Wie man Heterogenität in der Meta-Analyse interpretiert: Ein strukturierter Leitfaden für Kliniker und Forscher

Heterogenität ist zentral für die Glaubwürdigkeit, Transportierbarkeit und klinische Interpretation von meta-analytischen Beweisen, doch ihre Bewertung wird häufig auf isolierte oder fehlinterpretierte Statistiken reduziert. Dieses Tutorial bietet einen klinisch orientierten Rahmen zur Interpretation von Heterogenität über therapeutische, diagnostische und prognostische Evidenzsynthesen hinweg. Es unterscheidet zwischen Stichprobenfehlern und echter Variabilität zwischen Studien und erklärt, warum Q, I2, τ2 und Vorhersageintervalle als komplementäre und nicht als austauschbare Maße interpretiert werden sollten. Anstatt sich ausschließlich auf I2 zu verlassen, erfordert eine sinnvolle Interpretation die Bewertung sowohl der relativen als auch der absoluten Skala der Variabilität zwischen Studien und ihrer Implikationen für zukünftige klinische Einstellungen. Das Tutorial behandelt auch die Abhängigkeit von Schätzern, Unsicherheiten in τ2, die Einschränkungen verschiedener Ansätze für Konfidenzintervalle in Zufallseffektenmodellen und die klinische Interpretation breiter Vorhersageintervalle, einschließlich Verbindungen zu Beurteilungen der Evidenzsicherheit. Die Genauigkeit von Diagnosetests in der Meta-Analyse wird als bivariates Problem diskutiert, das hierarchische Modelle, Varianzkomponenten, Korrelationseffekte und Vorhersageregionen erfordert, anstatt univariate I2-Zusammenfassungen. Prognostische Übersichten werden um Fallmischung, Basisrisiko, Diskriminierung, Kalibrierung und Transportierbarkeit gerahmt. Simulierte Beispiele, formale Ausdrücke und praktische Algorithmen werden verwendet, um Entscheidungsfindung darüber zu unterstützen, wann das Zusammenführen von Daten sinnvoll ist, wann es qualifiziert werden sollte und wann es vermieden werden sollte. Eine genaue Interpretation der Heterogenität erfordert ein domänenangemessenes Modell, transparente Berichterstattung und klinischen Urteilsvermögen anstelle der Abhängigkeit von einer einzelnen Statistik.