Bölüm II. Meta-Analiz Yapma Yöntemleri

Küresel olarak bir meta-analiz, araştırma sorularının formüle edilmesiyle başlar. Araştırma soruları yayınlanan çalışmalara dayanarak test edilmelidir. Yayınlanan çalışmalar, meta-analiz için gerekli olan etki büyüklüklerini hesaplamak için yeterli bilgiye ihtiyaç duymaktadır. Hangi çalışmaların meta-analize dahil edilmeye uygun olduğunu belirlemek için kapsamlı dahil etme ve hariç tutma kriterleri oluşturulmuştur. Etki büyüklükleri ve çalışma özellikleri toplandıktan sonra veriler istatistiksel analize tabi tutulabilir. Bir sonraki adım, sonuçların yorumlanmasını ve bulguların paylaşılacağı raporların hazırlanmasını içerir (Cheung, 2015) .

Bir meta-analizin yürütülmesi önceden tanımlanmış uygunluk kriterlerini, risk değişkenlerini, ilgilenilen birincil ve ikincil sonuçları ve bir analiz planını gerektirir. Doğru endikasyonlar ve metodolojiler, önyargı riskinin en aza indirilmesi ve yanıltıcı sonuçlardan kaçınılması önemlidir. Meta-analiz, belirli bir konuya ilişkin kanıtların objektif olarak değerlendirilmesi ve çalışılması, yüksek düzeyde kanıt sağlanması ve bilginin ilerlemesine katkıda bulunulması için en uygun yaklaşım olarak kabul edilmektedir.

Şen ve Yıldırım (2022) bir meta-analizin zorunlu sürecini aşağıdaki adımlarla organize etmektedir:

• Araştırma Sorusunun ve Ekibinin Oluşturulması: Süreç, basit bir araştırma sorusunun formüle edilmesi ve bir araştırma ekibinin oluşturulmasıyla başlar.
• Bir Arama Stratejisinin Tasarlanması ve Yürütülmesi: Sistematik bir arama stratejisi, yayınlanmış ve yayınlanmamış kaynaklardan elde edilen tüm kanıtları bulmak için çok önemlidir.
• Verilerin Taranması ve Çıkarılması: Toplanan çalışmalardan uygun çalışmaların seçilmesine karar verilmelidir. İlgili çalışmalar taranır ve bu çalışmalardan veriler çıkarılır.
• Eleştirel Değerlendirme ve Analiz: Kalite kontrol/duyarlılık analizleri yapılmalıdır. Her çalışma potansiyel önyargılar açısından eleştirel bir şekilde değerlendirilmeli ve kanıtlar değerlendirilip analiz edilmelidir.
• Seçilen çalışmaların etki büyüklüğü her çalışma için ayrı ayrı belirlenip hesaplanmalıdır.
• Verilerin bir havuzda toplanması gerekir ve güven aralığının yanı sıra özet istatistiği hesaplamak da önemlidir.
• Ek analizler (heterojenlik, yayın yanlılığı) yapılmalıdır.
• Moderatör değişkenleri için moderatör analizleri yapılmalıdır.
• Sonuçları yorumlayın ve bunlara dayanarak sonuçlar (çıkarımlar) çıkarın.
• Bulguların Raporlanması ve Yaygınlaştırılması: Yukarıda belirtilen adımlar meta-analiz bulgularıyla birlikte raporlanmalıdır.

Şekil 3, bir soru geliştirmenin ve birincil literatürdeki ilgili çalışmaları metodik olarak aramanın başlangıç aşamasını (Bölüm I) ve ayrıca yayınlardan veri topladığınız, istatistiksel analizler yürüttüğünüz ve bulgularınızı sunup açıkladığınız aşamayı (Bölüm II) göstermektedir. ).

Meta-analiz yöntemleri son birkaç yılda önemli ölçüde ilerleme kaydetti ( Irsova ve diğerleri, 2023). Meta-analiz yapmak kavramsal olarak ampirik bir çalışmadan farklı değildir çünkü bazen istatistiksel problemler sizi çıkmaza sokar. Bununla birlikte, araştırmacılar genellikle istatistiksel yeteneklerini göz önünde bulundurarak bir çalışma tasarlarlar veya standart bir analitik yaklaşımı kopyalamalarına olanak tanıyan yerleşik bir tasarımı takip ederler. İyi ve kötü bir ampirik çalışma arasındaki fark genellikle ilginç bir sorunun sorulup sorulmadığı ve tarafsız örnekleme tekniği kullanılarak toplanan verilerin niteliği ve niceliği ile ilgilidir. Aynı ilkeler, yakın zamanda geliştirilen tekniklerin, altta yatan ampirik literatürdeki zorluklarla karşılaşıldığında bile sağlam sonuçlara izin verdiği meta-analiz için de geçerlidir (Irsova ve diğerleri, 2023) .

Süreç taslağının doğrusal görünümüne rağmen (Şekil 2), genellikle belirli adımların tekrarlanmasına yol açan belirsizlik vardır. Bölüm I sırasında araştırmacı, kapsamlı bir araştırmanın istenen sonuçları vereceğinden emin oluncaya kadar, araştırma kapsamının belirlenmesi, çalışma sorularının ayarlanması ve protokol ve arama kriterlerinin değiştirilmesi gibi birden fazla döngüyü yinelemeyi gerekli bulabilir. Her adımın süreçteki her adımı içerdiğinin kısa bir açıklaması.

Sistematik bir inceleme veya meta-analiz için bir araştırma sorusu geliştirirken bunun uygulanabilir, ilginç, yeni, etik ve ilgili olduğundan emin olmak önemlidir. Teorik bir hipotezi incelemek için nedenselliği test etmek amacıyla deneyleri kullanan çalışmalara sahip olmak gerekir (Tawfik vd., 2019) . Gözlemlenen bir ilişkiyi rapor eden çalışmalar ile deneysel manipülasyon yoluyla ilişkileri tanımlayan çalışmalar arasında ayrım yapmak çok önemlidir. Değişkenler arasındaki tutarlı ilişkiyi test etmek için gözlemsel ve deneysel verileri birleştirin. Genellemenin kapsamını ve kullanabileceğiniz veri kümesinin boyutunu göz önünde bulundurun. Uzmanlık alanınızdaki sorulara odaklanmak, daha erişilebilir araştırmalar için faydalıdır. Ana sorular genellikle ortalama etki, boş beklentiden farklılıklar ve farklı çalışmalar arasındaki sonuç değişkenliğinin açıklanması etrafında döner. Grup çalışmaları incelenen popülasyona, kullanılan metodolojiye, sonucun nasıl ölçüldüğüne ve karşılaştırma temeline dayanmaktadır. Ancak istatistiksel gücün düşük olmasına yol açabileceğinden birçok moderatörden kaçınılmalıdır. Son olarak, kafası karışan moderatörlerin farkında olmak ve analizlerinizde onlara nasıl hitap edeceğinize karar vermek çok önemlidir. Bu sadece bir öneri değil, araştırma yapmanın getirdiği bir sorumluluktur. Bu konuda özenli olmak, araştırma sonuçlarınızın doğruluğunu ve geçerliliğini sağladığı gibi, analizlerinizde de araştırma sonuçlarınızın doğruluğunu ve geçerliliğini sağlar (Koricheva vd., 2013) .

Sorularınızı formüle ettikten sonra, (1) sormayı düşündüğünüz soruları resmi olarak belirleyecek, (2) nesnel bir araştırma stratejisi belirleyecek ve (3) çalışmaya dahil edilme kriterlerini oluşturacak bir protokol yazmanız gerekir (Davis ve ark. 2012). Gurevitch ve diğerleri, 2018; Koricheva ve diğerleri, 2013) .

Sormayı düşündüğünüz soruları belirlemek, etki büyüklüklerindeki potansiyel heterojenlik kaynakları hakkında spesifik olmayı içerecektir (Côté ve Jennions, 2013) .

Objektif bir arama stratejisi belirlemek, veri toplamayı halihazırda aşina olduğunuz ilgili makalelere yönlendirmemeyi gerektirir; aksi takdirde, önemli sonuçları olan makaleleri hatırlamak genellikle daha kolay olduğundan bu durum sonucu etkileyebilir. Bu öncelikle hangi elektronik veritabanlarında arama yapacağınızın ve hangi arama terimlerini kullanacağınızın bir listesini yapmayı içerir. İkincil olarak, nesnel bir arama stratejisi, " gri literatürü" aramak için ne kadar çaba harcanacağına ilişkin bir kararı içerecektir . Örneğin, meslektaşlarınıza yayınlanmamış verileri talep edecek misiniz, eğer öyleyse kim ve neden?

Bir arama yaptıktan ve potansiyel makalelerin bir listesini derledikten sonra, çalışmaya dahil edilme kriterlerini belirlemelisiniz. Bu kriterler genellikle oldukça açıktır ve aşağıdakileri içerir:

1. Araştırma sorularınızın kapsamına uyuyor mu?
2. Metodoloji sorunuzun tanımlanma biçimine uyuyor mu?
3. Eğer öyleyse, yeterli büyüklük veya süreye sahip miydi?

• Çalışma çıkarılabilir veriler içeriyor mu, yani etki büyüklüğünü, varyansını ve kullanılan örneklem büyüklüğünü çıkarmak için yeterli bilgi var mı?

1. Dahil edilme kriterleriniz bazen çalışma kalitesini dikkate almak zorunda kalacaktır. Bunu değerlendirmek yukarıda listelediğimiz kriterlerden çok daha zordur, ancak bir o kadar da önemli olabilir.

Bununla birlikte, birincil araştırmalarda olduğu gibi, literatür tarama ve etki büyüklüklerini çıkarmaya yönelik protokolünüzün siz ilerledikçe neredeyse kesinlikle değişeceğini belirtmekte fayda var. Bu nedenle gerçek şu ki, birçok açıdan nihai protokolünüz ideal olarak yapmak istediğiniz şeyden ziyade ne yaptığınızı açıklayacaktır. Öncelikle okuyucuya verilerinizi nasıl topladığınızı anlatmalısınız. Böylece, tıpkı birincil araştırmalarda olduğu gibi, incelemenizin gelecekte tekrarlanmasına ve güncellenmesine olanak sağlamak için okuyucuya veri toplama ve analiz konusunda yeterli bilgi sağlarsınız. İkinci olarak, sizi örneklemenizin taraflı olup olmadığını sürekli olarak değerlendirmeye zorlayan bir protokolünüz olmalıdır. Bir protokol, verileri derlediğiniz nesnelliği artırır ancak meta-analiz sürecinin çok sayıda öznel karar içerdiği gerçeğini görmenizi engellememelidir; bunlar, belirli bir makalenin sonuçlarını deşifre etmeye çalışırken ve senteziniz için gerekli verileri çıkarıp çıkaramayacağınıza karar verirken en belirgindir. (Côté ve Jennions, 2013) . Verileri birden fazla kişi topluyorsa, iyi tanımlanmış ve test edilmiş bir protokol, moderatörler hakkında veri çıkarma ve kodlama kararlarında tekdüzeliği sağlamak için çok önemlidir.

Bazen, çoğu çalışmanın birkaç önemli kaynakla sınırlı olacağından eminseniz, yalnızca sınırlı sayıda dergiyi arayabilirsiniz. Çevrimiçi veritabanlarından önce neredeyse tüm araştırma sentezleri bu şekilde yapılıyordu. Veri erişilebilirliğindeki patlama nedeniyle artık kimse bu yaklaşımı kullanmıyor (en azından bilimsel dergilere erişimi olanlar için). Ancak yayınlanmamış veya " gri " kaynaklara mı bakılacağı önemli olmaya devam ediyor (Gurevitch ve diğerleri, 2018; Koricheva ve diğerleri, 2013) .

Kapsam belirleme araştırması sırasında yalnızca bazı çalışmaları bulmaya çalıştığınızı veya ortalama etkiye ilişkin bir ön tahmin elde etmeye çalıştığınızı unutmayın. Ana hedefler şunlardır:

1. Çalışma sorularınızı genişletme veya odaklama konusunda bilinçli kararlar vermenize yardımcı olacak mevcut veri miktarını tahmin etmeyi düşünün. Bu, araştırmanızda gerçekten bir fark yaratabilir.
2. Potansiyel moderatörler olarak kodlayabileceğiniz çalışmalar arasında hangi faktörlerin farklılık gösterdiğini öğrenin.
3. Bir çalışmayı hangi kriterlerin ilgisiz olarak işaretlediğine karar verin (örneğin, aramanız tamamı okunacak 2000 makale belirlerse başlığa, özete ve yayın yerine göre bazı hariç tutma kararları vermeniz gerekecektir );

• Bir etki büyüklüğü çıkarmaya çalışmadan önce, potansiyel olarak ilgili her çalışmanın hangi kriterleri karşılaması gerektiğini öğrenin.

1. Veri çıkarma formunuzun/e-tablonuzun formatını belirleyin ve
2. En uygun sonuç ölçütlerine (etki büyüklükleri) karar verin.

Bu son karar genellikle verilerin iki sürekli değişken arasında bir ilişki olarak rapor edilip edilmediğine bağlı olacaktır; bu durumda etki büyüklüğü r, ekoloji ve evrimde en popüler seçimdir. Alternatif olarak karar, iki grubun karşılaştırılmasını içerebilir; bu durumda yanıt değişkeninin ayrık mı yoksa sürekli mi olduğuna bağlı olarak bir dizi seçenek vardır. Bazen çalışmaları en uygun etki büyüklüğüne göre bölerek ayrı meta-analizler yürütmek en kolay yoldur.

İlk aramanın yapılması, önerilen konseptin doğrulanması, daha önce tartışılan konuların tekrarlanmasının önlenmesi ve analiz için yeterli sayıda makalenin doğrulanması açısından önemli bir adımdır. Bu süreç sadece bir formalite değil, alana önemli bir katkıdır (Tawfik vd., 2019) .

Protokolü ve kapsamı oluşturduktan sonraki adım, titiz bir tam aramadır. Çok sayıda çalışma ortaya çıkacak, ancak bunların çoğu çalışmanın başlığına, özetine veya yayınlandığı yere dayalı kriterler kullanılarak ilgisiz olduğu gerekçesiyle bir kenara atılacak. Geriye kalan 'potansiyel olarak ilgili' çalışmalar daha yakından okunmalı ve ilgili ve ilgisiz olarak bölünmelidir. Bu süreç, her adımdaki kağıt sayısında önemli bir azalmaya yol açabilir. Başlangıçta ilgili olduğunu ve meta-analiz için uygun olmadığını belirlediğiniz çok sayıda (çoğunlukla) çalışmaya hazırlıklı olun. Son adım, ilgili makalelerden gerekli bilgilerin (etki boyutları ve moderatörler) çıkarılmasıdır. Çıkarmak istediğiniz tüm bilgilerin dahil edilmesini sağlayan kesinleştirilmiş bir veri tablosu çok önemlidir.

Sonlandırılmış bir veri elektronik tablosuna sahip olduğunuzda, ilgili makalelerden oluşan bir yığın oluşturmak ve etki boyutunu çıkarmak için bunlara geri dönmek ile onu okurken bir makaleden veri çıkarmak arasındaki dengeyi anlamak çok önemlidir. İlkinin avantajı, e-tablonuzun çıkarmak istediğiniz tüm bilgileri içerdiğinden daha emin olabilmenizdir. İkincisinin avantajı, bir makaleyi bir kez derinlemesine okuyabilmenizdir.

Bir çalışmanın tam olarak nasıl tasarlandığını ve bir etki büyüklüğü elde etmek için hangi ilgili verilere ihtiyaç duyulduğunu anlamak şaşırtıcı derecede karmaşık olabilir. Bu süreçte iyi not almak çok önemlidir ve ikinci okumada genellikle kolay değildir. İlgili çalışmaların ana özelliklerini iyi anladığınızdan eminseniz, bir veri tabanı tasarlamayı ve bir makaleyi ilgili olarak sınıflandırır sınıflandırmaz verileri çıkarmayı düşünebilirsiniz. Tabii ki uyarımız şu ki, daha sonra ek bir moderatör terimi kodlamanız veya çalışmaya dahil edilme kriterlerinizi ayarlamanız gerektiğini fark ederseniz yine de bu makalelere geri dönmek zorunda kalabilirsiniz. İlk okumadan bilgi çıkarmak, spesifik ve sıradan bir deneysel tasarımı yakından takip eden çalışmalarla uğraşırken en uygunudur.

Papakostidis ve Giannoudis (2023), son yıllardaki kalite iyileştirme yönündeki son eğilime rağmen, halihazırda yayınlanan meta-analizlerde metodolojik eksikliklerin bulunduğuna dikkat çekmektedir. Sistematik incelemeler ve meta-analizler, PRISMA (Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Öğeleri) yönergeleri (bkz. Şekil 4) gibi katı ve şeffaf kurallara uygun olmalı ve arama sürecinin tekrarlanabilirliğini ve sağlamlığını, güvenilirliğini sağlamalıdır. bulgularının geçerliliği ve raporlamanın netliği. Bu yönergeler, arama stratejisinin şeffaf raporlanması, çalışma seçim süreci, veri çıkarma ve veri sentezi dahil olmak üzere yukarıda belirtilen tüm gerekliliklerin karşılandığından emin olmak için temel adımları özetlemektedir:

1. Prospektif bir çalışma protokolü, sistematik bir inceleme ve meta-analizin temel taşıdır. Önyargıyı azaltma ve şeffaflığı sağlamadaki rolü abartılamaz. Bu iyi yapılandırılmış ve kısa ve öz belge, sistematik inceleme metodolojisindeki potansiyel değişiklikler de dahil olmak üzere, araştırma süreci boyunca tüm adımları yeterince açıklamalıdır. Bunu yaparak, bu değişiklikleri haklı çıkarır ve inceleme için veri seçiminde yanlılığın ortaya çıkmasını önler.
2. Arama süreci sadece bir adım değil, sistematik bir inceleme ve meta-analizin omurgasıdır. Sağlam ve tekrarlanabilir yapısı, uygun çalışmalardan elde edilen tüm ilgili verilerin dahil edilmesini sağlar. Bu, PubMed, EMBASE veya SCOPUS gibi veritabanlarının gerekli olduğu birden fazla elektronik veri tabanının ve referans listesinin aranmasını içerir. Cochrane, Web of Science ve ProQuest gibi ek veritabanları da dikkate alınmalıdır. Ayrıca konferans tutanaklarının özetlerini arayarak potansiyel olarak ilgili gri literatürü belirlemek de faydalı olacaktır. Ancak yetersiz arama stratejileri ve dil kısıtlamaları, uygun çalışmaların sayısını sınırlayarak önemli miktarda yayın yanlılığı ortaya çıkarabilir. Bu önyargı, en kapsamlı arama stratejisinde bile mümkündür, çünkü çalışmaların tamamının veya bir çalışmadan elde edilen tüm sonuçların yayınlanamaması beklenebilir.
3. Birincil çalışmaların iç geçerliliği: "İç geçerlilik" terimi, bir çalışmanın çeşitli kafa karıştırıcı unsurları sınırlandırarak bir tedavi ile sonuç arasında güvenilir bir neden-sonuç ilişkisi kurma yeteneğini ifade eder. Bu, dahil edilen çalışmaların metodolojik kalitesi ve önyargı riskiyle yakından bağlantılı çok önemli bir husustur. Hem RCT'ler (randomize kontrollü çalışmalar) hem de gözlemsel çalışmalar için birincil çalışmalarda önyargı riskini değerlendirmek üzere çeşitli araçlar geliştirilmiştir.
4. Cochrane Collaboration Önyargı Riski aracının (RoB-2) en son sürümü[1] RCT sonuçlarındaki yanlılık riskinin değerlendirilmesi için bir çerçeve sağlar. Çalışma bulgularına potansiyel yanlılığın dahil edildiği beş alan halinde yapılandırılmıştır: (1) rastgeleleştirme süreci; (2) amaçlanan müdahalelerden sapmalar; (3) sonuç verilerinin eksik olması; (4) sonucun ölçümü; (5) bildirilen sonuçların seçimi (Sterne ve diğerleri, 2019). Her önyargı alanında, spesifik sinyal soruları önyargı değerlendirmesi riskiyle ilgili bilgileri ortaya çıkarmayı amaçlamaktadır [2]. Araç, bu sinyal sorularına verilen yanıtları, her alan için önerilen bir önyargı riski kararıyla eşleştiren algoritmalar içerir. Olası önyargı riski yargıları şunlardır: (1) Düşük önyargı riski, (2) Bazı endişeler ve (3) Yüksek önyargı riski. Araç, "trafik ışıkları" ekranı olarak tasvir edilmiştir. Rastgele Olmayan Müdahale Çalışmalarında Önyargı Riski (ROBINS-I) aracı, potansiyel önyargı oluşumunun yedi alanını özetlemektedir (bkz. Tablo 3): ikisi "müdahale öncesi" aşamada, biri "müdahale sırasında" aşamasında ve biri "müdahale sırasında" aşamasında ve dördü "müdahale sonrası" aşamada.
5. Veri Analizi ve Raporlama: Bireysel çalışmalardan elde edilen verileri birleştirmek örneklem büyüklüğünü ve istatistiksel gücü artırırken, istatistiksel heterojenliğin varlığını araştırmak da çok önemlidir. Derlenen çalışmalarda tedavi etkisindeki bu tutarsızlık yanıltıcı olabilir ve sonuçlara olan güveni azaltabilir. İstatistiksel heterojenliğin ölçülmesi genellikle spesifik istatistiksel testlere (Higgins-I, Cochran Q-testi) dayanır. Meta-analiz yazarları , çalışma protokolünün başlangıcında önsel hipotezlere dayalı olarak alt grup ve duyarlılık analizlerini uygun şekilde tasarlayıp gerçekleştirerek istatistiksel heterojenliğin varlığını araştırmalıdır . Bu tür hipotezler, birleştirilmiş analiz sonuçlarının, örneğin örneklerin klinik özelliklerine, metodolojik konulara, çalışma tasarımına ve çalışmaların coğrafi kökenine dayalı olarak potansiyel olarak daha homojen veri alt kümeleri (alt gruplar) halinde araştırılmasını içerir. Birleşik etki tahminleri üretmek için iki farklı istatistiksel model kullanılmaktadır. Verilerin bir araya toplanması için uygun istatistiksel modelin seçimi, çalışmalar arasındaki heterojenliğin varlığına bağlıdır. Bununla birlikte, bir modelin diğerine tercih edilmesini zorunlu kılacak heterojenlik derecesine ilişkin net sınır değerleri tanımlanmamıştır. Öte yandan, heterojenliğe yönelik istatistiksel testler genellikle önemli heterojenliği tespit etme konusunda yetersizdir:
6. Sabit etkiler modeli, tüm çalışmalar genelinde birleştirilmiş etki tahminiyle temsil edilen tek bir gerçek etki boyutunu varsayar. Bu model genellikle bir meta-analizde heterojenlik olmadığında ve geniş örneklem büyüklüğüne sahip çok sayıda çalışma olduğunda kullanılır. Bu gibi durumlarda, heterojenlik testinin önemli farklılıkları tespit edecek kadar güçlü olduğuna dair güven vardır. Bu model kullanılarak elde edilen sonuçlar daha dar güven aralıklarına sahip olma eğilimindedir. Heterojenlik konusunda endişeler varsa rastgele etkiler modelinin (DerSimonian ve Kacker, 2007) daha iyi bir seçim olduğu düşünülmektedir. Nokta tahminleri etrafında daha geniş güven aralıkları üretir ve analiz için daha temkinli bir seçenektir. Gerçek etkinin farklı popülasyonlar arasında değişmesinin beklendiği tıp alanında, rastgele etkiler modelinin daha sık kullanılması daha uygundur. Yeterli örneklem büyüklüğüne sahip yeterince fazla sayıda çalışmayı içeren ve istatistiksel heterojenliğin henüz tespit edilemediği meta-analizlerde sabit etkiler modelinin kullanılması mantıklıdır. Son olarak, bir meta-analizden elde edilen özetlenmiş kanıtların kalitesi GRADE, AMSTAR veya PRISMA aracının şeffaf çerçevesi kullanılarak değerlendirilmelidir (bkz. Şekil 4). İlgilenilen her sonuç için etki tahminine olan güveni değerlendirirler. Bunların meta-analizlerde kullanılmaması şeffaflığın eksikliğine yol açabilir ve potansiyel olarak yanıltıcı sonuçlara yol açabilir.
7. Rastgele etkiler modeli, klinik özelliklerindeki farklılıklar nedeniyle gerçek etki tahmininin orijinal çalışmalar arasında farklılık gösterdiğini varsayar. Bu nedenle, bu modele dayalı olarak oluşturulan birleşik etki büyüklüğü tahmini, tüm bireysel çalışmaların tahminlerinin ortalama bir tahminini temsil etmektedir.
8. Bir meta-analizin sonuçlarının analiz edilmesi. Bir meta-analizin sonuçlarının anlamlılığı göz önünde bulundurularak analiz edilmesi önemlidir. İstatistiksel olarak anlamlı bir varyans, eğer ilgi yoksa anlamlı değildir. Ek olarak, herhangi bir fark, yeterince büyük bir örneklem büyüklüğü ile istatistiksel anlamlılığa ulaşabilir. Bunun tersine, anlamlı olmayan bir genel etki tahmini hesaplanırken, ilgili olduğu düşünülen şeyin bu tahminin güven aralığına girip girmediğinin dikkatli bir şekilde değerlendirilmesi önemlidir.

• Sonuçların doğrulanması önemli bir adımdır. Alanında tanınmış bir kurum olan Oxford Üniversitesi'ndeki CEBM gibi kanıt merkezleri önemli değerlendirme araçları geliştirmektedir. Bir meta-analizden toplanan kanıtların güvenilirliğini, bilimsel önemini ve uygulanabilirliğini belirlemede etkilidirler . Beş anahtar soruyla CEBM, çalışmanın bulgularının geçerliliğini belirlemek için güvenilir bir yöntemdir.

[1] https://methods.cochrane.org/bias/resources/rob-2-revised-cochrane-risk-bias-tool-randomized-trials

[2]https://www.bmj.com/content/366/bmj.l4898.long adresindeki Tablo 1'e bakın.

Higgins ve ark. (2023) bu bağlamda dört temel noktayı ele almaktadır:

1. İnceleme yazarları olarak araştırmacılar, çalışmalarınızda muhtemelen çeşitli sonuç veri türleriyle karşılaşacaklardır. Bunlar ikili, sürekli, sıralı, sayım veya oran ve olaya kadar geçen süre verilerini içerir. Bu türleri tanıyarak araştırma sürecine ilişkin anlayışınızı geliştirebilir ve kendinizi daha güçlü hissedebilirsiniz.
2. İki müdahale grubu arasındaki sonuç verilerini karşılaştırırken ("etki ölçümleri"), her veri türü için birçok yöntem vardır. İkili sonuçların karşılaştırılmasında bir risk oranı, olasılık oranı, risk farkı veya tedavi edilmesi gereken bir sayı kullanılabilir. Öte yandan sürekli sonuçlar, ortalama fark veya standartlaştırılmış ortalama fark kullanılarak karşılaştırılabilir. Yöntemlerin bu çeşitliliği araştırmacıların araştırma sürecini anlamalarını zenginleştirir.
3. Etki ölçümleri iki türde gelir: oran ölçümleri (risk oranı ve olasılık oranı) veya fark ölçümleri (ortalama fark ve risk farkı gibi). Oran ölçümleri genellikle logaritmik bir ölçek kullanılarak analiz edilir.
4. Araştırma raporlarından elde edilen bilgilerin analiz için tutarlı veya kullanılabilir bir formata dönüştürülmesi gerekebilir.

Bir meta-analiz için gereken çalışma sayısını belirtmek zordur. Kararı etkileyen faktörler disipline özgü bağlamı, analizde kullanılan sabit veya rastgele etki modellerini, etki büyüklüklerinin popülasyon değerlerini ve diğer hususları içerebilir (Cheung ve Vijayakumar, 2016) . Veritabanı tasarlamak bir sanattır; iyi tasarlanmış bir proje size hazırlıklı olma ve güven duygusu aşılayabilir.

Temel kurallar ampirik bir çalışmanınkilerle aynıdır; Veri sayfasının ihtiyacınız olan tüm bilgileri içerdiğinden ve tamamlanması kolay ve verilerin yanlış yere girilmesinin zor olacağı şekilde mantıksal olarak düzenlendiğinden emin olmalısınız. Veri sayfanızı deneme testi için sahip olduğunuz en kapsamlı, en karmaşık görünümlü kağıtları kullanın . Eğer bunları halledebilirseniz, iyi bir başlangıç yapmış olursunuz.

Ampirik bir çalışma ile meta-analiz arasındaki temel fark, hangi konulardan veri topladığınızı ve toplamadığınızı kaydetmeniz gerektiğidir. Kısacası, bibliyografik bir çalışma kütüphanesi tutun ve bazılarının neden hariç tutulduğunu açıklayın (örn. ilgisiz, dahil etme kriterlerini karşılamak için gereken kritik bilgilerin eksik olması, etki büyüklüğü ve varyans tahmininin çıkarılmasının mümkün olmaması).

Uygun bir protokol, çalışma moderatörleri için bilgilerin kodlanmasını nispeten kolaylaştırır. Süreci basitleştirerek daha yönetilebilir hale getiren yapılandırılmış bir yaklaşım sağlar. Buna karşılık etki büyüklüklerini çıkarmak meta-analizin en zorlu kısımlarından biridir. Özellikle ilk meta-analiziniz sırasında kendinizden şüphe etmenize yol açabilir. Etki büyüklüklerini çıkarmak için sıklıkla subjektif kararlar vermeniz gerekir. Bu süreç, analizinizin doğruluğunu sağlamak için dikkatli bir değerlendirme ve titizlik gerektirir.

Son olarak, birden fazla etki büyüklüğü bildiren çalışmalarla ilgilenmek için bir protokol hazırlayın. Spesifik olarak, tedavi nedeniyle ilgilenilen sonuçtaki değişiklikler olan tedavi etkileri zaman içinde tekrar tekrar ölçülürse, yapılandırılmış bir yaklaşım hangi karşılaştırmaları kullanacağınızı belirlemenize yardımcı olacak ve bir rehberlik ve kontrol duygusu sağlayacaktır.

Meta-analizlerin yürütülmesinde konunun kapsamlı bir şekilde anlaşılması zorunludur. Bu, birincil araştırmaya katılmayı, kapsamlı bir anlatı literatür taraması yazmayı veya kapsamlı pedagojik deneyim göstermeyi gerektirebilir. Alt alandan bir ortak yazara ihtiyaç duyulursa, benzer uzmanlığa sahip bir ortak çalışanın görevlendirilmesi esastır. Konuyla ilgili bir meta-analiz mevcutsa, meta-analizinin katma değerini kanıtlamak araştırmacının sorumluluğundadır. Bu, orijinal meta-analizde yayın yanlılığı veya heterojenlik için düzenleme yapılmaması gibi faktörlere bağlı olabilir. Yeni birincil çalışmaların yalnızca çoğalması bir gerekçe olarak yeterli değildir (Irsova ve diğerleri, 2023) .

Ayrıca, orijinal meta-analizle karşılaştırıldığında önemli bir metodolojik ilerleme sergilemek zorunludur. Yüzeysel güncellemelerin pedagojik egzersizler veya yapay zekanın kapsamı olarak bırakılması en iyisidir. Bununla birlikte, araştırma yaklaşımları ve metodolojilerindeki önemli ilerlemelerin önceki meta-analitik bulguların sağlamlığı konusunda şüphe uyandırması durumunda, bu kılavuzlara istisnalar getirilmesi garanti edilebilir. Ek olarak, toplumlardaki yapısal değişimler önceki etki büyüklüklerini temsili olmaktan çıkarmış olabilir.

Konuyla ilgili bilginize dayanarak meta-analize dahil etmeniz gereken beş temel çalışmanın bir listesini oluşturun. En önemli beş çalışmayı seçtiğinizden emin olmak için geniş bir dil modeli kaydedebilirsiniz. Ancak mevcut modeller çoğu zaman gerçeklere dayalı olarak yanlış sonuçlar verdiğinden, yapay zekaya çok fazla güvenme konusunda dikkatli olun; uzmanlığınızı her zaman iki kez kontrol edin ve önceliklendirin. Ardından Google Akademik'i kullanarak ana arama sorgunuzu tasarlayın. Google Akademik'i diğer veritabanlarına tercih ediyoruz çünkü çevrimiçi olarak yayınlanan tüm makaleleri içeriyor ve makalelerin yalnızca başlığını, özetini ve anahtar kelimelerini değil, tam metnini de incelemenize olanak tanıyor. Arama sorgusu tasarımındaki bu esneklik, aramanızı özel ihtiyaçlarınıza göre uyarlamanıza olanak tanır. Evrensel bir veritabanı için tek bir ana sorgu kullanmak, diğer araştırmacıların meta-analizinizi çoğaltmasını kolaylaştırır. Google Akademik'in algoritmalarının değişebileceğini, dolayısıyla konunuza bağlı olarak yaklaşımınızı güçlendirmek için ek bir veritabanı kullanmanın faydalı olabileceğini unutmayın. Birincil çalışmalarda kullanılan anahtar kelimelerin farklı kombinasyonlarını kullanın. Yukarıda tanımlanan en kritik beş birincil çalışma ilk isabetler arasında yer alıyorsa sorgunuzun oldukça iyi hazırlanmış olduğunu bileceksiniz. Sorguya ince ayar yapmak için birkaç gün ayırın (ilk 50 sonuç arasında döndürülen yüksek düzeyde alakalı birincil çalışmaların yüzdesini artırın) ve doğru arama sözdizimine dikkat edin.

Şekil 4, aramanıza ve seçiminize rehberlik etmek ve aynı zamanda sonuçlarınızı raporlamak için kullanabileceğiniz PRISMA standardını açıklamaktadır ( Haddaway ve diğerleri, 2022; Kaufmann & Reips, 2024) .

Tüm ortak yazarlar meta-analiz için verileri kendileri toplamalıdır; araştırma görevlilerine devredilemez. Gelecekte yapay zeka (GPT 7?) bu zaman alıcı göreve yardımcı olabilecek. Ancak şu anda, alanında uzman olan, her bir birincil çalışmayı titizlikle incelemek ve veri setlerini her seferinde bir veri noktası olmak üzere metodik olarak manüel olarak oluşturmak konusunda benzersiz niteliklere sahip olan meta-analiz yazarlarının alternatifi yoktur (Irsova). ve diğerleri, 2023) .

Çoğu ekonometrik çalışmanın yazarlarının aksine, meta-analistler mevcut verileri almazlar, yeni veri tabanları oluştururlar. Meta-analiz veri kümelerinin örneklerine https://www.meta-analiz.cz/ adresinden ulaşılabilir .

En az iki ortak yazarın verileri bağımsız olarak toplaması gerekir. Bu titiz süreç, zaman alıcı olsa da meta-analizin güvenilirliğini sağlamak için çok önemlidir. Çalışmaları manuel olarak kodlarken (genellikle PDF formatında düzinelerce sayfadan oluşur) hatalar beklenebilir ve verileri iki uzmanın toplaması, hataların kolayca tanımlanmasına ve düzeltilmesine olanak tanır. Meta-analiz için toplanan etki büyüklükleri niteliksel ve niceliksel olarak karşılaştırılabilir olmalıdır. Bu, yalnızca aynı tahmin edilen işaretin aynı yönde bir etkiyi göstermesi gerektiği değil, aynı zamanda birincil çalışmalar arasındaki etkilerin gerçek boyutlarını karşılaştırmanın da anlamlı olması gerektiği anlamına gelir.

Niceliksel olarak karşılaştırılabilir etki boyutları arasında korelasyon katsayıları, tek oranlar, esneklikler, dolar değerleri ve standartlaştırılmış ortalama farklar bulunur. Regresyon katsayıları genellikle yalnızca niceliksel olarak başka dönüşümlerle karşılaştırılabilir çünkü farklı birincil çalışmalar bağımsız ve bağımlı değişkenlerin farklı ölçüm birimlerini veya fonksiyonel formlarını kullanabilir . Her iki taraftaki değişkenlerin logaritmik olarak kullanıldığı regresyonlar bir istisna oluşturur ve bu nedenle regresyon, tahmini esneklikleri sağlar.

Birincil çalışmalarda bildirilen tüm tahminlerin toplanması zorunludur. Bu yaklaşım beş nedenden dolayı tavsiye edilmektedir (Irsova ve diğerleri, 2023) :

1. Kapsamlı bir görünüm sağlayarak hiçbir bilginin atılmamasını sağlar ve öznel yargılama ihtiyacını ortadan kaldırır. Veri toplamaya yönelik bu kapsamlı yaklaşım, araştırmacılara analizlerinin eksiksizliği konusunda güven verir. Yazarların tercih ettiği tahminlere daha fazla ağırlık vermek için her zaman veri kümesinin karşılık gelen alt örneğinin bir meta-analizini sunabilirsiniz.
2. Bunun gibi özel bir analiz, sonuçların gücünü doğrulayabilir veya bir başlangıç noktası oluşturabilir. Ancak diğer tahminlerin göz ardı edilmesi ikinci senaryoda bile yersizdir.
3. Orijinal araştırma yürütürken, bulguların doğruluğunu garanti altına almak için ekstra doğrulamaların yapılması yaygındır. Bazen araştırmacıların kendisi de bu bulguların daha az güvenilir olduğunu düşünüyor. Tüm bulguların bir araya getirilmesiyle "düşük" sonuçların yazarların tercih ettiği sonuçlardan tutarlı bir şekilde farklı olup olmadığını değerlendirmek mümkündür.
4. En iyi uygulama meta-analizini yürütürken, yazarların tercih ettiği sonuçlara daha fazla ağırlık vermek yine de uygundur. Bazen hangi sonuçların yazarın lehine olduğunu objektif olarak belirlemek zordur. Ancak tüm bulguların toplanması ve analiz edilmesi, araştırmacıların öznel yargılara ihtiyaç duymadan bilinçli kararlar vermesini sağlayabilir.

Verilerinizdeki aykırı değerleri ve etkili noktaları incelemek önemlidir. Bunu yapmanın bir yöntemi, bir huni grafiği, etki boyutlarının dağılım grafiği ve bunların hassasiyetini oluşturmaktır. Ana huni şeklinden önemli ölçüde sapan veri noktalarını fark ettiğinizi veya DFBETA'da (bireysel veri noktalarının regresyon analizi üzerindeki etkisini ölçmek için bir yöntem) endişe uyandırdığınızı varsayalım [1]. Bu durumda, bu veri noktalarıyla ilişkili birincil çalışmaların gözden geçirilmesi tavsiye edilir. Bu inceleme, verilerde veya birincil çalışmalarda hata olmadığından emin olunmasına yardımcı olacak ve aynı zamanda çalışmaların nasıl yürütüldüğüne ilişkin nüansları ortaya çıkararak, sonuçları araştırma literatürünün geri kalanıyla karşılaştırılamaz hale getirebilir. Hala belirsizlikler varsa, birincil çalışmaların yazarlarına ulaşmak netlik sağlayabilir. Meta-analizinizin sonuçlarını büyük ölçüde etkileyebileceğinden, DFBETA tarafından belirlenen etkili veya kaldıraç noktalarını ele almak çok önemlidir . Bu, son çare olarak bu noktaların düzeltilmesini veya hariç tutulmasını içerebilir. Ek olarak, veriler üzerinde aykırı değerlerin kaldırılmasının veya winsorizasyon kullanılmasının (belirli bir yüzdelik dilimin üzerindeki ve altındaki gözlemleri o yüzdelik değerle değiştirin) etkisini göstermek için sağlamlık kontrollerinin raporlanması yalnızca tavsiye edilmez (Zigraiova ve ark., 2020) . Sonuçta sonuçlarınız güvenilir ve etkili araştırma bulgularına dayanmalı ve eğer durum buysa, bu bulguların öne çıkması ayrıntılı olarak gerekçelendirilmelidir.

Son olarak, etki büyüklükleri ve standart hataların yanı sıra, tahmini etki büyüklüklerinin elde edildiği bağlamdaki önemli farklılıklar hakkında da bilgi topladığınızdan emin olun. Çoğu meta-analiz, verilerdeki, yöntemlerdeki ve yayın özelliklerindeki farklılıkları yansıtan en az on değişkeni (çoğunlukla 0 veya 1 değerini alan kukla ikili değişkenler) toplamalıdır. Veritabanının boyutuna ve karmaşıklığına bağlı olarak daha fazla değişkene ihtiyaç duyulabilir ancak basitlik açısından sayının 30'un altında tutulması tavsiye edilir. Örneğin, birincil çalışmanın deneyinin popülasyonun temsili bir örneğine mi yoksa yalnızca belirli bir gruba mı odaklandığını, yürütüldüğü ülkeyi, kontrol grubuna plasebo mu yoksa alternatif bir tedavinin mi atandığını, yayın tarihini, etki faktörünü düşünün. çıkış yeri ve alınan yıllık alıntıların sayısı.

Veri toplamadan önce kodlanacak değişkenlerin bir listesini dikkatlice hazırlayın. Bu bir meta-analizin en zorlu ve yaratıcı kısmı olabilir. Potansiyel değişkenlerin sayısı neredeyse sınırsız olduğundan, literatürdeki tartışmalara ve uzmanlığınıza dayanarak en önemlilerini seçmek önemlidir. Kapsamlı bir dil modeli, birincil çalışmaların farklılık gösterdiği bazı boyutların belirlenmesine yardımcı olabilir. Ancak yapay zekanın bazen yanıltıcı sonuçlar sunabilmesi nedeniyle çifte kontrolün hayati önem taşıdığını unutmamak çok önemlidir. Bu dikkat ve detaylara dikkat, meta-analizinizin doğruluğunu sağlayacaktır.

Birincil çalışmalardan topladığınız bilgileri tamamlayan ek bilgiler eklemeyi düşünün. Birincil çalışmaların ötesine geçen bu kapsamlı yaklaşım, araştırma bağlamının daha kapsamlı anlaşılmasını sağlayabilir. Örneğin, eğer birincil çalışmalar çeşitli ülkelerde yapılmışsa, ülke (veya bölge) özellikleri de ek değişkenler olarak değerli olabilir. Deney sonuçları sıcaklık, nem veya ülkenin finansal gelişimi gibi faktörlerden etkilenebilir ve bunların tek başına birincil çalışmalarla analiz edilmesi imkansız olabilir. Bu tür ek bilgileri dikkate alarak ve dahil ederek meta-analiziniz daha kapsamlı ve anlayışlı olabilir (Irsova ve diğerleri, 2023) .

[1]Bkz. https://blogs.sas.com/content/iml/2019/06/17/influence-regression-dfbeta.html

* Examples of meta-analysis datasets are available at https://www.meta-analysis.cz/.

** See https://blogs.sas.com/content/iml/2019/06/17/influence-regression-dfbeta.html

Meta-analiz sanatında ustalaşmak basit görünebilir ancak bu alanda mükemmelliğe ulaşmak gerçekten zordur. Etki büyüklüklerini belirlemek, meta-analiz yürütmenin en zorlu yönlerinden biridir.

Bir meta-analizin ilk adımı sistematik literatür taramasını ve veri çıkarmayı içerir. Araştırmacılar ilgili çalışmaları belirlemek için veri tabanı aramalarını, referans listelerini ve uzman istişarelerini kullanır. Yalnızca araştırma sorusunu ele alan ve kalite standartlarını karşılayan çalışmaların dahil edilmesini sağlamak için dahil etme ve hariç tutma kriterleri uygulanır.

Meta-analiz, çeşitli kaynaklardan gelen verileri birleştirerek istatistiksel gücü artırabilir, etki büyüklüklerine ilişkin daha kesin tahminler sağlayabilir ve çalışmalar arasındaki modelleri veya moderatörleri belirleyebilir. Bu makale, veri toplama, etki büyüklüğü tahmini, model seçimi ve heterojenliğin değerlendirilmesi dahil olmak üzere meta-analizde kullanılan nicel yöntemleri araştırmaktadır (Haddaway ve diğerleri, 2022) .

Herhangi bir meta-analizin odak noktası, bir değişkenin veya değişken grubunun diğerini nasıl etkilediğinin gücünü ölçen etki büyüklüğüdür. Etki büyüklükleri deneysel tedavilerin etkisini veya deneysel olmayan çalışmalarda değişkenler arasındaki ilişkiyi anlamak için çok önemlidir. Ancak, araştırma tasarımlarının çok çeşitli olması ve birincil araştırma raporlarında istatistiksel bilgilerin yetersiz raporlanması nedeniyle etki büyüklüklerinin hesaplanması zor olabilir. d ve r ölçümleri, etki büyüklüklerinin hesaplanmasında yaygın olarak kullanılır ve pratiktir; araştırmacılara meta-analiz için değerli araçlar sağlar.

İlgili çalışmalar belirlendikten sonra, etki büyüklüklerinin çıkarılması ve standartlaştırılması bir sonraki adımdır. Etki büyüklüğü deneysel sonucun gücünü gösteren sayısal bir ölçüdür. Yaygın etki boyutu ölçümleri şunları içerir:

1. Cohen's d: İki ortalama arasındaki farkın birleştirilmiş standart sapmaya bölünmesiyle ölçülür.
2. Olasılık Oranı (OR): Bir olayın bir grupta diğerine göre meydana gelme olasılığını ölçmek için ikili sonuçlarda kullanılır.
3. Korelasyon Katsayısı (r): İki değişken arasındaki bağlantının yoğunluğunu ve yönünü analiz edin.

Etki büyüklüklerinin standartlaştırılması çok önemlidir çünkü farklı ölçekler veya sonuç ölçümleri kullanan çalışmalardan elde edilen sonuçların birleştirilmesine olanak sağlar.

Lütfen iki farklı toplama modelinin bulunduğunu unutmayın: sabit etkiler ve rastgele etkiler modelleri. Sabit etkiler modeli, meta-analizdeki tüm çalışmaların aynı popülasyondan geldiğini ve gerçek etki büyüklüğünün tüm çalışmalar arasında tutarlı kaldığını varsayar. Dolayısıyla, etki büyüklüğündeki farklılığın örnekleme hatası gibi her çalışma içindeki farklılıklardan kaynaklandığı varsayılmaktadır. Bunun aksine, eğer popülasyon üzerindeki etkiler çalışmadan çalışmaya değişiyorsa, rastgele etkiler modeli daha karmaşık hale gelir. Bu varsayım, gözlemlenen çalışmaların daha geniş bir çalışma evreninden alınan örneklerin bir seçimi olduğu fikrine dayanmaktadır. Rastgele etki modelleri, belirli bir etki büyüklüğündeki iki varyasyon kaynağını kapsar: çalışmalar içi ve çalışmalar arası. (Kaufmann ve Reips, 2024) .

Meta-analizler yapılırken etki büyüklükleri, sabit etki veya rastgele etki modelleri kullanılarak birleştirilir. Bu modellerden birinin kullanılmasının seçimi, etki büyüklüklerinin dağılımına ilişkin varsayımlara dayanmaktadır:

1. Sabit Etki Modeli: Bu model, tüm çalışmaların aynı gerçek etki büyüklüğünü tahmin ettiğini ve gözlemlenen farklılıkların yalnızca örnekleme hatasından kaynaklandığını varsayar. Daha kapsamlı çalışmalara daha fazla ağırlık verir ve çalışmalar katılımcılar, müdahaleler ve sonuçlar açısından çok benzer olduğunda uygundur.
2. Rastgele Etkiler Modeli: Bu model, hem çalışma içi örnekleme hatası hem de çalışmalar arası heterojenlik nedeniyle etki büyüklüklerinin çalışmalar arasında değiştiğini varsaymaktadır. Etki büyüklüğü hakkında daha genelleştirilmiş bir çıkarıma olanak tanıyan ek bir varyans bileşeni içerir. Rastgele etkiler modeli muhtemelen daha geniş bir güven aralığıyla daha temkinli bir tahmin üretecek ve sonuçlara daha bilinçli bir yaklaşım getirecektir. Bununla birlikte, iki modelden elde edilen sonuçlar genellikle heterojenlik olmadığında örtüşmektedir. Dahil edilen çalışmalar arasında anlamlı heterojenlik olduğunda daha uygundur.