Meta-Analyse mit Zufallseffekten: Abdeckungsleistung von 95% Konfidenz- und Vorhersageintervallen nach REML-Schätzung

Eine Meta-Analyse mit Zufallseffekten kombiniert die Ergebnisse mehrerer unabhängiger Studien, um die Evidenz über eine bestimmte Messgröße von Interesse, wie zum Beispiel eine Behandlungseffekt, zusammenzufassen. Der Ansatz erlaubt ungeklärte zwischen Studien Heterogenität im wahren Behandlungseffekt, indem er zufällige Studien-Effekte über den Gesamtdurchschnitt einbezieht. Die Varianz der Schätzung des durchschnittlichen Effekts wird konventionell unter der Annahme berechnet, dass die zwischen Studien Varianz bekannt ist; es wurde jedoch demonstriert, dass dieser Ansatz unangemessen sein kann, insbesondere wenn nur wenige Studien vorhanden sind. Alternativen, die versuchen, diese Unsicherheit zu berücksichtigen, wie Hartung–Knapp, Sidik–Jonkman und Kenward–Roger, wurden vorgeschlagen und in einigen Situationen als verbessernd gegenüber dem konventionellen Ansatz gezeigt. In diesem Papier verwenden wir eine Simulationsstudie, um die Leistungsfähigkeit mehrerer dieser Methoden hinsichtlich der Abdeckung der 95 % Konfidenz- und Vorhersageintervalle zu untersuchen, die aus einer Meta-Analyse mit Zufallseffekten geschätzt wurden, die mittels beschränkter Maximum-Likelihood geschätzt wurde. Wir zeigen, dass die Hartung–Knapp-Korrektur in Bezug auf die Konfidenzintervalle in einer Vielzahl von Szenarien gut abschneidet und andere Methoden übertrifft, wenn die Heterogenität groß und/oder die Studiengrößen ähnlich waren. Allerdings ist die Abdeckung der Hartung–Knapp Methode leicht zu niedrig, wenn die Heterogenität gering ist (I2 30%) und die Studiengrößen ähnlich sind. In anderen Situationen, besonders wenn die Heterogenität klein und die Studiengrößen sehr unterschiedlich sind, ist die Abdeckung viel zu niedrig und konnte nicht durch Erhöhung der Anzahl der Studien, Veränderung der Freiheitsgrade oder Anwendung von Varianzaufblähungsmethoden konsistent verbessert werden. Daher sollten Forscher vorsichtig sein, wenn sie 95 % Vorhersageintervalle nach einer frequentistischen Meta-Analyse mit Zufallseffekten ableiten, bis eine zuverlässigere Lösung identifiziert ist. © 2016 Die Autoren. Statistics in Medicine veröffentlicht von John Wiley & Sons Ltd.