Dr. Diego Ariel - Aula 08 - Como realizar uma metanálise: Metanalisando estudos expressos como Diferença de Médias (MD)

Espero que estejam gostando do curso...

Essa é nossa penúltima aula da série “Como realizar uma metanálise: um guia prático passo a passo utilizando o software R e o RStudio”.

Já vimos os conceitos básicos e as ferramentas necessárias para rodar uma metanálise. Agora faremos nossa segunda metanálise: estudos expressos como Diferença de Médias (MD) . Para isso utilizaremos nosso exemplo 2, o score W. Abaixo seguem links para download da planilha 2 e o script do Rstudio.

Em breve, lançaremos mais cursos nessa “pegada”....

Agradeço demais pela interação de todos... e qualquer coisa, estou às ordens...

Construindo um banco de dados do exemplo 2

No exemplo 2, três autores compararam duas técnicas cirúrgicas, A (experimental) e B (controle), utilizando o score funcional W no pós operatório nas duas técnicas, no qual quanto maior o score melhor o resultado.

Assim, o banco de dados do exemplo 2 consistirá de uma tabela com sete colunas, obrigatoriamente nessa sequência (Figura 1):

Coluna 1- nome dos estudos: no caso, 3 estudos;

Coluna 2- amostra total do grupo experimental/tratamento (ne - Número de pacientes submetidos à técnica A): no caso, 18, 30 e 42 pacientes, respectivamente nos 3 estudos;

Coluna 3- variável quantitativa contínua do evento no grupo experimental/tratamento (me - Média do Score W no PÓS op dos pacientes submetidos à técnica A): no caso, 96,30; 86,90 e 79,20, respectivamente nos 3 estudos;

Coluna 4- desvio padrão da variável quantitativa contínua do evento no grupo experimental/tratamento (sde – Desvio padrão do Score W no PÓS op dos pacientes submetidos à técnica A): no caso, ±1,80; ±9,30 e ±18,80, respectivamente nos 3 estudos;

Coluna 5- amostra total do grupo controle (nc - Número de pacientes submetidos à técnica B): no caso, 30, 60 e 45 pacientes, respectivamente nos 3 estudos;

Coluna 6- variável quantitativa contínua do evento no grupo controle (mc - Média do Score W no PÓS op dos pacientes submetidos à técnica B): no caso, 90,30; 84,30 e 76,70, respectivamente nos 3 estudos;

Coluna 7- desvio padrão da variável quantitativa contínua do evento no grupo controle (sdc – Desvio padrão do Score W no PÓS op dos pacientes submetidos à técnica B): no caso, ±3,73; ±9,80 e ±17,20, respectivamente nos 3 estudos;

Na primeira linha é definida o nome das sete variáveis (estudo, ne, me, sde, nc, mc e sdc). O nome é indiferente, contudo não devem ser utilizados caracteres especiais (como acentuação ou cedilha) e se possível tudo em letras minúsculas (Figura 1).

Figura 1. Planilha do banco de dados do exemplo 2 (score w). A primeira linha apresenta o nome das sete variáveis. estudo: nomes dos estudos envolvidos; ne: Número de pacientes submetidos à técnica A; me: Média do Score W no PÓS op dos pacientes submetidos à técnica A; sde: Desvio padrão do Score W no PÓS op dos pacientes submetidos à técnica A; nc: Número de pacientes submetidos à técnica B; mc: Média do Score W no PÓS op dos pacientes submetidos à técnica B; sdc: Desvio padrão do Score W no PÓS op dos pacientes submetidos à técnica B. Lembrar de retirar o sinal de ± dos desvios padrões.

Ao salvar o banco de dados, o mesmo deve ser salvo no formato “CSV” (já visto acima como fazer). Para o exemplo 2 daremos o nome de “scorew.csv” ao arquivo. Agora abriremos o RStudio e no menu iremos em File, Import dataset, From Text (base)... Selecione o arquivo scorew.csv. Confira se os parâmetros estão iguais aos da Figura 2 e clique no botão importar. O campo Name equivale ao nome da variável que será atribuída dentro do RStudio com os dados do banco, nesse caso, “scorew”. Deixe marcada como Yes a opção Heading para que a primeira linha da planilha corresponda ao nome das colunas do banco de dados.

Figura 2. Importando o arquivo CSV scorew para o RStudio.

Digite scorew no console do RStudio e dê “enter/return” para ver o valor atribuído dentro dessa variável (Figura 3). Agora estamos com o nosso banco do exemplo 2 importado dentro do RStudio, pronto para análise.

Figura 3. Banco de dados do exemplo 2 (scorew) no RStudio.

Metanalisando o exemplo 2 – Score w

Para realizar a metanálise do exemplo 2, utilizaremos o comando “metacont”, do pacote meta (lembrar de habilitá-lo, com o “check” na caixa ao lado de seu nome).

Criaremos uma variável pra o comando metacont da nossa metanálise do exemplo 2, o scorew. Daremos o nome de “metanalisescorew”. Assim, a linha de comando será:

metanalisescorew = metacont (ne, me, sde, nc, mc, sdc, estudo, data=scorew)

Digite a linha acima e dê “enter/return” e o RStudio salvará o resultado da metanálise dentro da variável metanalisescorew. Ao digitar metanalisescorew no console e dar enter/return, o software nos mostrará os resultados (Figura 4).

Figura 4. Resultados da metanálise do exemplo 2 (escore w de funcionalidade de 2 técnicas cirúrgicas).

Temos assim os resultados da metanálise do exemplo 2, o score w. Da mesma forma que vimos com o exemplo 1, podemos dividir os resultados do exemplo 2 em quatro partes: 1. Estudos que compõem a metanálise; 2. Medida sumária (“resultado” propriamente dito) da metanálise; 3. Medidas de heterogeneidade da metanálise; e 4. Testes utilizados na metanálise. Contudo, no exemplo 2, como são utilizadas variáveis quantitativas contínuas, o resultado não é expresso como risco relativo (como no exemplo 1) e sim como diferença entre médias (MD). Ou seja, o autor 1 demonstrou uma média de 6 “pontos” a mais no score w quando utilizado a técnica A em relação à B; o autor 2 demonstrou uma média de 2,6 “pontos” a mais no score w quando utilizado a técnica A em relação à B; e o autor 3 demonstrou uma média de 2,5 “pontos” a mais no score w quando utilizado a técnica A em relação à B.

Ao digitar forest (nome da metanálise) , o R irá criar um forest plot da metanálise. Nesse caso digite no console:

forest (metanalisescorew)

Caso queira omitir no gráfico o resultado do modelo fixo, defina o argumento comb.fixed como falso, digitando no console a seguinte linha de comando:

forest (metanalisescorew, comb.fixed=FALSE)

A conclusão dos dados da metanálise do exemplo 2 é que o grupo experimental (submetidos à técnica A) apresentou em média 4,8266 mais “pontos” no Score w (MD, modelo de efeito aleatório) em relação ao grupo controle (submetidos à técnica B), MD=4,8266 (“arredondado” para 4,83 no forest plot) (Figura 5). Destacando que nesse exemplo, o que está a direita do eixo Y é vantajoso para a técnica A. Podemos dizer que a utilização da técnica A tem melhor resultado clínico, medido pelo Score w no pós operatório, comparado com a técnica B [Diferença de Médias (MD) de 4,8266; intervalo de confiança no nível 95% (95% IC) entre 2,3891 e 7,2640; e p-value de 0,0001 (no modelo de efeito aleatório). A estatística I² indica baixa heterogeneidade entre os estudos (I²=30,1%, com p-value do teste de heterogeneidade de 0,2391).

Figura 5. Forest plot da metanálise do exemplo 2 no modelo de efeito aleatório (escore w de funcionalidade de 2 técnicas cirúrgicas).