad (“heterogeneidad”) entre los efectos verdaderos. ^{[61] [62]} Una forma de modelar la heterogeneidad es tratarla como puramente aleatoria. El peso que se aplica en este proceso de promedio ponderado con un metanálisis de efectos aleatorios se logra en dos pasos: ^[63]

1. Paso 1: Ponderación de la varianza inversa
2. Paso 2: Desponderar esta ponderación de varianza inversa mediante la aplicación de un componente de varianza de efectos aleatorios (REVC) que simplemente se deriva del grado de variabilidad de los tamaños del efecto de los estudios subyacentes.

Esto significa que cuanto mayor sea la variabilidad en los tamaños de los efectos (también conocida como heterogeneidad ), mayor será la falta de ponderación y esto puede llegar a un punto en el que el resultado del metanálisis de efectos aleatorios se convierta simplemente en el tamaño del efecto promedio no ponderado en todos los estudios. En el otro extremo, cuando todos los tamaños de los efectos son similares (o la variabilidad no excede el error de muestreo), no se aplica REVC y el metanálisis de efectos aleatorios se convierte simplemente en un metanálisis de efectos fijos (solo ponderación de varianza inversa).

La magnitud de esta inversión depende únicamente de dos factores: ^[64]

1. Heterogeneidad de precisión
2. Heterogeneidad del tamaño del efecto

Dado que ninguno de estos factores indica automáticamente un estudio más grande defectuoso o estudios más pequeños más confiables, la redistribución de pesos bajo este modelo no guardará relación con lo que estos estudios realmente podrían ofrecer. De hecho, se ha demostrado que la redistribución de pesos es simplemente en una dirección de estudios más grandes a estudios más pequeños a medida que aumenta la heterogeneidad hasta que finalmente todos los estudios tienen el mismo peso y no es posible más redistribución. ^[64] Otro problema con el modelo de efectos aleatorios es que los intervalos de confianza utilizados con más frecuencia generalmente no mantienen su probabilidad de cobertura por encima del nivel nominal especificado y, por lo tanto, subestiman sustancialmente el error estadístico y potencialmente son demasiado confiados en sus conclusiones. ^{[65] [66]} Se han sugerido varias soluciones ^{[67] [68]} pero el debate continúa. ^{[66] [69]} Otra preocupación es que el efecto promedio del tratamiento a veces puede ser incluso menos conservador en comparación con el modelo de efectos fijos ^[70] y, por lo tanto, engañoso en la práctica. Una solución interpretativa que se ha sugerido es crear un intervalo de predicción alrededor de la estimación de efectos aleatorios para representar el rango de posibles efectos en la práctica. ^[71] Sin embargo, una suposición detrás del cálculo de dicho intervalo de predicción es que los ensayos se consideran entidades más o menos homogéneas y que las poblaciones de pacientes incluidas y los tratamientos comparadores deben considerarse intercambiables ^[72] y esto generalmente es inalcanzable en la práctica.

Existen muchos métodos utilizados para estimar la varianza entre estudios, siendo el estimador de máxima verosimilitud restringida el menos propenso a sesgos y uno de los más utilizados. ^[73] Existen varias técnicas iterativas avanzadas para calcular la varianza entre estudios, incluidos los métodos de máxima verosimilitud y máxima verosimilitud restringida, y los modelos de efectos aleatorios que utilizan estos métodos se pueden ejecutar con múltiples plataformas de software, incluidos Excel, ^[74] Stata, ^[75] SPSS, ^[76] y R. ^[61]

La mayoría de los metanálisis incluyen entre 2 y 4 estudios y, en la mayoría de los casos, una muestra de este tipo es inadecuada para estimar con precisión la heterogeneidad . Por lo tanto, parece que en los metanálisis pequeños se obtiene una estimación incorrecta de la varianza entre estudios, lo que lleva a una suposición falsa de homogeneidad. En general, parece que la heterogeneidad se subestima sistemáticamente en los metanálisis y los análisis de sensibilidad en los que se suponen altos niveles de heterogeneidad podrían ser informativos. ^[77] Estos modelos de efectos aleatorios y los paquetes de software mencionados anteriormente se relacionan con los metanálisis de agregados de estudios y los investigadores que deseen realizar metanálisis de datos de pacientes individuales (IPD) deben considerar enfoques de modelado de efectos mixtos. ^[78] /

Modelo de efectos de calidad

Doi y Thalib introdujeron originalmente el modelo de efectos de calidad. ^[79] Ellos ^[80] introdujeron un nuevo enfoque para el ajuste de la variabilidad entre estudios al incorporar la contribución de la varianza debido a un componente relevante (calidad) además de la contribución de la varianza debido al error aleatorio que se utiliza en cualquier modelo de metanálisis de efectos fijos para generar pesos para cada estudio. La fortaleza del metanálisis de efectos de calidad es que permite que la evidencia metodológica disponible se utilice sobre los efectos aleatorios subjetivos y, por lo tanto, ayuda a cerrar la brecha perjudicial que se ha abierto entre la metodología y las estadísticas en la investigación clínica. Para hacer esto, se calcula una varianza de sesgo sintético en función de la información de calidad para ajustar los pesos de varianza inversa y se introduce el peso ajustado de calidad del i- ésimo estudio. ^[79] Estos pesos ajustados se utilizan luego en el metanálisis. En otras palabras, si el estudio i es de buena calidad y otros estudios son de mala calidad, una proporción de sus pesos ajustados de calidad se redistribuye matemáticamente al estudio i dándole más peso hacia el tamaño del efecto general. A medida que los estudios se vuelven cada vez más similares en términos de calidad, la redistribución se vuelve progresivamente menor y cesa cuando todos los estudios son de igual calidad (en el caso de igual calidad, el modelo de efectos de calidad adopta por defecto el modelo IVhet; véase la sección anterior). Una evaluación reciente del modelo de efectos de calidad (con algunas actualizaciones) demuestra que, a pesar de la subjetividad de la evaluación de la calidad, el rendimiento (MSE y varianza verdadera bajo simulación) es superior al que se puede lograr con el modelo de efectos aleatorios. ^{[81] [82]} Este modelo reemplaza así las interpretaciones insostenibles que abundan en la literatura y hay un software disponible para explorar este método más a fondo. ^[83]

Métodos de metanálisis de redes

Un metanálisis en red analiza comparaciones indirectas. En la imagen, A se ha analizado en relación con C y C se ha analizado en relación con B. Sin embargo, la relación entre A y B solo se conoce indirectamente, y un metanálisis en red analiza esa evidencia indirecta de diferencias entre métodos e intervenciones utilizando un método estadístico.

Los métodos de metanálisis de comparación indirecta (también llamados metanálisis de red, en particular cuando se evalúan múltiples tratamientos simultáneamente) generalmente utilizan dos metodologías principales. ^{[84] [85]} En primer lugar, está el método Bucher ^[86] que es una comparación única o repetida de un ciclo cerrado de tres tratamientos de modo que uno de ellos sea común a los dos estudios y forme el nodo donde el ciclo comienza y termina. Por lo tanto, se necesitan múltiples comparaciones de dos por dos (ciclos de 3 tratamientos) para comparar múltiples tratamientos. Esta metodología requiere que los ensayos con más de dos brazos tengan solo dos brazos seleccionados ya que se requieren comparaciones independientes por pares. La metodología alternativa utiliza modelos estadísticos complejos para incluir los ensayos de múltiples brazos y las comparaciones simultáneas entre todos los tratamientos en competencia. Estos se han ejecutado utilizando métodos bayesianos, modelos lineales mixtos y enfoques de metarregresión. ^{[ cita requerida ]}

Marco bayesiano

La especificación de un modelo de meta-análisis de red bayesiana implica escribir un modelo de gráfico acíclico dirigido (DAG) para software de propósito general Markov chain Monte Carlo (MCMC) como WinBUGS. ^[87] Además, se deben especificar distribuciones previas para varios parámetros, y los datos se deben proporcionar en un formato específico. ^[87] Juntos, el DAG, las distribuciones previas y los datos forman un modelo jerárquico bayesiano. Para complicar aún más las cosas, debido a la naturaleza de la estimación MCMC, se deben elegir valores iniciales sobredispersos para varias cadenas independientes para que se pueda evaluar la convergencia. ^[88] Recientemente, se desarrollaron múltiples paquetes de software R para simplificar el ajuste del modelo (por ejemplo, metaBMA ^[89] y RoBMA ^[90] ) e incluso se implementaron en software estadístico con interfaz gráfica de usuario ( GUI ): JASP . Aunque la complejidad del enfoque bayesiano limita el uso de esta metodología, artículos tutoriales recientes están tratando de aumentar la accesibilidad de los métodos. ^{[91] [92]} Se ha sugerido una metodología para la automatización de este método ^[87], pero requiere que se disponga de datos de resultados a nivel de brazo, y esto no suele estar disponible. A veces se hacen grandes afirmaciones sobre la capacidad inherente del marco bayesiano para manejar el metanálisis de redes y su mayor flexibilidad. Sin embargo, esta elección de implementación del marco para la inferencia, bayesiano o frecuentista, puede ser menos importante que otras opciones con respecto al modelado de efectos ^[93] (ver la discusión sobre los modelos más arriba).

Marco multivariante frecuentista

Por otra parte, los métodos multivariados frecuentistas implican aproximaciones y suposiciones que no se establecen explícitamente ni se verifican cuando se aplican los métodos (véase la discusión sobre los modelos de metaanálisis más arriba). Por ejemplo, el paquete mvmeta para Stata permite el metaanálisis de redes en un marco frecuentista. ^[94] Sin embargo, si no hay un comparador común en la red, entonces esto tiene que manejarse aumentando el conjunto de datos con brazos ficticios con alta varianza, lo que no es muy objetivo y requiere una decisión sobre qué constituye una varianza suficientemente alta. ^[87] El otro problema es el uso del modelo de efectos aleatorios tanto en este marco frecuentista como en el marco bayesiano. Senn aconseja a los analistas ser cautelosos al interpretar el análisis de "efectos aleatorios", ya que solo se permite un efecto aleatorio pero se podrían prever muchos. ^[93] Senn continúa diciendo que es bastante ingenuo, incluso en el caso en el que solo se comparan dos tratamientos, asumir que el análisis de efectos aleatorios explica toda la incertidumbre sobre la forma en que los efectos pueden variar de un ensayo a otro. Modelos más nuevos de metaanálisis como los que se analizaron anteriormente seguramente ayudarían a aliviar esta situación y se han implementado en el próximo marco.

Marco de modelado generalizado por pares

Un enfoque que se ha probado desde finales de los años 90 es la implementación del análisis de bucle cerrado de tres tratamientos múltiples. Esto no ha sido popular porque el proceso rápidamente se vuelve abrumador a medida que aumenta la complejidad de la red. El desarrollo en esta área fue abandonado en favor de los métodos bayesianos y frecuentistas multivariados que surgieron como alternativas. Muy recientemente, algunos investigadores han desarrollado la automatización del método de bucle cerrado de tres tratamientos para redes complejas ^[74] como una forma de poner esta metodología a disposición de la comunidad de investigación general. Esta propuesta restringe cada ensayo a dos intervenciones, pero también introduce una solución alternativa para ensayos de múltiples brazos: se puede seleccionar un nodo de control fijo diferente en diferentes ejecuciones. También utiliza métodos de metanálisis robustos para evitar muchos de los problemas destacados anteriormente. Se requiere más investigación en torno a este marco para determinar si es realmente superior a los marcos bayesianos o frecuentistas multivariados. Los investigadores dispuestos a probar esto tienen acceso a este marco a través de un software gratuito. ^[83]

Metaanálisis personalizado

Otra forma de información adicional proviene del contexto previsto. Si se conoce el contexto objetivo para aplicar los resultados del metanálisis, entonces puede ser posible utilizar los datos del contexto para adaptar los resultados, produciendo así un "metanálisis personalizado". ^{[95] [96]} Esto se ha utilizado en metanálisis de precisión de pruebas, donde el conocimiento empírico de la tasa de resultados positivos de las pruebas y la prevalencia se han utilizado para derivar una región en el espacio de la característica operativa del receptor (ROC) conocida como "región aplicable". Luego, los estudios se seleccionan para el contexto objetivo en función de la comparación con esta región y se agregan para producir una estimación resumida que se adapta al contexto objetivo.

Agregando IPD y AD

El metanálisis también se puede aplicar para combinar IPD y AD. Esto resulta conveniente cuando los investigadores que realizan el análisis tienen sus propios datos brutos mientras recopilan datos agregados o resumidos de la literatura. El modelo de integración generalizado (GIM) ^[97] es una generalización del metanálisis. Permite que el modelo ajustado a los datos de los participantes individuales (IPD) sea diferente de los utilizados para calcular los datos agregados (AD). El GIM puede considerarse un método de calibración de modelos para integrar la información con mayor flexibilidad.

Validación de los resultados del metanálisis

La estimación del metanálisis representa un promedio ponderado entre los estudios y cuando hay heterogeneidad esto puede resultar en que la estimación resumida no sea representativa de los estudios individuales. La evaluación cualitativa de los estudios primarios utilizando herramientas establecidas puede descubrir sesgos potenciales, ^{[98] [99]} pero no cuantifica el efecto agregado de estos sesgos en la estimación resumida. Aunque el resultado del metanálisis podría compararse con un estudio primario prospectivo independiente, dicha validación externa a menudo es poco práctica. Esto ha llevado al desarrollo de métodos que explotan una forma de validación cruzada de dejar uno fuera , a veces denominada validación cruzada interna-externa (IOCV). ^[100] Aquí cada uno de los k estudios incluidos a su vez se omite y se compara con la estimación resumida derivada de la agregación de los k-1 estudios restantes. Se ha desarrollado una estadística de validación general, Vn basada en IOCV para medir la validez estadística de los resultados del metanálisis. ^[101] Para la precisión y predicción de las pruebas, particularmente cuando hay efectos multivariados, también se han propuesto otros enfoques que buscan estimar el error de predicción. ^[102]

Desafíos

Un metanálisis de varios estudios pequeños no siempre predice los resultados de un único estudio grande. ^[103] Algunos han argumentado que una debilidad del método es que las fuentes de sesgo no están controladas por el método: un buen metanálisis no puede corregir el mal diseño o el sesgo en los estudios originales. ^[104] Esto significaría que solo los estudios metodológicamente sólidos deberían incluirse en un metanálisis, una práctica llamada "síntesis de la mejor evidencia". ^[104] Otros metanalistas incluirían estudios más débiles y agregarían una variable predictora a nivel de estudio que refleje la calidad metodológica de los estudios para examinar el efecto de la calidad del estudio en el tamaño del efecto. ^[105] Sin embargo, otros han argumentado que un mejor enfoque es preservar la información sobre la varianza en la muestra del estudio, arrojando una red lo más amplia posible, y que los criterios de selección metodológica introducen subjetividad no deseada, frustrando el propósito del enfoque. ^[106] Más recientemente, y bajo la influencia de un impulso hacia prácticas abiertas en la ciencia, se han creado herramientas para desarrollar meta-análisis vivos “de colaboración colectiva” que son actualizados por comunidades de científicos ^{[107] [108]} con la esperanza de hacer más explícitas todas las elecciones subjetivas.

Sesgo de publicación: el problema del archivador

Se esperaba un gráfico de embudo sin el problema del cajón de archivos. Los estudios más grandes convergen en la punta, mientras que los estudios más pequeños muestran una dispersión más o menos simétrica en la base.

Se esperaba un gráfico de embudo con el problema del cajón de archivos. Los estudios más grandes todavía se agrupan alrededor de la punta, pero el sesgo contra la publicación de estudios negativos ha hecho que los estudios más pequeños en su conjunto tengan un resultado injustificadamente favorable a la hipótesis.

Otro posible escollo es la dependencia del conjunto de estudios publicados disponibles, lo que puede crear resultados exagerados debido al sesgo de publicación ^[109] , ya que los estudios que muestran resultados negativos o insignificantes tienen menos probabilidades de ser publicados. ^[110] Por ejemplo, se sabe que las compañías farmacéuticas ocultan estudios negativos ^[111] y los investigadores pueden haber pasado por alto estudios no publicados, como estudios de tesis o resúmenes de conferencias que no llegaron a publicarse. ^[112] Esto no se resuelve fácilmente, ya que no se puede saber cuántos estudios no se han publicado. ^{[113] [114]}

Este problema de archivador, caracterizado por resultados negativos o no significativos que se guardan en un armario, puede dar lugar a una distribución sesgada de los tamaños del efecto, creando así una grave falacia de tasa base , en la que se sobreestima la importancia de los estudios publicados, ya que otros estudios no se presentaron para su publicación o fueron rechazados. Esto debería tenerse muy en cuenta al interpretar los resultados de un metanálisis. ^{[113] [115]}

La distribución de los tamaños del efecto se puede visualizar con un gráfico de embudo que (en su versión más común) es un gráfico de dispersión del error estándar versus el tamaño del efecto. ^[116] Hace uso del hecho de que los estudios más pequeños (y por lo tanto los errores estándar más grandes) tienen más dispersión de la magnitud del efecto (siendo menos precisos) mientras que los estudios más grandes tienen menos dispersión y forman la punta del embudo. Si muchos estudios negativos no se publicaron, los estudios positivos restantes dan lugar a un gráfico de embudo en el que la base está sesgada hacia un lado (asimetría del gráfico de embudo). Por el contrario, cuando no hay sesgo de publicación, el efecto de los estudios más pequeños no tiene razón para estar sesgado hacia un lado y, por lo tanto, resulta un gráfico de embudo simétrico. Esto también significa que si no hay sesgo de publicación, no habría relación entre el error estándar y el tamaño del efecto. ^[117] Una relación negativa o positiva entre el error estándar y el tamaño del efecto implicaría que los estudios más pequeños que encontraron efectos en una sola dirección tenían más probabilidades de ser publicados y/o enviados para su publicación.

Además del gráfico de embudo visual, también se han propuesto métodos estadísticos para detectar el sesgo de publicación. ^[114] Estos son controvertidos porque normalmente tienen un poder bajo para la detección del sesgo, pero también pueden dar falsos positivos en algunas circunstancias. ^[118] Por ejemplo, los efectos de estudios pequeños (estudios más pequeños sesgados), en los que existen diferencias metodológicas entre estudios más pequeños y más grandes, pueden causar una asimetría en los tamaños del efecto que se asemeja al sesgo de publicación. Sin embargo, los efectos de estudios pequeños pueden ser igualmente problemáticos para la interpretación de los metanálisis, y es imperativo que los autores de metaanálisis investiguen las posibles fuentes de sesgo. ^[119]

El problema del sesgo de publicación no es trivial, ya que se sugiere que el 25% de los metanálisis en las ciencias psicológicas pueden haber sufrido sesgo de publicación. ^[120] Sin embargo, el bajo poder de las pruebas existentes y los problemas con la apariencia visual del gráfico de embudo siguen siendo un problema, y ​​las estimaciones del sesgo de publicación pueden seguir siendo inferiores a lo que realmente existe.

La mayoría de los debates sobre el sesgo de publicación se centran en las prácticas de las revistas que favorecen la publicación de hallazgos estadísticamente significativos. Sin embargo, las prácticas de investigación cuestionables, como la reelaboración de los modelos estadísticos hasta lograr la significación, también pueden favorecer los hallazgos estadísticamente significativos en apoyo de las hipótesis de los investigadores. ^{[121] [122]}

Problemas relacionados con estudios que no informan efectos estadísticamente no significativos

Los estudios a menudo no informan los efectos cuando no alcanzan significación estadística. ^[123] Por ejemplo, pueden simplemente decir que los grupos no mostraron diferencias estadísticamente significativas, sin informar ninguna otra información (por ejemplo, una estadística o un valor p). ^[124] La exclusión de estos estudios conduciría a una situación similar al sesgo de publicación, pero su inclusión (asumiendo efectos nulos) también sesgaría el metanálisis.

Problemas relacionados con el enfoque estadístico

Otras debilidades son que no se ha determinado si el método estadísticamente más preciso para combinar resultados es el modelo de efectos fijos, IVhet, aleatorios o de calidad, aunque las críticas contra el modelo de efectos aleatorios están aumentando debido a la percepción de que los nuevos efectos aleatorios (utilizados en el metanálisis) son esencialmente dispositivos formales para facilitar la suavización o la contracción y la predicción puede ser imposible o desaconsejable. ^[125] El principal problema con el enfoque de efectos aleatorios es que utiliza el pensamiento estadístico clásico de generar un "estimador de compromiso" que hace que los pesos se acerquen al estimador ponderado naturalmente si la heterogeneidad entre estudios es grande, pero cerca del estimador ponderado por varianza inversa si la heterogeneidad entre estudios es pequeña. Sin embargo, lo que se ha ignorado es la distinción entre el modelo que elegimos para analizar un conjunto de datos dado y el mecanismo por el cual los datos surgieron . ^[126] Un efecto aleatorio puede estar presente en cualquiera de estos roles, pero los dos roles son bastante distintos. No hay razón para pensar que el modelo de análisis y el mecanismo de generación de datos (modelo) sean similares en su forma, pero muchos subcampos de la estadística han desarrollado el hábito de suponer, para la teoría y las simulaciones, que el mecanismo de generación de datos (modelo) es idéntico al modelo de análisis que elegimos (o que nos gustaría que otros eligieran). Como mecanismo hipotético para producir los datos, el modelo de efectos aleatorios para el metanálisis es una tontería y es más apropiado pensar en este modelo como una descripción superficial y algo que elegimos como herramienta analítica, pero esta elección para el metanálisis puede no funcionar porque los efectos del estudio son una característica fija del metanálisis respectivo y la distribución de probabilidad es solo una herramienta descriptiva. ^[126]

Problemas derivados del sesgo impulsado por una agenda

El error más grave en el metanálisis ocurre a menudo cuando la persona o personas que lo realizan tienen una agenda económica , social o política , como la aprobación o el rechazo de una legislación . ^[127] Las personas con este tipo de agendas pueden ser más propensas a abusar del metanálisis debido a sesgos personales . Por ejemplo, es probable que los estudios de los investigadores favorables a la agenda del autor sean seleccionados cuidadosamente, mientras que los que no lo son serán ignorados o etiquetados como "no creíbles". Además, los autores favorecidos pueden estar sesgados o recibir un pago para producir resultados que respalden sus objetivos políticos, sociales o económicos generales de formas como la selección de pequeños conjuntos de datos favorables y la no incorporación de conjuntos de datos desfavorables más grandes. La influencia de tales sesgos en los resultados de un metanálisis es posible porque la metodología del metanálisis es altamente maleable. ^[128]

Un estudio de 2011 realizado para revelar posibles conflictos de intereses en estudios de investigación subyacentes utilizados para metanálisis médicos revisó 29 metanálisis y encontró que los conflictos de intereses en los estudios subyacentes a los metanálisis rara vez se revelaron. Los 29 metanálisis incluyeron 11 de revistas de medicina general, 15 de revistas de medicina especializada y tres de la Base de Datos Cochrane de Revisiones Sistemáticas . Los 29 metanálisis revisaron un total de 509 ensayos controlados aleatorios (ECA). De estos, 318 ECA informaron fuentes de financiación, y 219 (69 %) recibieron financiación de la industria (es decir, uno o más autores que tienen vínculos financieros con la industria farmacéutica). De los 509 ECA, 132 informaron divulgaciones de conflictos de intereses de los autores, y 91 estudios (69 %) revelaron que uno o más autores tenían vínculos financieros con la industria. Sin embargo, la información rara vez se reflejó en los metanálisis. Sólo dos (7%) informaron sobre las fuentes de financiación de los RCT y ninguno informó sobre los vínculos entre los autores de los RCT y la industria. Los autores concluyeron que "sin el reconocimiento de los conflictos de intereses debidos a la financiación de la industria o los vínculos financieros de los autores con la industria a partir de los RCT incluidos en los metanálisis, la comprensión y la evaluación de los lectores de la evidencia del metanálisis pueden verse comprometidas". ^[129]

Por ejemplo, en 1998, un juez federal de los Estados Unidos determinó que la Agencia de Protección Ambiental de los Estados Unidos había abusado del proceso de metaanálisis para producir un estudio que afirmaba que el humo de tabaco ambiental (HTA) presentaba riesgos de cáncer para los no fumadores con la intención de influir en los responsables de las políticas para que aprobaran leyes que prohibieran fumar en el lugar de trabajo. ^{[130] [131] [132]}

Comparabilidad y validez de los estudios incluidos

Con frecuencia, el metanálisis no puede sustituir a un estudio primario con potencia adecuada, en particular en las ciencias biológicas. ^[133]

La heterogeneidad de los métodos utilizados puede llevar a conclusiones erróneas. ^[134] Por ejemplo, las diferencias en las formas de una intervención o las cohortes que se consideran menores o desconocidas para los científicos podrían llevar a resultados sustancialmente diferentes, incluidos resultados que distorsionan los resultados del metanálisis o no se consideran adecuadamente en sus datos. Viceversa, los resultados de los metanálisis también pueden hacer que ciertas hipótesis o intervenciones parezcan no viables y evitar futuras investigaciones o aprobaciones, a pesar de ciertas modificaciones, como la administración intermitente, los criterios personalizados y las medidas combinadas , lo que lleva a resultados sustancialmente diferentes, incluso en casos en que se han identificado y aplicado con éxito en estudios a pequeña escala que se consideraron en el metanálisis. ^{[ cita requerida ]} La estandarización , la reproducción de experimentos , los datos abiertos y los protocolos abiertos a menudo no pueden mitigar tales problemas, por ejemplo, ya que los factores y criterios relevantes podrían ser desconocidos o no estar registrados. ^{[ cita requerida ]}

Existe un debate sobre el equilibrio adecuado entre la realización de pruebas con la menor cantidad posible de animales o seres humanos y la necesidad de obtener resultados sólidos y fiables. Se ha sostenido que la investigación poco fiable es ineficiente y derrochadora, y que los estudios no sólo son derrochadores cuando se detienen demasiado tarde, sino también cuando se detienen demasiado pronto. En los ensayos clínicos de gran tamaño, a veces se utilizan análisis secuenciales planificados si la realización de pruebas a los participantes implica un gasto considerable o un daño potencial. ^[135] En la ciencia conductual aplicada , se han propuesto "megaestudios" para investigar la eficacia de muchas intervenciones diferentes diseñadas de manera interdisciplinaria por equipos separados. ^[136] Uno de esos estudios utilizó una cadena de aptitud para reclutar a un gran número de participantes. Se ha sugerido que las intervenciones conductuales suelen ser difíciles de comparar [en metanálisis y revisiones], ya que "diferentes científicos prueban diferentes ideas de intervención en diferentes muestras utilizando diferentes resultados durante diferentes intervalos de tiempo", lo que provoca una falta de comparabilidad de esas investigaciones individuales que limita "su potencial para informar las políticas ". ^[136]

Los estándares de inclusión débiles conducen a conclusiones engañosas

Los metanálisis en educación a menudo no son lo suficientemente restrictivos en cuanto a la calidad metodológica de los estudios que incluyen. Por ejemplo, los estudios que incluyen muestras pequeñas o medidas elaboradas por los investigadores conducen a estimaciones infladas del tamaño del efecto. ^[137] Sin embargo, este problema también afecta al metanálisis de ensayos clínicos. El uso de diferentes herramientas de evaluación de la calidad (QAT, por sus siglas en inglés) conduce a la inclusión de diferentes estudios y a la obtención de estimaciones contradictorias de los efectos promedio del tratamiento. ^{[138] [139]}

Aplicaciones en la ciencia moderna

Resumen gráfico de un metanálisis de más de 1000 casos de glioma pontino intrínseco difuso y otros gliomas pediátricos, en el que se extrajo información sobre las mutaciones implicadas, así como los resultados genéricos, de la literatura primaria subyacente.

El metaanálisis estadístico moderno hace más que simplemente combinar los tamaños de los efectos de un conjunto de estudios utilizando un promedio ponderado. Puede probar si los resultados de los estudios muestran una variación mayor que la que se espera debido al muestreo de diferentes números de participantes de la investigación. Además, las características del estudio, como el instrumento de medición utilizado, la población muestreada o aspectos del diseño de los estudios, se pueden codificar y utilizar para reducir la varianza del estimador (ver modelos estadísticos más arriba). De este modo, algunas debilidades metodológicas en los estudios se pueden corregir estadísticamente. Otros usos de los métodos metaanalíticos incluyen el desarrollo y validación de modelos de predicción clínica, donde el metaanálisis se puede utilizar para combinar datos de participantes individuales de diferentes centros de investigación y para evaluar la generalización del modelo, ^{[140] [141]} o incluso para agregar modelos de predicción existentes. ^[142]

El metanálisis se puede realizar con diseños de investigación de un solo sujeto , así como con diseños de investigación grupal. ^[143] Esto es importante porque se han realizado muchas investigaciones con diseños de investigación de un solo sujeto . ^[144] Existe una considerable controversia sobre la técnica metaanalítica más apropiada para la investigación de un solo sujeto. ^[145]

El metanálisis lleva a un cambio de énfasis desde estudios individuales a estudios múltiples. Hace hincapié en la importancia práctica del tamaño del efecto en lugar de la significación estadística de estudios individuales. Este cambio de pensamiento se ha denominado "pensamiento metaanalítico". Los resultados de un metanálisis a menudo se muestran en un diagrama de bosque .

Los resultados de los estudios se combinan utilizando diferentes enfoques. Un enfoque que se utiliza con frecuencia en los metanálisis en la investigación sobre atención sanitaria se denomina " método de varianza inversa ". El tamaño del efecto promedio en todos los estudios se calcula como una media ponderada , donde los pesos son iguales a la varianza inversa del estimador del efecto de cada estudio. Los estudios más grandes y los estudios con menos variación aleatoria reciben un mayor peso que los estudios más pequeños. Otros enfoques comunes incluyen el método de Mantel-Haenszel ^[146] y el método de Peto ^[147] .

El mapeo diferencial basado en semillas (anteriormente mapeo diferencial con signo, SDM) es una técnica estadística para metaanalizar estudios sobre diferencias en la actividad o estructura cerebral que utilizan técnicas de neuroimagen como fMRI, VBM o PET.

Se han utilizado diferentes técnicas de alto rendimiento, como los microarrays, para comprender la expresión génica . Los perfiles de expresión de microARN se han utilizado para identificar microARN expresados ​​de forma diferencial en un tipo de célula o tejido en particular o en condiciones patológicas o para comprobar el efecto de un tratamiento. Se realizó un metanálisis de dichos perfiles de expresión para obtener nuevas conclusiones y validar los hallazgos conocidos. ^[148]

El metaanálisis de estudios de secuenciación del genoma completo ofrece una solución atractiva al problema de recolectar muestras de gran tamaño para descubrir variantes raras asociadas con fenotipos complejos. Se han desarrollado algunos métodos para permitir el metaanálisis de asociaciones de variantes raras con información funcional en cohortes a escala de biobanco utilizando enfoques eficientes para el almacenamiento de estadísticas resumidas. ^[149]

Los metaanálisis de gran alcance también pueden utilizarse para estimar una red de efectos. Esto permite a los investigadores examinar patrones en el panorama más completo de resultados estimados con mayor precisión y extraer conclusiones que consideren el contexto más amplio (por ejemplo, cómo varían las relaciones entre personalidad e inteligencia según la familia de rasgos). ^[150]

Véase también

• Portal de matemáticas

• Estadísticas de estimación
• Metaciencia
• Escala de Newcastle-Ottawa
• Sesgo de notificación
• Revista de revisión
• Investigación secundaria
• Estudiar la heterogeneidad
• Revisión sistemática
• La trama de Galbraith
• Agregación de datos

Fuentes

 Este artículo incorpora texto de Daniel S. Quintana disponible bajo la licencia CC BY 4.0.

 Este artículo incorpora texto de Wolfgang Viechtbauer disponible bajo la licencia CC BY 3.0.

Referencias

1. Shadish WR, Lecy JD (septiembre de 2015). "El Big Bang metaanalítico". Métodos de síntesis de investigación . 6 (3): 246–264. doi :10.1002/jrsm.1132. PMID  26212600. S2CID  5416879.
2. Glass GV (septiembre de 2015). "Metaanálisis en la mediana edad: una historia personal". Métodos de síntesis de investigación . 6 (3): 221–231. doi :10.1002/jrsm.1133. PMID  26355796. S2CID  30083129.
3. Glass GV (1976). "Análisis primario, secundario y metaanálisis de la investigación". Educational Researcher . 5 (10): 3–8. doi :10.3102/0013189X005010003. S2CID  3185455.
4. Hunt, Morton (1997). Cómo la ciencia hace balance: la historia del metaanálisis (1.ª ed.). Nueva York, Nueva York, Estados Unidos de América: Russell Sage Foundation.
5. "Informe sobre ciertas estadísticas de inoculación de fiebre entérica". British Medical Journal . 2 (2288): 1243–1246. Noviembre de 1904. doi :10.1136/bmj.2.2288.1243. PMC 2355479 . PMID  20761760. 
6. Nordmann AJ, Kasenda B, Briel M (9 de marzo de 2012). "Metaanálisis: qué pueden y qué no pueden hacer". Swiss Medical Weekly . 142 : w13518. doi : 10.4414/smw.2012.13518 . PMID  22407741.
7. O'Rourke K (diciembre de 2007). "Una perspectiva histórica sobre el metanálisis: cómo abordar cuantitativamente los resultados de estudios variables". Revista de la Royal Society of Medicine . 100 (12): 579–582. doi :10.1177/0141076807100012020. PMC 2121629 . PMID  18065712. 
8. Ghiselli, EE (1955). La medición de la aptitud ocupacional. Publicaciones de la Universidad de California en Psicología, 8, 101–216.
9. Ghiselli, Edwin E. (1973). "La validez de las pruebas de aptitud en la selección de personal". Psicología del personal . 26 (4): 461–477. doi :10.1111/j.1744-6570.1973.tb01150.x. ISSN  0031-5826.
10. Yates, F.; Cochran, WG (1938). "El análisis de grupos de experimentos". Revista de Ciencias Agrícolas . 28 (4): 556–580. doi :10.1017/S0021859600050978. ISSN  0021-8596. S2CID  86619593.
11. Smith, Mary L.; Glass, Gene V. (1977). "Metaanálisis de estudios de resultados de psicoterapia". American Psychologist . 32 (9): 752–760. doi :10.1037/0003-066X.32.9.752. ISSN  1935-990X. PMID  921048. S2CID  43326263.
12. Eysenck, HJ (1978). "Un ejercicio de mega-tontería". American Psychologist . 33 (5): 517. doi :10.1037/0003-066X.33.5.517.a. ISSN  1935-990X.
13. Sharpe, Donald; Poets, Sarena (2020). "Metaanálisis como respuesta a la crisis de replicación". Psicología canadiense / Psychologie Canadienne . 61 (4): 377–387. doi :10.1037/cap0000215. ISSN  1878-7304. S2CID  225384392.
14. Eysenck, HJ (1995). "¿Metaanálisis o síntesis de la mejor evidencia?". Journal of Evaluation in Clinical Practice . 1 (1): 29–36. doi :10.1111/j.1365-2753.1995.tb00005.x. ISSN  1356-1294. PMID  9238555.
15. Ioannidis, John PA (2016). "La producción masiva de revisiones sistemáticas y metaanálisis redundantes, engañosos y conflictivos". The Milbank Quarterly . 94 (3): 485–514. doi :10.1111/1468-0009.12210. ISSN  0887-378X. PMC 5020151 . PMID  27620683. 
16. Vandvik PO, Brandt L (julio de 2020). "Serie Future of Evidence Ecosystem: Ecosistemas de evidencia y sistemas de salud de aprendizaje: ¿por qué molestarse?". Journal of Clinical Epidemiology . 123 : 166–170. doi :10.1016/j.jclinepi.2020.02.008. PMID  32145365. S2CID  212629387.
17. Cartabellotta A, Tilson JK (junio de 2019). "El ecosistema de la evidencia no puede prosperar sin la eficiencia de la generación, síntesis y traducción de conocimientos". Journal of Clinical Epidemiology . 110 : 90–95. doi :10.1016/j.jclinepi.2019.01.008. PMID  30708174. S2CID  73415319.
18. Haddaway NR, Bannach-Brown A, Grainger MJ, Hamilton WK, Hennessy EA, Keenan C, et al. (junio de 2022). "La síntesis de evidencia y el metanálisis en la conferencia R (ESMARConf): nivelando el campo de juego de la accesibilidad y la equidad de la conferencia". Revisiones sistemáticas . 11 (1): 113. doi : 10.1186/s13643-022-01985-6 . PMC 9164457 . PMID  35659294. 
19. Grames, Eliza M.; Stillman, Andrew N.; Tingley, Morgan W.; Elphick, Chris S. (2019). Freckleton, Robert (ed.). "Un enfoque automatizado para identificar términos de búsqueda para revisiones sistemáticas utilizando redes de coocurrencia de palabras clave". Métodos en ecología y evolución . 10 (10): 1645–1654. Bibcode :2019MEcEv..10.1645G. doi : 10.1111/2041-210X.13268 . ISSN  2041-210X.
20. Sood, Amit; Erwin, Patricia J.; Ebbert, Jon O. (2004). "Uso de herramientas de búsqueda avanzada en PubMed para la recuperación de citas". Mayo Clinic Proceedings . 79 (10): 1295–1300. doi : 10.4065/79.10.1295 . PMID  15473412.
21. Vincent, Beatriz; Vincent, Maurice; Ferreira, Carlos Gil (1 de marzo de 2006). "Simplificar la búsqueda en PubMed: aprender a recuperar literatura médica mediante la resolución interactiva de problemas". The Oncologist . 11 (3): 243–251. doi : 10.1634/theoncologist.11-3-243 . ISSN  1083-7159. PMID  16549808.
22. Quintana, Daniel S. (8 de octubre de 2015). "Del prerregistro a la publicación: una introducción no técnica para realizar un metaanálisis con el fin de sintetizar datos correlacionales". Frontiers in Psychology . 6 : 1549. doi : 10.3389/fpsyg.2015.01549 . ISSN  1664-1078. PMC 4597034 . PMID  26500598. 
23. Bramer, Wichor M.; Giustini, Dean; de Jonge, Gerdien B.; Holland, Leslie; Bekhuis, Tanja (2016). "Desduplicación de resultados de búsqueda de bases de datos para revisiones sistemáticas en EndNote". Revista de la Asociación de Bibliotecas Médicas: JMLA . 104 (3): 240–243. doi :10.3163/1536-5050.104.3.014. ISSN  1536-5050. PMC 4915647. PMID 27366130  . 
24. Horsley, Tanya; Dingwall, Orvie; Sampson, Margaret (10 de agosto de 2011). Grupo Cochrane de Revisión Metodológica (ed.). "Comprobación de listas de referencias para encontrar estudios adicionales para revisiones sistemáticas". Base de Datos Cochrane de Revisiones Sistemáticas . 2011 (8): MR000026. doi :10.1002/14651858.MR000026.pub2. PMC 7388740. PMID  21833989 . 
25. Bramer, Wichor M.; De Jonge, Gerdien B.; Rethlefsen, Melissa L.; Mast, Frans; Kleijnen, Jos (4 de octubre de 2018). "Un enfoque sistemático para la búsqueda: un método eficiente y completo para desarrollar búsquedas bibliográficas". Revista de la Asociación de Bibliotecas Médicas . 106 (4): 531–541. doi :10.5195/jmla.2018.283. ISSN  1558-9439. PMC 6148622 . PMID  30271302. 
26. Moher, David; Tetzlaff, Jennifer; Tricco, Andrea C; Sampson, Margaret; Altman, Douglas G (27 de marzo de 2007). Clarke, Mike (ed.). "Epidemiología y características de los informes de revisiones sistemáticas". PLOS Medicine . 4 (3): e78. doi : 10.1371/journal.pmed.0040078 . ISSN  1549-1676. PMC 1831728 . PMID  17388659. 
27. Lakens, Daniël; Hilgard, Joe; Staaks, Janneke (2016). "Sobre la reproducibilidad de los metanálisis: seis recomendaciones prácticas". BMC Psychology . 4 (1): 24. doi : 10.1186/s40359-016-0126-3 . ISSN  2050-7283. PMC 4886411 . PMID  27241618. 
28. Nguyen, Phi-Yen; McKenzie, Joanne E.; Hamilton, Daniel G.; Moher, David; Tugwell, Peter; Fidler, Fiona M.; Haddaway, Neal R.; Higgins, Julian PT; Kanukula, Raju; Karunananthan, Sathya; Maxwell, Lara J.; McDonald, Steve; Nakagawa, Shinichi; Nunan, David; Welch, Vivian A. (2023). "Perspectivas de los revisores sistemáticos sobre el intercambio de datos de revisión, código analítico y otros materiales: una encuesta". Síntesis de evidencia y métodos Cochrane . 1 (2). doi : 10.1002/cesm.12008 . ISSN  2832-9023.
29. Page, Matthew J.; Altman, Douglas G.; Shamseer, Larissa; McKenzie, Joanne E.; Ahmadzai, Nadera; Wolfe, Dianna; Yazdi, Fatemeh; Catalá-López, Ferrán; Tricco, Andrea C.; Moher, David (2018). "Las prácticas de investigación reproducibles están infrautilizadas en las revisiones sistemáticas de intervenciones biomédicas". Journal of Clinical Epidemiology . 94 : 8–18. doi :10.1016/j.jclinepi.2017.10.017. PMID  29113936.
30. Aloe, Ariel M. (2014). "Una investigación empírica de los tamaños de los efectos parciales en el metaanálisis de datos correlacionales". Revista de Psicología General . 141 (1): 47–64. doi :10.1080/00221309.2013.853021. ISSN  0022-1309. PMID  24838020.
31. Tracz, Susan M.; Elmore, Patricia B.; Pohlmann, John T. (1992). "Metaanálisis correlacional: casos independientes y no independientes". Medición educativa y psicológica . 52 (4): 879–888. doi :10.1177/0013164492052004007. ISSN  0013-1644.
32. Cramer, Duncan (2003). "Una historia aleccionadora de dos estadísticas: correlación parcial y regresión parcial estandarizada". Revista de Psicología . 137 (5): 507–511. doi :10.1080/00223980309600632. ISSN  0022-3980. PMID  14629080. S2CID  37557674.
33. Gross, Arnd; Schirm, Sibylle; Scholz, Markus (2014). "Ycasd: una herramienta para capturar y escalar datos a partir de representaciones gráficas". BMC Bioinformatics . 15 (1): 219. doi : 10.1186/1471-2105-15-219 . ISSN  1471-2105. PMC 4085079 . PMID  24965054. 
34. Cliche, Mathieu; Rosenberg, David; Madeka, Dhruv; Yee, Connie (2017), Ceci, Michelangelo; Hollmén, Jaakko; Todorovski, Ljupčo; Vens, Celine (eds.), "Scatteract: Extracción automatizada de datos de diagramas de dispersión", Machine Learning and Knowledge Discovery in Databases , vol. 10534, Cham: Springer International Publishing, págs. 135–150, arXiv : 1704.06687 , doi :10.1007/978-3-319-71249-9_9, ISBN 978-3-319-71248-2, S2CID  9543956 , consultado el 26 de diciembre de 2023
35. Moreau, David; Gamble, Beau (2022). "Realización de un metaanálisis en la era de la ciencia abierta: herramientas, consejos y recomendaciones prácticas". Métodos psicológicos . 27 (3): 426–432. doi :10.1037/met0000351. ISSN  1939-1463. PMID  32914999. S2CID  221619510.
36. McGuinness, Luke A.; Higgins, Julian PT (2021). "Visualización del riesgo de sesgo (robvis): un paquete R y una aplicación web Shiny para visualizar evaluaciones del riesgo de sesgo". Métodos de síntesis de investigación . 12 (1): 55–61. doi : 10.1002/jrsm.1411 . hdl : 1983/e59b578e-1534-43d9-a438-8bc27b363a9a . ISSN  1759-2879. PMID  32336025.
37. Sanderson, S.; Tatt, I. D; Higgins, JP (1 de junio de 2007). "Herramientas para evaluar la calidad y la susceptibilidad al sesgo en estudios observacionales en epidemiología: una revisión sistemática y una bibliografía comentada". Revista Internacional de Epidemiología . 36 (3): 666–676. doi : 10.1093/ije/dym018 . ISSN  0300-5771. PMID  17470488.
38. Haddaway, Neal R.; Macura, Biljana; Whaley, Paul; Pullin, Andrew S. (2018). "Estándares de informes ROSES para síntesis de evidencia sistemática: proforma, diagrama de flujo y resumen descriptivo del plan y la realización de revisiones sistemáticas ambientales y mapas sistemáticos". Environmental Evidence . 7 (1). Bibcode :2018EnvEv...7....7H. doi : 10.1186/s13750-018-0121-7 . ISSN  2047-2382.
39. Paez, Arsenio (2017). "Literatura gris: Un recurso importante en las revisiones sistemáticas". Revista de Medicina Basada en la Evidencia . 10 (3): 233–240. doi :10.1111/jebm.12266. ISSN  1756-5383. PMID  28857505.
40. Conn, Vicki S.; Valentine, Jeffrey C.; Cooper, Harris M.; Rantz, Marilyn J. (2003). "Literatura gris en metaanálisis". Investigación en enfermería . 52 (4): 256–261. doi :10.1097/00006199-200307000-00008. ISSN  0029-6562. PMID  12867783. S2CID  27109643.
41. Scherer, Roberta W.; Saldanha, Ian J. (2019). "¿Cómo deben los revisores sistemáticos manejar los resúmenes de congresos? Una visión desde las trincheras". Revisiones sistemáticas . 8 (1): 264. doi : 10.1186/s13643-019-1188-0 . ISSN  2046-4053. PMC 6836535 . PMID  31699124. 
42. Hartling, Lisa; Featherstone, Robin; Nuspl, Megan; Shave, Kassi; Dryden, Donna M.; Vandermeer, Ben (2017). "Literatura gris en revisiones sistemáticas: un estudio transversal de la contribución de informes no ingleses, estudios no publicados y disertaciones a los resultados de metanálisis en revisiones relevantes para niños". BMC Medical Research Methodology . 17 (1): 64. doi : 10.1186/s12874-017-0347-z . ISSN  1471-2288. PMC 5395863 . PMID  28420349. 
43. Haddaway, NR; Woodcock, P.; Macura, B.; Collins, A. (2015). "Hacer que las revisiones de la literatura sean más confiables mediante la aplicación de lecciones extraídas de revisiones sistemáticas". Biología de la conservación . 29 (6): 1596–1605. Bibcode :2015ConBi..29.1596H. doi :10.1111/cobi.12541. ISSN  0888-8892. JSTOR  24761072. PMID  26032263. S2CID  20624428.
44. Egger, M; Jüni, P; Bartlett, C; Holenstein, F; Sterne, J (2003). "¿Qué importancia tienen las búsquedas exhaustivas de literatura y la evaluación de la calidad de los ensayos en las revisiones sistemáticas? Estudio empírico". Health Technology Assessment . 7 (1): 1–82. doi : 10.3310/hta7010 . ISSN  1366-5278. PMID  12583822.
45. Lefebvre, Carol; Glanville, Julie; Briscoe, Simon; Littlewood, Anne; Marshall, Chris; Metzendorf, Maria-Inti; Noel-Storr, Anna; Rader, Tamara; Shokraneh, Farhad (23 de septiembre de 2019), Higgins, Julian PT; Thomas, James; Chandler, Jacqueline; Cumpston, Miranda (eds.), "Búsqueda y selección de estudios", Manual Cochrane para revisiones sistemáticas de intervenciones (1.ª ed.), Wiley, págs. 67-107, doi :10.1002/9781119536604.ch4, ISBN 978-1-119-53662-8, S2CID  204603849 , consultado el 26 de diciembre de 2023
46. McAuley, Laura; Pham, Ba'; Tugwell, Peter; Moher, David (2000). "¿Influye la inclusión de literatura gris en las estimaciones de la efectividad de la intervención informadas en los metanálisis?". The Lancet . 356 (9237): 1228–1231. doi :10.1016/S0140-6736(00)02786-0. PMID  11072941. S2CID  33777183.
47. Hopewell, Sally; Clarke, Mike (2005). "Resúmenes presentados en la conferencia de la Sociedad Americana de Oncología Clínica: ¿cuán completos son los informes de los ensayos?". Ensayos clínicos . 2 (3): 265–268. doi :10.1191/1740774505cn091oa. ISSN  1740-7745. PMID  16279150. S2CID  3601317.
48. Bhandari, Mohit; Devereaux, PJ; Guyatt, Gordon H.; Cook, Deborah J.; Swiontkowski, Marc F.; Sprague, Sheila; Schemitsch, Emil H. (2002). "Un estudio observacional de resúmenes ortopédicos y publicaciones de texto completo posteriores". The Journal of Bone and Joint Surgery-American Volume . 84 (4): 615–621. doi :10.2106/00004623-200204000-00017. ISSN  0021-9355. PMID  11940624. S2CID  8807106.
49. Tierney, Jayne F.; Fisher, David J.; Burdett, Sarah; Stewart, Lesley A.; Parmar, Mahesh KB (31 de enero de 2020). Shapiro, Steven D. (ed.). "Comparación de los enfoques de datos agregados e individuales de los participantes para el metanálisis de ensayos aleatorizados: un estudio observacional". PLOS Medicine . 17 (1): e1003019. doi : 10.1371/journal.pmed.1003019 . ISSN  1549-1676. PMC 6993967 . PMID  32004320. 
50. Chang, Bei-Hung; Hoaglin, David C. (2017). "Metaanálisis de razones de probabilidades: buenas prácticas actuales". Atención médica . 55 (4): 328–335. doi :10.1097/MLR.0000000000000696. ISSN  0025-7079. PMC 5352535 . PMID  28169977. 
51. Bakbergenuly, Ilyas; Hoaglin, David C.; Kulinskaya, Elena (2019). "Errores en el uso del cociente de riesgos en el metanálisis". Métodos de síntesis de investigación . 10 (3): 398–419. doi :10.1002/jrsm.1347. ISSN  1759-2879. PMC 6767076 . PMID  30854785. 
52. Debray TP, Moons KG, van Valkenhoef G, Efthimiou O, Hummel N, Groenwold RH, Reitsma JB (diciembre de 2015). "Seamos realistas en el metaanálisis de datos de participantes individuales (IPD): una revisión de la metodología". Métodos de síntesis de investigación . 6 (4): 293–309. doi :10.1002/jrsm.1160. PMC 5042043 . PMID  26287812. 
53. Debray TP, Moons KG, Abo-Zaid GM, Koffijberg H, Riley RD (2013). "Metaanálisis de datos de participantes individuales para un resultado binario: ¿una o dos etapas?". PLOS ONE . ​​8 (4): e60650. Bibcode :2013PLoSO...860650D. doi : 10.1371/journal.pone.0060650 . PMC 3621872 . PMID  23585842. 
54. Burke DL, Ensor J, Riley RD (febrero de 2017). "Metaanálisis con datos de participantes individuales: enfoques de una y dos etapas, y por qué pueden diferir". Estadísticas en Medicina . 36 (5): 855–875. doi :10.1002/sim.7141. PMC 5297998 . PMID  27747915. 
55. Nikolakopoulou, Adriani; Mavridis, Dimitris; Salanti, Georgia (2014). "Cómo interpretar los modelos de metaanálisis: metaanálisis de efectos fijos y efectos aleatorios". Salud mental basada en evidencia . 17 (2): 64. doi :10.1136/eb-2014-101794. ISSN  1362-0347. PMID  24778439.
56. Dekkers, Olaf M. (2018). "Metaanálisis: características clave, potencialidades y malentendidos". Investigación y práctica en trombosis y hemostasia . 2 (4): 658–663. doi :10.1002/rth2.12153. PMC 6178740. PMID 30349883  . 
57. Helfenstein U (marzo de 2002). "Los datos y los modelos determinan las propuestas de tratamiento: una ilustración del metaanálisis". Revista Médica de Postgrado . 78 (917): 131–134. doi :10.1136/pmj.78.917.131. PMC 1742301 . PMID  11884693. 
58. Dettori, Joseph R.; Norvell, Daniel C.; Chapman, Jens R. (2022). "Modelos de efectos fijos frente a modelos de efectos aleatorios para el metanálisis: 3 puntos a tener en cuenta". Revista Global Spine . 12 (7): 1624–1626. doi :10.1177/21925682221110527. ISSN  2192-5682. PMC 9393987 . PMID  35723546. 
59. Hedges, Larry V.; Vevea, Jack L. (1998). "Modelos de efectos fijos y aleatorios en metaanálisis". Métodos psicológicos . 3 (4): 486–504. doi :10.1037/1082-989X.3.4.486. ISSN  1939-1463. S2CID  119814256.
60. Rice, Kenneth; Higgins, Julian PT; Lumley, Thomas (2018). "Una reevaluación del metaanálisis de efectos fijos". Revista de la Royal Statistical Society. Serie A (Estadísticas en la sociedad) . 181 (1): 205–227. doi :10.1111/rssa.12275. ISSN  0964-1998. JSTOR  44682165.
61. Viechtbauer, Wolfgang (2010). "Realización de metaanálisis en R con el paquete metafor". Revista de software estadístico . 36 (3). doi : 10.18637/jss.v036.i03 . ISSN  1548-7660. S2CID  15798713.
62. Holzmeister, Felix; Johannesson, Magnus; Böhm, Robert; Dreber, Anna; Huber, Jürgen; Kirchler, Michael (6 de agosto de 2024). "Heterogeneidad en las estimaciones del tamaño del efecto". Actas de la Academia Nacional de Ciencias . 121 (32): e2403490121. doi :10.1073/pnas.2403490121. ISSN  0027-8424. PMC 11317577 . PMID  39078672. 
63. Senn S (marzo de 2007). "Tratando de ser precisos acerca de la vaguedad". Estadísticas en Medicina . 26 (7): 1417–1430. doi : 10.1002/sim.2639 . PMID  16906552. S2CID  17764847.
64. Al Khalaf MM, Thalib L, Doi SA (febrero de 2011). "Combinar estudios heterogéneos utilizando el modelo de efectos aleatorios es un error y conduce a metanálisis no concluyentes". Journal of Clinical Epidemiology . 64 (2): 119–123. doi :10.1016/j.jclinepi.2010.01.009. PMID  20409685.
65. Brockwell SE, Gordon IR (marzo de 2001). "Una comparación de métodos estadísticos para el metaanálisis". Estadísticas en Medicina . 20 (6): 825–840. doi :10.1002/sim.650. PMID  11252006. S2CID  16932514.
66. Noma H (diciembre de 2011). "Intervalos de confianza para un metaanálisis de efectos aleatorios basado en correcciones de tipo Bartlett". Estadísticas en Medicina . 30 (28): 3304–3312. doi :10.1002/sim.4350. hdl : 2433/152046 . PMID  21964669. S2CID  6556986.
67. Brockwell SE, Gordon IR (noviembre de 2007). "Un método simple para la inferencia sobre un efecto global en el metanálisis". Estadísticas en Medicina . 26 (25): 4531–4543. doi :10.1002/sim.2883. PMID  17397112. S2CID  887098.
68. Sidik K, Jonkman JN (noviembre de 2002). "Un intervalo de confianza simple para el metanálisis". Estadísticas en Medicina . 21 (21): 3153–3159. doi :10.1002/sim.1262. PMID  12375296. S2CID  21384942.
69. Jackson D, Bowden J (enero de 2009). "Una reevaluación del 'método de aproximación de cuantiles' para el metanálisis de efectos aleatorios". Estadísticas en Medicina . 28 (2): 338–348. doi :10.1002/sim.3487. PMC 2991773 . PMID  19016302. 
70. Poole C, Greenland S (septiembre de 1999). "Los metaanálisis de efectos aleatorios no siempre son conservadores". American Journal of Epidemiology . 150 (5): 469–475. doi : 10.1093/oxfordjournals.aje.a010035 . PMID  10472946.
71. Riley RD, Higgins JP, Deeks JJ (febrero de 2011). "Interpretación de metaanálisis de efectos aleatorios". BMJ . 342 : d549. doi :10.1136/bmj.d549. PMID  21310794. S2CID  32994689.
72. Kriston L (marzo de 2013). "Cómo abordar la heterogeneidad clínica en el metanálisis. Suposiciones, métodos e interpretación". Revista internacional de métodos de investigación psiquiátrica . 22 (1): 1–15. doi :10.1002/mpr.1377. PMC 6878481 . PMID  23494781. 
73. Langan, Dean; Higgins, Julian PT; Jackson, Dan; Bowden, Jack; Veroniki, Areti Angeliki; Kontopantelis, Evangelos; Viechtbauer, Wolfgang; Simmonds, Mark (2019). "Una comparación de estimadores de varianza de heterogeneidad en metanálisis de efectos aleatorios simulados". Métodos de síntesis de investigación . 10 (1): 83–98. doi : 10.1002/jrsm.1316 . hdl : 1983/c911791c-c687-4f12-bc0b-ffdbe42ca874 . ISSN  1759-2879. PMID  30067315. S2CID  51890354.
74. "Guía del usuario de MetaXL" (PDF) . Consultado el 18 de septiembre de 2018 .
75. Kontopantelis E, Reeves D (1 de agosto de 2010). «Metaan: metaanálisis de efectos aleatorios». Stata Journal . 10 (3): 395–407. doi : 10.1177/1536867X1001000307 – vía ResearchGate.
76. Field, Andy P.; Gillett, Raphael (2010). "Cómo hacer un metaanálisis". British Journal of Mathematical and Statistical Psychology . 63 (3): 665–694. doi :10.1348/000711010X502733. PMID  20497626. S2CID  22688261.
77. Kontopantelis E, Springate DA, Reeves D (2013). Friede T (ed.). "Un nuevo análisis de los datos de la Biblioteca Cochrane: los peligros de la heterogeneidad no observada en los metanálisis". PLOS ONE . ​​8 (7): e69930. Bibcode :2013PLoSO...869930K. doi : 10.1371/journal.pone.0069930 . PMC 3724681 . PMID  23922860. 
78. Kontopantelis E, Reeves D (27 de septiembre de 2013). "Una guía breve y un comando de diagrama de bosque (ipdforest) para el metanálisis de una etapa". Stata Journal . 13 (3): 574–587. doi : 10.1177/1536867X1301300308 – vía ResearchGate.
79. Doi SA, Thalib L (enero de 2008). "Un modelo de efectos de calidad para el metanálisis". Epidemiología . 19 (1): 94–100. doi : 10.1097/EDE.0b013e31815c24e7 . PMID  18090860. S2CID  29723291.
80. Doi SA, Barendregt JJ, Mozurkewich EL (marzo de 2011). "Metaanálisis de ensayos clínicos heterogéneos: un ejemplo empírico". Ensayos clínicos contemporáneos . 32 (2): 288–298. doi :10.1016/j.cct.2010.12.006. PMID  21147265.
81. Doi SA, Barendregt JJ, Khan S, Thalib L, Williams GM (julio de 2015). "Comparación de simulación de los métodos de efectos de calidad y efectos aleatorios del metanálisis". Epidemiología . 26 (4): e42–e44. doi : 10.1097/EDE.0000000000000289 . PMID  25872162.
82. Doi SA, Barendregt JJ, Khan S, Thalib L, Williams GM (noviembre de 2015). "Avances en el metaanálisis de ensayos clínicos heterogéneos II: el modelo de efectos de calidad". Ensayos clínicos contemporáneos . 45 (Pt A): 123–129. doi :10.1016/j.cct.2015.05.010. PMID  26003432.
83. "Página del software MetaXL". Epigear.com. 3 de junio de 2017. Consultado el 18 de septiembre de 2018 .
84. Rouse, Benjamin; Chaimani, Anna; Li, Tianjing (2017). "Metaanálisis en red: una introducción para médicos". Medicina interna y de urgencias . 12 (1): 103–111. doi :10.1007/s11739-016-1583-7. ISSN  1828-0447. PMC 5247317 . PMID  27913917. 
85. Phillips, Mark R.; Steel, David H.; Wykoff, Charles C.; Busse, Jason W.; Bannuru, Raveendhara R.; Thabane, Lehana; Bhandari, Mohit; Chaudhary, Varun; para el Grupo de estudio de la Retina Evidence Trials International Alliance (RETINA); Sivaprasad, Sobha; Kaiser, Peter; Sarraf, David; Bakri, Sophie J.; Garg, Sunir J.; Singh, Rishi P. (2022). "Una guía para médicos sobre el metanálisis en red". Eye . 36 (8): 1523–1526. doi :10.1038/s41433-022-01943-5. ISSN  0950-222X. PMC 9307840 . PMID  35145277. 
86. Bucher HC, Guyatt GH, Griffith LE, Walter SD (junio de 1997). "Resultados de comparaciones directas e indirectas de tratamientos en un metanálisis de ensayos controlados aleatorizados". Journal of Clinical Epidemiology . 50 (6): 683–691. doi :10.1016/s0895-4356(97)00049-8. PMID  9250266.
87. van Valkenhoef G, Lu G, de Brock B, Hillege H, Ades AE, Welton NJ (diciembre de 2012). "Automatización del metanálisis de redes". Métodos de síntesis de investigación . 3 (4): 285–299. doi :10.1002/jrsm.1054. PMID  26053422. S2CID  33613631.
88. Brooks SP, Gelman A (1998). "Métodos generales para monitorear la convergencia de simulaciones iterativas" (PDF) . Revista de estadística computacional y gráfica . 7 (4): 434–455. doi :10.1080/10618600.1998.10474787. S2CID  7300890.
89. Heck DW, Gronau QF, Wagenmakers EJ, Patil I (17 de marzo de 2021). «metaBMA: promedio de modelos bayesianos para metanálisis de efectos aleatorios y fijos». CRAN . Consultado el 9 de mayo de 2022 .
90. Bartoš F, Maier M, Wagenmakers EJ, Goosen J, Denwood M, Plummer M (20 de abril de 2022). "RoBMA: un paquete R para metaanálisis bayesianos robustos" . Consultado el 9 de mayo de 2022 .
91. Gronau QF, Heck DW, Berkhout SW, Haaf JM, Wagenmakers EJ (julio de 2021). "Una introducción al metaanálisis bayesiano promediado por modelos". Avances en métodos y prácticas en la ciencia psicológica . 4 (3). doi : 10.1177/25152459211031256 . hdl : 11245.1/ec2c07d1-5ff0-431b-b53a-10f9c5d9541d . ISSN  2515-2459. S2CID  : 237699937.
92. Bartoš F, Maier M, Quintana D, Wagenmakers EJ (16 de octubre de 2020). "Ajuste del sesgo de publicación en JASP y R: modelos de selección, PET-PEESE y metaanálisis bayesiano robusto". Avances en métodos y prácticas en la ciencia psicológica . doi : 10.31234/osf.io/75bqn . hdl : 11245.1/5540e87c-0883-45e6-87de-48d2bf4c1e1d . S2CID  : 236826939.
93. Senn S, Gavini F, Magrez D, Scheen A (abril de 2013). "Problemas al realizar un metanálisis en red". Métodos estadísticos en investigación médica . 22 (2): 169–189. doi :10.1177/0962280211432220. PMID  22218368. S2CID  10860031.
94. White IR (2011). "Metarregresión de efectos aleatorios multivariados: actualizaciones de mvmeta". The Stata Journal . 11 (2): 255–270. doi : 10.1177/1536867X1101100206 .
95. Willis BH, Hyde CJ (mayo de 2014). "Estimación de la precisión de una prueba mediante un metanálisis personalizado: cómo los datos específicos de cada entorno pueden ayudar a la selección de estudios". Journal of Clinical Epidemiology . 67 (5): 538–546. doi :10.1016/j.jclinepi.2013.10.016. PMID  24447592.
96. Willis BH, Hyde CJ (agosto de 2015). "¿Cuál es la precisión de la prueba en la población de mi práctica? Un metanálisis personalizado proporciona una estimación plausible". Journal of Clinical Epidemiology . 68 (8): 847–854. doi :10.1016/j.jclinepi.2014.10.002. PMID  25479685. S2CID  205844216.
97. Zhang H, Deng L, Schiffman M, Qin J, Yu K (2020). "Modelo de integración generalizado para mejorar la inferencia estadística aprovechando datos resumidos externos". Biometrika . 107 (3): 689–703. doi :10.1093/biomet/asaa014.
98. Higgins JP, Altman DG, Gøtzsche PC, Jüni P, Moher D, Oxman AD, et al. (octubre de 2011). "La herramienta de la Colaboración Cochrane para evaluar el riesgo de sesgo en ensayos aleatorizados". BMJ . 343 : d5928. doi :10.1136/bmj.d5928. PMC 3196245 . PMID  22008217. 
99. Whiting PF, Rutjes AW, Westwood ME, Mallett S, Deeks JJ, Reitsma JB, et al. (octubre de 2011). "QUADAS-2: una herramienta revisada para la evaluación de la calidad de los estudios de precisión diagnóstica". Annals of Internal Medicine . 155 (8): 529–536. doi : 10.7326/0003-4819-155-8-201110180-00009 . PMID  22007046.
100. Royston P, Parmar MK, Sylvester R (marzo de 2004). "Construcción y validación de un modelo pronóstico en varios estudios, con una aplicación en el cáncer de vejiga superficial". Estadísticas en Medicina . 23 (6): 907–926. doi :10.1002/sim.1691. PMID  15027080. S2CID  23397142.
101. Willis BH, Riley RD (septiembre de 2017). "Medición de la validez estadística de los resultados resumidos de metanálisis y metarregresión para su uso en la práctica clínica". Estadísticas en Medicina . 36 (21): 3283–3301. doi :10.1002/sim.7372. PMC 5575530 . PMID  28620945. 
102. Riley RD, Ahmed I, Debray TP, Willis BH, Noordzij JP, Higgins JP, Deeks JJ (junio de 2015). "Resumen y validación de los resultados de la precisión de las pruebas en múltiples estudios para su uso en la práctica clínica". Estadísticas en Medicina . 34 (13): 2081–2103. doi :10.1002/sim.6471. PMC 4973708 . PMID  25800943. 
103. LeLorier J, Grégoire G, Benhaddad A, Lapierre J, Derderian F (agosto de 1997). "Discrepancias entre los metanálisis y los grandes ensayos controlados aleatorizados posteriores". The New England Journal of Medicine . 337 (8): 536–542. doi : 10.1056/NEJM199708213370806 . PMID  9262498.
104. Slavin RE (1986). "Síntesis de la mejor evidencia: una alternativa a las revisiones metaanalíticas y tradicionales". Educational Researcher . 15 (9): 5–9. doi :10.3102/0013189X015009005. S2CID  146457142.
105. Hunter JE, Schmidt FL, Jackson GB, et al. (Asociación Estadounidense de Psicología. División de Psicología Industrial y Organizacional) (1982). Metaanálisis: acumulación de hallazgos de investigación en distintos estudios . Beverly Hills, California: Sage. ISBN 978-0-8039-1864-1.
106. Glass GV, McGaw B, Smith ML (1981). Metaanálisis en la investigación social . Beverly Hills, California: Sage Publications. ISBN 978-0-8039-1633-3.
107. Wolf, Vinzent; Kühnel, Anne; Teckentrup, Vanessa; Koenig, Julian; Kroemer, Nils B. (2021). "¿La estimulación transcutánea del nervio vago auricular afecta la variabilidad de la frecuencia cardíaca mediada por el vago? Un metaanálisis bayesiano vivo e interactivo". Psicofisiología . 58 (11): e13933. doi :10.1111/psyp.13933. ISSN  0048-5772. PMID  34473846.
108. Allbritton, David; Gómez, Pablo; Angele, Bernhard; Vasilev, Martin; Perea, Manuel (22 de julio de 2024). "Dando vida a los métodos metaanalíticos". Revista de cognición . 7 (1): 61. doi : 10.5334/joc.389 . ISSN  2514-4820. PMC 11276543 . PMID  39072210. 
109. Wagner, John A (3 de septiembre de 2022). «La influencia de los estudios no publicados en los resultados de los metanálisis recientes: sesgo de publicación, el problema del cajón de archivos e implicaciones para la crisis de replicación». Revista Internacional de Metodología de la Investigación Social . 25 (5): 639–644. doi :10.1080/13645579.2021.1922805. ISSN  1364-5579.
110. Polanin JR, Tanner-Smith EE, Hennessy EA (2016). "Estimación de la diferencia entre tamaños de efectos publicados y no publicados: una meta-revisión". Revisión de la investigación educativa . 86 (1): 207–236. doi :10.3102/0034654315582067. ISSN  0034-6543. S2CID  145513046.
111. Nassir Ghaemi, S.; Shirzadi, Arshia A.; Filkowski, Megan (10 de septiembre de 2008). "Sesgo de publicación y la industria farmacéutica: el caso de la lamotrigina en el trastorno bipolar". The Medscape Journal of Medicine . 10 (9): 211. ISSN  1934-1997. PMC 2580079 . PMID  19008973. 
112. Martín, José Luis R.; Pérez, Víctor; Sacristán, Montse; Álvarez, Enric (2005). "¿Es la literatura gris esencial para un mejor control del sesgo de publicación en psiquiatría? Un ejemplo a partir de tres metaanálisis de esquizofrenia". Psiquiatría Europea . 20 (8): 550–553. doi :10.1016/j.eurpsy.2005.03.011. ISSN  0924-9338. PMID  15994063.
113. Rosenthal R (1979). "El "problema del cajón de archivos" y la tolerancia para los resultados nulos". Psychological Bulletin . 86 (3): 638–641. doi :10.1037/0033-2909.86.3.638. S2CID  36070395.
114. Vevea JL, Woods CM (diciembre de 2005). "Sesgo de publicación en la síntesis de investigación: análisis de sensibilidad utilizando funciones de peso a priori". Psychological Methods . 10 (4): 428–443. doi :10.1037/1082-989X.10.4.428. PMID  16392998.
115. Hunter JE , Schmidt FL (1990). Métodos de metaanálisis: corrección de errores y sesgos en los hallazgos de investigación . Newbury Park, California; Londres; Nueva Delhi: SAGE Publications .
116. Nakagawa, Shinichi; Lagisz, Malgorzata; Jennions, Michael D.; Koricheva, Julia; Noble, Daniel WA; Parker, Timothy H.; Sánchez-Tójar, Alfredo; Yang, Yefeng; O'Dea, Rose E. (2022). "Métodos para probar el sesgo de publicación en metaanálisis ecológicos y evolutivos". Métodos en ecología y evolución . 13 (1): 4–21. Bibcode :2022MEcEv..13....4N. doi :10.1111/2041-210X.13724. hdl : 1885/294436 . ISSN  2041-210X. S2CID  241159497.
117. Light RJ, Pillemer DB (1984). Resumen: la ciencia de la revisión de la investigación. Cambridge, Massachusetts: Harvard University Press. ISBN 978-0-674-85431-4.
118. Ioannidis JP, Trikalinos TA (abril de 2007). "La idoneidad de las pruebas de asimetría para el sesgo de publicación en metanálisis: una encuesta a gran escala". CMAJ . 176 (8): 1091–1096. doi :10.1503/cmaj.060410. PMC 1839799 . PMID  17420491. 
119. Hedges LV, Vevea JL (1996). "Estimación del tamaño del efecto bajo sesgo de publicación: propiedades de muestras pequeñas y robustez de un modelo de selección de efectos aleatorios". Revista de estadística educativa y conductual . 21 (4): 299–332. doi :10.3102/10769986021004299. ISSN  1076-9986. S2CID  123680599.
120. Ferguson CJ, Brannick MT (marzo de 2012). "Sesgo de publicación en la ciencia psicológica: prevalencia, métodos para identificar y controlar, e implicaciones para el uso de metaanálisis". Psychological Methods . 17 (1): 120–128. doi :10.1037/a0024445. PMID  21787082.
121. Simmons JP, Nelson LD, Simonsohn U (noviembre de 2011). "Psicología de los falsos positivos: la flexibilidad no revelada en la recopilación y el análisis de datos permite presentar cualquier cosa como significativa". Psychological Science . 22 (11): 1359–1366. doi : 10.1177/0956797611417632 . PMID  22006061.
122. LeBel E, Peters K (2011). "Temiendo el futuro de la psicología empírica: la evidencia de Bem (2011) sobre psi como estudio de caso de deficiencias en la práctica de la investigación modal" (PDF) . Review of General Psychology . 15 (4): 371–379. doi :10.1037/a0025172. S2CID  51686730. Archivado desde el original (PDF) el 24 de noviembre de 2012.
123. Schober, Patrick; Bossers, Sebastiaan M.; Schwarte, Lothar A. (2018). "Importancia estadística versus importancia clínica de los tamaños de efecto observados: ¿Qué representan realmente los valores P y los intervalos de confianza?". Anesthesia & Analgesia . 126 (3): 1068–1072. doi :10.1213/ANE.0000000000002798. ISSN  0003-2999. PMC 5811238 . PMID  29337724. 
124. Gates, Simon; Ealing, Elizabeth (2019). "Informe e interpretación de los resultados de ensayos clínicos que no afirmaron una diferencia en el tratamiento: encuesta de cuatro revistas médicas generales". BMJ Open . 9 (9): e024785. doi :10.1136/bmjopen-2018-024785. ISSN  2044-6055. PMC 6738699 . PMID  31501094. 
125. Hodges JS, Clayton MK (febrero de 2011). "Efectos aleatorios antiguos y nuevos". pp. 1–23. CiteSeerX 10.1.1.225.2685 .  {{cite web}}: Falta o está vacío |url=( ayuda )
126. Hodges JS (2014). "Efectos aleatorios antiguos y nuevos". Modelos lineales con parámetros ricos: modelos aditivos, de series temporales y espaciales que utilizan efectos aleatorios . Boca Raton: CRC Press. pp. 285–302. ISBN 978-1-4398-6683-2.
127. "La investigación sobre la medicina trans ha sido manipulada". The Economist . ISSN  0013-0613 . Consultado el 28 de septiembre de 2024 .
128. Stegenga J (diciembre de 2011). "¿Es el metaanálisis el estándar de platino de la evidencia?". Estudios en Historia y Filosofía de las Ciencias Biológicas y Biomédicas . 42 (4): 497–507. doi :10.1016/j.shpsc.2011.07.003. PMID  22035723.
129. Roseman M, Milette K, Bero LA, Coyne JC, Lexchin J, Turner EH, Thombs BD (2011), "Informe de conflictos de intereses en metaanálisis de ensayos de tratamientos farmacológicos", Journal of the American Medical Association , 305 (10): 1008–1017, doi :10.1001/jama.2011.257, hdl : 11370/d4a95ee2-429f-45a4-a917-d794ee954797 , PMID  21386079, S2CID  11270323
130. Spink, Paul (1999). "Cómo combatir el humo de tabaco ambiental en el lugar de trabajo". Environmental Law Review . 1 (4): 243–265. Bibcode :1999EnvLR...1..243S. doi :10.1177/146145299900100402. ISSN  1461-4529.
131. Will, George (30 de julio de 1998). "Contaminados por la cruzada antitabaco". Tampa Bay Times . Consultado el 28 de septiembre de 2024 .
132. Nelson, Jon P.; Kennedy, Peter E. (2009). "El uso (y abuso) del metaanálisis en la economía ambiental y de los recursos naturales: una evaluación". Economía ambiental y de los recursos . 42 (3): 345–377. Bibcode :2009EnREc..42..345N. doi :10.1007/s10640-008-9253-5. ISSN  0924-6460.
133. Munafò MR, Flint J (septiembre de 2004). "Metaanálisis de estudios de asociación genética". Tendencias en genética . 20 (9): 439–444. doi :10.1016/j.tig.2004.06.014. PMID  15313553.
134. Stone DL, Rosopa PJ (1 de marzo de 2017). "Las ventajas y limitaciones del uso del metaanálisis en la investigación sobre gestión de recursos humanos". Human Resource Management Review . 27 (1): 1–7. doi :10.1016/j.hrmr.2016.09.001. ISSN  1053-4822.
135. Button KS, Ioannidis JP, Mokrysz C, Nosek BA, Flint J, Robinson ES, Munafò MR (mayo de 2013). "Fallo eléctrico: por qué un tamaño de muestra pequeño socava la fiabilidad de la neurociencia". Nature Reviews. Neurociencia . 14 (5): 365–376. doi : 10.1038/nrn3475 . PMID  23571845. S2CID  455476.
136. Milkman KL, Gromet D, Ho H, Kay JS, Lee TW, Pandiloski P, et al. (diciembre de 2021). "Los megaestudios mejoran el impacto de la ciencia del comportamiento aplicada". Nature . 600 (7889): 478–483. Bibcode :2021Natur.600..478M. doi :10.1038/s41586-021-04128-4. PMC 8822539 . PMID  34880497. S2CID  245047340. 
137. Cheung AC, Slavin RE (1 de junio de 2016). "Cómo las características metodológicas afectan los tamaños del efecto en la educación". Educational Researcher . 45 (5): 283–292. doi :10.3102/0013189X16656615. ISSN  0013-189X. S2CID  148531062.
138. Jüni P, Witschi A, Bloch R, Egger M (septiembre de 1999). "Los riesgos de puntuar la calidad de los ensayos clínicos para el metanálisis". JAMA . 282 (11): 1054–1060. doi : 10.1001/jama.282.11.1054 . PMID  10493204.
139. Armijo-Olivo S, Fuentes J, Ospina M, Saltaji H, Hartling L (septiembre de 2013). "Inconsistencia en los ítems incluidos en las herramientas utilizadas en la investigación en salud general y en fisioterapia para evaluar la calidad metodológica de ensayos controlados aleatorizados: un análisis descriptivo". BMC Medical Research Methodology . 13 (1): 116. doi : 10.1186/1471-2288-13-116 . PMC 3848693 . PMID  24044807. 
140. Debray TP, Riley RD, Rovers MM, Reitsma JB, Moons KG (octubre de 2015). "Metaanálisis de datos de participantes individuales (IPD) de estudios de modelado diagnóstico y pronóstico: orientación sobre su uso". PLOS Medicine . 12 (10): e1001886. doi : 10.1371/journal.pmed.1001886 . PMC 4603958 . PMID  26461078. 
141. Debray TP, Moons KG, Ahmed I, Koffijberg H, Riley RD (agosto de 2013). "Un marco para desarrollar, implementar y evaluar modelos de predicción clínica en un metanálisis de datos de participantes individuales" (PDF) . Estadísticas en Medicina . 32 (18): 3158–3180. doi :10.1002/sim.5732. PMID  23307585. S2CID  25308961.
142. Debray TP, Koffijberg H, Vergouwe Y, Moons KG, Steyerberg EW (octubre de 2012). "Agregación de modelos de predicción publicados con datos de participantes individuales: una comparación de diferentes enfoques" (PDF) . Estadísticas en Medicina . 31 (23): 2697–2712. doi :10.1002/sim.5412. PMID  22733546. S2CID  39439611.
143. Shadish, William R. (2014). "Análisis y metaanálisis de diseños de caso único: una introducción". Revista de Psicología Escolar . 52 (2): 109–122. doi :10.1016/j.jsp.2013.11.009. PMID  24606971.
144. Zelinsky, Nicole AM; Shadish, William (19 de mayo de 2018). "Una demostración de cómo hacer un metanálisis que combina diseños de caso único con experimentos entre grupos: los efectos de la toma de decisiones en conductas desafiantes realizadas por personas con discapacidades". Neurorrehabilitación del desarrollo . 21 (4): 266–278. doi :10.3109/17518423.2015.1100690. ISSN  1751-8423. PMID  26809945. S2CID  20442353.
145. Van den Noortgate W, Onghena P (2007). "Agregación de resultados de casos individuales". The Behavior Analyst Today . 8 (2): 196–209. doi :10.1037/h0100613.
146. Mantel N, Haenszel W (abril de 1959). "Aspectos estadísticos del análisis de datos de estudios retrospectivos de enfermedades". Revista del Instituto Nacional del Cáncer . 22 (4): 719–748. doi :10.1093/jnci/22.4.719. PMID  13655060. S2CID  17698270.
147. Deeks JJ, Higgins JP, Altman DG, et al. (Grupo Cochrane de Métodos Estadísticos) (2021). "Capítulo 10: Análisis de datos y realización de metanálisis: 10.4.2 Método de razón de probabilidades de Peto". En Higgins J, Thomas J, Chandler J, Cumpston M, Li T, Page M, Welch V (eds.). Manual Cochrane para revisiones sistemáticas de intervenciones (versión 6.2 ed.). La Colaboración Cochrane.
148. Bargaje R, Hariharan M, Scaria V, Pillai B (enero de 2010). "Perfiles de expresión de miRNA de consenso derivados de la normalización interplataforma de datos de microarrays". ARN . 16 (1): 16–25. doi :10.1261/rna.1688110. PMC 2802026 . PMID  19948767. 
149. Li, Xihao; Rápido, Corbin; Zhou, Hufeng; Gaynor, Sheila M.; Liu, Yaowu; Chen, Han; Selvaraj, Margaret Sunitha; Sol, Ryan; Dey, Rounak; Arnett, Donna K.; Bielak, Lawrence F.; Bis, Josué C.; Blangero, Juan; Boerwinkle, Eric; Bowden, Donald W.; Brody, Jennifer A.; Cade, Brian E.; Correa, Adolfo; Cupples, L. Adrienne; Curran, Joanne E.; de Vries, Paul S.; Duggirala, Ravindranath; Freedman, Barry I.; Göring, Harald HH; Guo, Xiuqing; Haessler, Jeffrey; Kalyani, Rita R.; Kooperberg, Charles; Kral, Brian G.; Lange, Leslie A.; Manichaikul, Ani; Martín, Lisa W.; McGarvey, Stephen T.; Mitchell, Braxton D.; Montasser, May E.; Morrison, Alanna C.; Naseri, Take; O'Connell, Jeffrey R.; Palmer, Nicholette D.; Peyser, Patricia A.; Psaty, Bruce M.; Raffield, Laura M.; Redline, Susan; Reiner, Alexander P.; Reupena, Muagututi'a Sefuiva; Rice, Kenneth M.; Rich, Stephen S.; Sitlani, Colleen M.; Smith, Jennifer A.; Taylor, Kent D. ; Vasan, Ramachandran S.; Willer, Cristen J.; Wilson, James G.; Yanek, Lisa R.; Zhao, Wei; Consorcio NHLBI Trans-Omics for Precision Medicine (TOPMed); Grupo de trabajo de lípidos TOPMed; Rotter, Jerome I .; Natarajan, Pradeep; Peloso, Gina M.; Li, Zilin; Lin, Xihong (enero de 2023). "Metaanálisis potente, escalable y eficiente en términos de recursos de asociaciones de variantes raras en estudios de secuenciación del genoma completo a gran escala". Nature Genetics . 55 (1): 154–164. doi :10.1038/s41588-022-01225-6. PMC 10084891 . Número de modelo: PMID  36564505. Número de modelo: S2CID  255084231. 
150. Stanek, Kevin C.; Ones, Deniz S. (2023). Of Anchors & Sails: Personality-ability streak constellations [De anclas y velas: constelaciones de rasgos de personalidad y capacidad]. Minneapolis, Minnesota, Estados Unidos: University of Minnesota Libraries Publishing. pp. Capítulos 4–7. doi :10.24926/9781946135988. ISBN 978-1-946135-98-8.S2CID265335858  .​