Apresentação dos dados

É possível apresentar graficamente as estimativas de efeitos de todos os estudos primários junto com o sumário das medidas de efeito. O gráfico mais utilizado é o forest plot (Figura 3), o qual apresenta os efeitos individuais de cada estudo com seus respectivos intervalos de confiança como linhas horizontais, o quadrado no meio da linha horizontal representando o efeito médio. Na parte inferior do gráfico encontra-se a medida-sumário e seu intervalo de confiança. Uma linha vertical corta a abscissa do gráfico no valor de efeito nulo (1 no caso de RR/OR, e zero no caso de uma diferença entre médias). O forest plot serve para mostrar visualmente os resultados de uma meta-análise, fazendo uma estimativa visual da quantidade de variação entre os estudos27.

FIGURA 3 - FOREST PLOT: Versão atualizada do primeiro forest plot criado em um meta-análise em 1982

por Lewis & Ellis (Lewis JA, Ellis SH. A statistical appraisal of post-infarction beta-blocker trials. Prim Cardiol 1982;suppl 1:31-37), mostrando os efeitos de beta-bloqueadores na mortalidade de pacientes

cardiopatas.

FIGURE 3 - FOREST PLOT: Updated version of first forest plot created in a meta-analysis in 1982 by Lewis & Ellis showing the effects of beta-blockers in the mortality of cardiopatic patients.

Fonte: Lewis S, Clark M. Forest plots: trying to see the wood and the tress. BMJ 2001;322 (7300):1479-80.

Autores de estudos primários incluídos na meta-análise Linha do não-efeito (OR ou RR=1) Intervalo de confiança Efeito médio > 1: efeito deletério < 1: efeito protetor

A inspeção visual dá uma rápida e fácil indicação do nível de concordância entre os estudos. O gráfico L’Abbé plot coloca as taxas do evento do grupo intervenção contra as taxas no grupo controle, e deve ter os símbolos (pontos representando os estudos) proporcionais aos tamanhos dos estudos44 (Figura 4). Se os efeitos fossem homogêneos, os pontos deveriam distribuir-se paralelos à linha de igualdade; grandes desvios indicariam heterogeneidade entre os estudos. Esta abordagem gráfica deve ser utilizada em conjunto com os testes estatísticos de heterogeneidade45.

A heterogeneidade entre os estudos pode ser avaliada por meio de testes estatísticos, como o teste de I-quadrado estatístico46. Quando a heterogeneidade estatisticamente significativa é detectada ou quando tal heterogeneidade é suspeitada na visualização gráfica, as diferenças nos estudos ou outros fatores devem ser investigados como possíveis explicações. Estas diferenças podem ser descritas, ou preferencialmente estimadas e avaliadas. Em análises estratificadas, as meta-análises podem ser realizadas com subgrupos de estudos divididos de acordo com características particulares. O significado de diferenças nas estimativas gerais nos subgrupos indica heterogeneidade. Nestes casos, é possível investigar a influência de diferenças na população e intervenção, assim como diferenças na definição e medidas dos desfechos. Aa metarregressões podem ser utilizadas

Pelo menos 50% de alívio da dor com rofecoxib 50 mg

Pelo menos 50% de alívio da dor com placebo

FIGURA 4 - L’ABBÉ PLOT: Gráfico mostrando pouca heterogeneidade entre os estudos. FIGURE 4 - L’ABBÉ PLOT: Graphic showing few heterogeneity among studies.

Fonte: Barden J, Edwards JE, McQuay HJ, Moore RA. Single-dose rofecoxib for acute postoperative pain in adults: a quantitative systematic review. BMC Anesthesiol. 2002;2(1):4.

44

para investigar os efeitos das diferenças das características dos estudos na estimativa do efeito do tratamento/intervenção/exposição47. Estes métodos são melhor utilizados quando as características investigadas são medidas em uma escala contínua. Eles efetivamente encaixam-se em análises de regressão linear para cada covariável, pesando cada estudo de acordo com a precisão da estimativa do efeito do tratamento/intervenção/exposição. Tais análises são bem realizadas utilizando modelos de efeito aleatório.

Além da heterogeneidade, o viés de publicação pode ser formalmente avaliado e estimado, incorporando tal processo à análise, conclusões e inferências da revisão. Uma série de métodos estatísticos estão disponíveis para lidar com o viés de publicação na meta- análise, como o método “fail-safe N” 48, “funnel plot” (gráfico de funil)49, “método rank de correlação”50, “método de regressão linear”51, e alguns modelos complexos de modelagem52, 53_{, dentre outros. O cálculo do "fail safe N" representa o número necessário de estudos que} devem ser publicados para contradizer a hipótese testada54. Os métodos estatísticos baseados na análise da simetria do gráfico de funil são os mais utilizados. O gráfico de funil mostra a distribuição do tamanho do efeito, de acordo com o tamanho da amostra (ou inverso da variância). Espera-se que os pontos (que representam os estudos

FIGURA 5 - GRÁFICO DE FUNIL: Simetria no gráfico de funil de estudos sobre os efeitos tromboembólicos relacionados com o uso de anti-coagulantes orais, indicando ausência de viés de publicação.

FIGURE 5 - FUNNEL PLOT: Symmetry in the funnel plot of studies on thromboembolic effects related to the use of oral anticoagulants, indicating absence of publication bias. Fonte: Wells PS, Brown A, Jaffey J, McGahan L, Poon M, Cimon K. Safety and effectiveness of point-of-care monitoring devices in patients on oral anticoagulant therapy: a meta-analysis. Open Medicine 2007;1(3).

individualmente) preencham a forma do funil (ou triângulo), havendo maior variabilidade nos tamanhos de efeitos relatados para estudos menores (Figura 5). Falhas grandes no funil indicam um possível grupo de publicações “faltando” ou “ausentes”. Estes estudos que faltam são geralmente estudos pequenos com estimativas de ponto sugerindo um efeito diferente daqueles disponíveis e são improváveis de estarem faltando por acaso. No entanto, há necessidade de cautela ao interpretar tal informação, já que a forma de um gráfico de funil é dependente de medidas selecionadas para estimar efeito e precisão.