PDF - Departamento de Medicina Social
Transcrição
PDF - Departamento de Medicina Social
i ii Modelos Estatísticos em Metanálises Suleimy Cristina Mazin Edson Zangiacomi Martinez Universidade de São Paulo Faculdade de Medicina de Ribeirão Preto Departamento de Medicina Social 2009 ii Conteúdo 1 Conceitos básicos 1 2 Ensaios clínicos 2.1 Ensaios clínicos controlados . . 2.2 Ensaios clínicos aleatorizados . 2.3 Cegamento . . . . . . . . . . . 2.4 Metanálises de ensaios clínicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6 9 12 13 3 Medidas de efeito em metanálises 3.1 Odds ratio . . . . . . . . . . . . . 3.2 Odds ratio de Peto . . . . . . . . 3.3 Redução absoluta de risco . . . . 3.4 Número necessário para tratar . 3.5 Risco relativo . . . . . . . . . . . 3.6 Diferença absoluta entre médias . 3.7 Forest plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 18 20 23 24 26 28 30 . . . . . estudos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 35 36 37 39 40 41 4 Heterogeneidade em metanálises 4.1 Teste Q de Cochran . . . . . . . . 4.2 Estimação da variabilidade entre os 4.3 Estatísticas H 2 e I 2 . . . . . . . . 4.4 Método de DerSimonian e Laird . 4.5 Grá…co de L’Abbé . . . . . . . . . 4.6 Grá…co de Galbraith . . . . . . . . 5 Modelos de regressão em metanálises 45 5.1 Modelo de efeito …xo . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2 Modelo de efeitos aleatórios . . . . . . . . . . . . . . . . . . . . . 46 5.3 Modelos com covariáveis . . . . . . . . . . . . . . . . . . . . . . . 53 6 Métodos bayesianos em metanálise 57 6.1 Modelo bayesiano de efeito …xo . . . . . . . . . . . . . . . . . . . 62 6.2 Modelo bayesiano de efeitos aleatórios . . . . . . . . . . . . . . . 62 iii iv CONTEÚDO 7 O viés de publicação 69 7.1 Grá…co do funil . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 7.2 Teste de Begg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 7.3 Teste de Egger . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Referências Bibliográ…cas 73 Prefácio Pro…ssionais da saúde, pesquisadores e outros responsáveis por políticas de saúde são frequentemente inundados com quantidades de informação nem sempre manejáveis, o que torna a revisão sistemática uma maneira e…ciente de integrar a informação existente, gerando dados que auxiliem a tomada de decisões. Em uma revisão sistemática, os dados dos diferentes estudos podem ser quantitativamente combinados por métodos estatísticos. Estes métodos são chamados de técnicas de metanálise. Blaise Pascal dizia, já no século XVII: “Não se podem conhecer as partes sem conhecer o todo, nem conhecer o todo sem conhecer as partes”. Podemos dizer que a metanálise nos ajuda a "juntar as partes" para conhecermos um todo. Apresentamos então este pequeno "manual de metanálise", que pretende apresentar algumas idéias e técnicas usuais em estudos metanalíticos, incluindo as técnicas bayesianas. Buscamos escrever um texto que estivesse ao alcance de estudantes de graduação em Estatística ou áreas a…ns, podendo ainda contemplar pessoas familiarizadas com conhecimentos elementares de inferência estatística. Pedimos sinceras desculpas por eventuais erros que possamos ter cometido. Seremos muito gratos àqueles que nos escreverem apontando as nossas falhas e encaminharem sugestões para melhorarmos o texto. Agradecemos à Região Brasileira da Sociedade Internacional de Biometria (RBRAS) e à Comissão Organizadora da 54a Reunião Anual da RBRAS e 13o SEAGRO pela aceitação da nossa proposta, que nos propiciou com este minicurso difundir o nosso trabalho. Aproveitamos ainda para parabenizar as professoras Maria Silvia de Assis Moura e Vera Lúcia Damasceno Tomazella, e toda a equipe organizadora do evento, por mais esta importante oportunidade de compartilharmos experiências e conhecermos os trabalhos que estão sendo desenvolvidos pelos vários grupos de pesquisa de nosso país. A primeira autora também agradece à FAEPA - Fundação de Apoio ao Ensino, Pesquisa e Assistência do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da USP - pelo apoio concedido à sua pesquisa. Suleimy Cristina Mazin Edson Zangiacomi Martinez [email protected] [email protected] v vi PREFÁCIO Capítulo 1 Conceitos básicos Perante o número cada vez maior de informações disponíveis nas especí…cas áreas do conhecimento e a evidente di…culdade do pro…ssional em manter-se atualizado, os estudos de revisão tornam-se bastante úteis na aquisição de novos saberes. Uma revisão sistemática é um tipo de pesquisa que utiliza métodos apropriados para identi…car, selecionar e avaliar os estudos já publicados, respondendo a uma questão especí…ca (Mulrow, 1994; Atallah, 1996, 1998; Cook et al., 1997; Coutinho, 2005; Justo et al., 2005; Chinchilli, 2007). Deve ser realizada a partir de uma metodologia objetiva, explicitando a estratégia utilizada na identi…cação dos estudos, critérios de inclusão e exclusão e as variáveis a serem consideradas. A revisão sistemática difere da revisão narrativa, técnica que busca responder a uma questão ampla, cujas fontes não são usualmente especi…cadas. A revisão sistemática deve apresentar informações sobre a questão, a fonte, seleção e avaliação dos estudos. Quanto à questão ou pergunta que se tem por objetivo responder, esta deve ser bastante especí…ca. Por sua vez, a fonte ou base dos dados deve ser abrangente, com sua estratégia de busca de…nida previamente. A seleção dos estudos deve ser baseada em critérios bem de…nidos, e a avaliação dos estudos deve ser criteriosa e reprodutível (Riera et al., 2006). As revisões sistemáticas são de grande importância nas tomadas de decisões, uma vez que tem a capacidade de direcionar futuros estudos para áreas de…cientes em evidências (Leandro, 2005). Em uma revisão sistemática, os resultados dos diversos estudos podem ser sumarizados por um conjunto de métodos estatísticos denominado metanálise (Haines e Walters, 1995). Assim, a metanálise é uma metodologia estatística voltada à análise de dados da revisão sistemática, com o objetivo de resumir os resultados de todos os estudos em uma única medida metanalítica. Huque (1988) de…ne a metanálise como uma análise estatística que combina ou integra os resultados de diversos ensaios clínicos independentes, considerados 1 2 CAPÍTULO 1. CONCEITOS BÁSICOS “combináveis”pelo especialista. Villar et al.(2001) entendem a metanálise como o uso de técnicas estatísticas que combinam em uma medida resumo os resultados de estudos independentes voltados a uma única questão. As bases estatísticas da metanálise originaram-se no século XVII, na astronomia, onde se estabeleceu que a combinação dos dados de diferentes estudos poderia ser mais apropriada que a observação de alguns destes trabalhos (Egger e Smith,1997). No século XX, o estatístico Karl Pearson foi provavelmente o primeiro pesquisador a usar técnicas formais para combinar dados de diferentes estudos médicos, quando examinou o efeito preventivo de inoculações contra febre entérica (Pearson, 1904). Em 1976, o termo meta-analysis aparece pela primeira vez, em um artigo do psicólogo Gene Glass, mas em um contexto …losó…co, e não estatístico (Glass, 1976; Egger e Smith, 1997). Atualmente, a metanálise é uma ferramenta amplamente aceita e utilizada em várias áreas do conhecimento, como pesquisa social (Glass et al, 1981), educação (Kulik e Kulik, 1989), enfermagem (Webb e Roe, 2007) e medicina. Egger e Smith (1997) citam que uma metanálise bem conduzida permite uma avaliação mais objetiva sobre a evidência de utilidade de um tratamento médico, podendo antecipar a introdução de um e…ciente tratamento na prática clínica. Atallah (1998) a…rma que uma revisão sistemática não leva menos de três meses quando conduzida por pro…ssionais experientes, podendo ultrapassar o período de um ano. Este autor coloca ainda que é praticamente impossível uma revisão sistemática ser realizada por um único pesquisador, sendo necessários, no mínimo, dois pro…ssionais para avaliar os ensaios clínicos. Assim, o aprendizado do trabalho em equipe, o espírito colaborativo e a capacidade de “negociar” opiniões além das evidências são ingredientes fundamentais para a qualidade da revisão sistemática (Atallah, 1998). As metanálise são sujeitas a vários tipos de vieses. Dentre os mais importantes, encontram-se aqueles relacionados à seleção dos estudos na revisão sistemática, quando um ou mais estudos que poderiam trazer contribuições substanciais à medida metanalítica não são incluídos na análise (ver Egger e Smith, 1998). Possíveis causas desta não inclusão são: (a) Tais estudos foram publicados em revistas que não estão indexadas nas bases de dados escolhidas pelos pesquisadores; (b) Tais estudos foram publicados em línguas que os pesquisadores não têm domínio (por exemplo, artigos publicados em importantes periódicos da China, escritos no idioma deste país, serão obviamente incompreensíveis aos pesquisadores brasileiros que desconhecem o mandarim); (c) Tais estudos foram publicados em revistas que não estão disponíveis online ou nas bibliotecas que os pesquisadores têm acesso. Outro tipo de viés bastante discutido na literatura médica é o chamado viés de publicação (publication bias), consequente da prática de muitos periódicos aceitarem mais facilmente para publicação os estudos de intervenção que 3 mostraram efeitos bené…cos (Dickersin et al., 1987; Easterbrook et al., 1991; Rothstein et al., 2005; Thornton e Lee, 2000). Isto torna indisponíveis aos pesquisadores os resultados dos estudos que não são publicados, e os resultados das metanálises tenderão a trazer medidas superestimadas do efeito do tratamento em estudo. O grá…co do funil (funnel plot) é uma ferramenta simples e bastante utilizada para a detecção de viés de publicação (Terrin et al. 2005). Trata-se de um grá…co da dispersão que traz no eixo das abscissas as medidas de efeito estimadas para cada um dos estudos que compõem a metanálise, e no eixo das ordenadas o respectivo peso de cada estudo (ou o tamanho amostral). Quando o grá…co exibe uma disposição assimétrica de pontos, há evidências de que o viés de publicação está presente na metanálise (Egger et al., 1997). Na ausência do viés de veri…cação, a disposição dos pontos no grá…co assemelha-se ao formato de uma pirâmide ou funil invertido. Testes de hipóteses para a detecção de evidências de viés de publicação foram propostos por Dear e Begg (1992) e Begg e Mazumdar (1994). Embora muitas áreas do conhecimento utilizem técnicas de metanálise, no presente livro discutiremos técnicas estatísticas contextualizadas em ensaios clínicos controlados. Acreditamos que as ferramentas aqui apresentadas possam ser facilmente generalizadas a outras áreas, e que pesquisadores de outros campos da ciência possam utilizar este material sem perda de generalidade. Assim, no Capítulo 2, apresentamos uma breve revisão dos tipos de ensaios clínicos e dos conceitos mais usados nestes estudos. Discutimos ainda neste capítulo a importância das metanálises nos ensaios clínicos, bem como alguns comentários sobre as estratégias utilizadas para a seleção dos estudos. No Capítulo 3, apresentamos uma descrição das medidas de efeito usuais em metanálise. No Capítulo 4 discutimos a importância do estudo da heterogeneidade na condução de metanálises, e descrevemos as ferramentas usuais para avaliar a heterogeneidade entre os estudos que compõem a metanálise, como o teste Q de Cochran e a estatística I 2 . No Capítulo 5 descrevemos o uso de modelos de regressão em metanálise. Modelos bayesianos em metanálise são apresentados no Capítulo 6. E …nalmente, no Capítulo 7, discutimos as ferramentas usuais para a detecção do viés de publicação. 4 CAPÍTULO 1. CONCEITOS BÁSICOS Capítulo 2 Ensaios clínicos Basicamente, os estudos médicos são classi…cados em dois grandes grupos: os observacionais e os de intervenção. Os estudos observacionais são aqueles em que o pesquisador obtém suas conclusões observando um grupo de indivíduos, sem intervir sobre estes indivíduos. São exemplos os estudos de corte transversal, caso-controle e de coorte. Por sua vez, os estudos de intervenção são estudos em que o pesquisador manipula o fator de exposição (a intervenção), ou seja, provoca uma modi…cação intencional em algum aspecto do estado de saúde dos indivíduos, através da introdução de um esquema pro…lático ou terapêutico (Escosteguy, 2002). Quanto ao eixo de unidade de pesquisa, os estudos de intervenção são divididos em dois tipos: Ensaios clínicos (clinical trials): a unidade de análise é o indivíduo. São estudos cuidadosamente delineados, que buscam responder a um conjunto de…nido de questões sobre o(s) efeito(s) de um particular tratamento (ou tratamentos). Estes tratamentos são terapias com drogas, procedimentos cirúrgicos, radioterapia para câncer, dietas, exercícios físicos, cuidados especiais ou outros tipos de intervenções. Ensaios de comunidade (community trials): quem recebe a intervenção é uma comunidade inteira. Um exemplo é o estudo de Viegas e Viegas (1985), onde foram comparadas as prevalências de cárie dental nos anos de 1971 e 1981 na cidade de Barretos. Entre estas datas, o abastecimento público de água foi submetido a um processo de ‡uoretação. Os ensaios clínicos são experimentos, nos quais o pesquisador intencionalmente altera um ou mais fatores, sob condições controladas, com o objetivo de investigar os efeitos dessa alteração. Um ensaio clínico deve permitir inferências, ou seja, a extrapolação dos resultados observados em uma amostra à população em questão. 5 6 2.1 CAPÍTULO 2. ENSAIOS CLÍNICOS Ensaios clínicos controlados Um ensaio clínico controlado (controlled clinical trial ) é um ensaio clínico que envolve um ou mais tratamentos sob investigação e ao menos um tratamento controle. O tratamento controle (control treatment) é a droga, meio, teste ou procedimento aplicado em um ensaio clínico que serve como um padrão para comparação com o(s) tratamento(s) sob investigação. O tratamento controle pode consistir de um placebo, um procedimento simulado (sham procedure), um tratamento convencional, ou mesmo nenhum tipo de tratamento, dependendo do desenho do estudo. Os ensaios clínicos que envolvem o uso de drogas geralmente alocam pacientes a um grupo de tratamento onde é administrado um placebo, um agente farmacologicamente inativo dado ao paciente como um substituto para um agente ativo, sendo que o paciente não é informado se está recebendo o agente ativo ou o inativo. O chamado "efeito placebo" é o efeito …siológico produzido pela crença de um paciente que recebe o placebo de que ele está sendo tratado. Por outro lado, o termo “nocebo” é utilizado para designar reações (ou respostas) danosas, prejudiciais, desagradáveis ou indesejadas em um indivíduo como resultado da aplicação de uma droga inerte, onde estas reações não foram geradas por ação química ou física da mesma, mas pela crença e expectativa pessimistas do indivíduo de que a droga poderia causar efeitos indesejados. Os ensaios clínicos controlados utilizam basicamente os seguintes tipos de desenhos: Ensaios com grupo de controles históricos (historical control group): são úteis para avaliar tratamentos para doenças raras e onde não é ético ou é impraticável conduzir um EC com controles concorrentes. Estes ensaios envolvem um grupo de pacientes que têm a mesma doença ou condição dos pacientes do(s) grupo(s) submetido(s) ao(s) tratamento(s) sob investigação, mas que foram diagnosticados e tratados em um período de tempo anterior, e que receberam uma forma de terapia existente naquela época. A Figura 2.1 ilustra um esquema de um ensaio com grupo de controles históricos, onde o pesquisador deseja comparar um novo tratamento com um tratamento convencional. É composto um grupo de n1 pacientes portadores da doença ou condição de interesse, os quais serão submetidos ao tratamento sob investigação. Um outro grupo de n0 pacientes portadores da doença ou condição de interesse, mas já tratados de forma convencional, é utilizado como um grupo de controles. As limitações do uso de controles históricos são discutidas por Pocock (1983). Os grupos de controles e de tratados podem não ser completamente comparáveis, pois as respostas podem ser interpretadas de modo 2.1. ENSAIOS CLÍNICOS CONTROLADOS 7 distinto nas diferentes épocas. Além disso, pode existir uma baixa qualidade dos registros históricos, dado que, na época em que os registros foram feitos, não havia a intenção de utilizá-los em uma pesquisa. n 1 pacientes com a doença Tratamento sob Resposta investigação ou condição n 0 pacientes Tratamento com a doença convencional ou condição naquela época Resposta Passado Presente Futuro Figura 2.1. Esquema de um ensaio com grupo de controles históricos Ensaios com grupos de controle concorrentes (concurrent control ): O grupo de controle é baseado em dados coletados na mesma época em que foram coletados os demais dados do estudo. A Figura 2.2 exempli…ca um esquema de um ensaio clínico controlado, onde n indivíduos portadores de uma mesma doença ou condição são alocados em dois diferentes grupos de tratamentos sob investigação e a um grupo de controles concorrentes. Tratamento A Resposta Tratamento B Resposta Controles Resposta n pacientes com a doença ou condição Presente Futuro Figura 2.2. Esquema de um ensaio com grupos concorrentes Ensaios cruzados (cross-over ): No ensaio cruzado, cada indivíduo é submetido a dois ou mais tratamentos, mas em uma ordem aleatória. Se o ensaio envolve dois tratamentos, digamos, A e B, são possíveis duas sequências de tratamentos: A, e depois B (ou seja, AB) e B, e depois A (ou seja, BA). Assim, cada indivíduo é aleatoriamente alocado para a sequência AB ou BA. A Figura 2.3 representa um ensaio controlado com grupos cruzados, onde, em um primeiro período, cada indivíduo é sub- 8 CAPÍTULO 2. ENSAIOS CLÍNICOS metido ao tratamento sob investigação, e depois, em um segundo período, é submetido a um tratamento padrão ou com placebo, ou é submetido ao tratamento padrão ou com placebo e depois ao tratamento sob investigação. Podemos dizer que em um ensaio cruzado, cada indivíduo tem ele próprio como controle. Isso signi…ca que a análise estatística de dados de ensaios cruzados deve envolver métodos apropriados a amostras pareadas. Mais informações sobre os ensaios cruzados são encontradas em Senn (2002) e detalhes sobre o planejamento e a análise dos dados destes ensaios são apresentados por Jones e Kenward (2003). Os resultados dos ensaios clínicos cruzados são expostos ao risco do chamado efeito "carryover " (chamado de efeito residual por alguns autores). O efeito “carryover ” considera que o efeito de um tratamento pode persistir e in‡uenciar ou modi…car o efeito do(s) tratamento(s) aplicado(s) subsequentemente. Para atenuar o efeito “carryover ”, costuma-se utilizar um intervalo de tempo su…cientemente longo entre os tratamentos, sendo este intervalo denominado período de “wash-out”. Assim, modelos estatísticos aplicados à análise de dados de ensaios cruzados costumam incluir um parâmetro associado ao efeito “carryover ”. Ao testar a sua signi…cância, o pesquisador busca evidências estatísticas da e…ciência do período de “wash-out” entre os tratamentos em eliminar o efeito residual do tratamento anterior. Wash-out n participantes Tratamento Tratamento sob investigação sob investigação Placebo ou Placebo ou tratamento padrão tratamento padrão aleatorização Wash-out Figura 2.3. Esquema de um ensaio com grupos cruzados Nos ensaios clínicos cruzados que consideram mais de dois tratamentos, é importante observar que a sequencia dos tratamentos pode trazer alguma in‡uência sobre os resultados. Assim, é comum a utilização de delineamentos semelhantes a quadrados latinos no planejamento destes experimentos. Por exemplo, em um ensaio cruzado que envolve quatro tratamentos (A, B, C e D) podemos alocar aleatoriamente cada paciente em cada uma 2.2. ENSAIOS CLÍNICOS ALEATORIZADOS 9 destas quatro sequências: ABCD BDAC CADB DCBA Ao usarmos este delineamento, notamos que: (a) cada sequência envolve todos os tratamentos; (b) em cada um dos quatro períodos, todos os tratamentos são administrados, mas em apenas uma das quatro sequências (ou seja, os tratamentos não se repetem em cada coluna do quadrado latino, assim como cada coluna do quadrado latino envolve todos os quatro tratamentos) e (c) se um tratamento precede outro em uma sequência, ele não precederá aquele mesmo tratamento em outra sequência (se, por exemplo, o tratamento C precede o tratamento D na sequência ABCD, nas demais sequências C precederá A, B ou nenhum outro tratamento). Enquanto as notas (a) e (b) acima mostram situações que podem ser asseguradas independentemente do número de tratamentos, a nota (c) mostra uma situação que só é possível em estudos que envolvem um número par de tratamentos. Por exemplo, em um ensaio cruzado que envolve três tratamentos (A, B e C), podemos de…nir as sequências ABC, BCA e CAB. Os períodos e as sequências envolvem todos os tratamentos, mas o tratamento B (por exemplo) antecede o C em duas sequências: ABC e BCA. Os estudos cruzados não são adequados em situações onde o tratamento pode alterar a condição de interesse ou quando os indivíduos sistematicamente diferem-se de si próprios ao início de cada período. Estes ensaios não podem ser utilizados, por exemplo, em ensaios onde o tratamento é capaz de trazer a cura da doença. Nestes estudos, costuma-se empregar um tamanho amostral múltiplo do número de sequências, de maneira que o processo de aleatorização especi…que o mesmo número de indivíduos em cada sequência. 2.2 Ensaios clínicos aleatorizados Um ensaio clínico aleatorizado é aquele que utiliza um processo aleatório para alocar os participantes nos diferentes grupos de tratamento. O propósito da aleatorização é eliminar possíveis vieses que podem levar a diferenças sistemáticas entre os grupos de tratamentos, e, em particular, eliminar alguma in‡uência do pesquisador na alocação dos indivíduos entre os grupos (inconsciente ou deliberada). Dentre várias técnicas de aleatorização, encontramos: Aleatorização simples (simple randomization): Se o estudo envolve, por exemplo, dois tratamentos, um sorteio de…ne o grupo em que cada participante será alocado. Podemos então gerar variáveis aleatórias com 10 CAPÍTULO 2. ENSAIOS CLÍNICOS distribuição de Bernoulli com probabilidade 0; 5 para cada indivíduo, usar uma tabela de números aleatórios (números ímpares ou pares de…nem os grupos) ou mesmo lançar uma moeda. A limitação da aleatorização simples é que nada nos garante que serão produzidos dois grupos de tamanhos iguais. Mais detalhes são encontrados em Lachin (1988). Aleatorização restrita (restricted randomization): A aleatorização restrita tem a vantagem de produzir grupos de tamanhos iguais. Para a alocação restrita, precisamos ter em mãos uma relação dos indivíduos elegíveis ao estudo, que concordaram em participar. Por exemplo, seja um ensaio clínico que envolve dois tratamentos, A e B. Seja n = 20 o tamanho amostral. Devemos então alocar estes indivíduos em dois grupos de tamanhos nA = nB = n=2 = 10. O primeiro passo consiste em gerar aleatoriamente uma permutação dos números de 1 a 20. Digamos que nós obtivemos a permutação 11 19 15 5 9 20 6 13 7 2 16 1 12 18 10 8 4 17 3 14 Assim, em nossa relação de indivíduos ao estudo, o primeiro recebe o número 11, o segundo recebe o número 19, o terceiro recebe o número 15, e assim por diante. Podemos então alocar um indivíduo ao grupo A se ele recebe um número de 1 a 10, e ao grupo B se ele recebe um número de 11 a 20. Obtemos assim a sequência B B B A A B A B A A B A B A B A A B A B O primeiro indivíduo de nossa listagem é então alocado ao tratamento B, assim como o segundo e o terceiro, o quarto e o quinto são alocados ao tratamento A, e assim por diante. Aleatorização em blocos (block randomization): A aleatorização em blocos é um tipo de aleatorização restrita, ou seja, também produz grupos de tamanhos iguais. Considerando um ensaio clínico que envolve dois tratamentos, A e B, e n = 20, de…nimos blocos cujo tamanho é múltiplo do número de tratamentos. Os blocos são de…nidos como possíveis sequências de tratamentos, tal que as frequências dos tratamentos em cada bloco são uniformes. Por exemplo, sejam blocos tamanho k = 4. São possíveis 6 diferentes blocos: AABB, ABAB, ABBA, BBAA, BABA e BAAB. Podemos atribuir a cada bloco, a face de um dado: AABB ABAB ABBA BBAA BABA BAAB 2.2. ENSAIOS CLÍNICOS ALEATORIZADOS 11 Considerando n = 20, lançamos o dado n=k = 20=4 = 5 vezes. Se obtemos, por exemplo, as faces ; ABBA BBAA ABAB ABAB ABBA a sequência assim produzida é ABBABBAAABABABABABBA. Um algoritmo computacional, neste exemplo, pode gerar sequencialmente e independentemente 5 variáveis aleatórias com distribuição uniforme no intervalo (0; 1). Para cada uma destas variáveis aleatórias, se o valor gerado estiver no intervalo (0; 0; 167), é escolhido o bloco AABB; se estiver no intervalo [0; 167; 0; 333), é escolhido o bloco ABAB; se estiver no intervalo [0; 333; 0; 5), é escolhido o bloco ABBA; se estiver no intervalo [0; 5; 0; 667), é escolhido o bloco BBAA; se estiver no intervalo [0; 667; 0; 833), é escolhido o bloco BABA; e se estiver no intervalo [0; 833; 1), é escolhido o bloco BAAB. Este algoritmo pode então ser estendido para outros tamanhos amostrais, números de tratamentos e tamanhos de blocos. Outras informações sobre a aleatorização em blocos podem ser encontradas em Altman e Bland (1999). Aleatorização estrati…cada (strati…ed randomization): A aleatorização simples não nos garante, por exemplo, que a idade dos indivíduos de cada grupo tenha distribuições semelhantes. Isto ocorre especialmente em ensaios pequenos, e pode exercer alguma in‡uência sobre os resultados do estudo. A aleatorização estrati…cada é utilizada para produzir grupos com semelhantes distribuições de algumas características importantes. O método consiste em tomar a relação dos indivíduos elegíveis ao estudo e dividí-los em subgrupos (estratos) de acordo com características de interesse. A seguir, uma aleatorização em blocos é utilizada em cada estrato para alocar os indivíduos em grupos de tratamentos. Os estratos podem ser de…nidos por uma ou mais características, como sexo, idade ou estado menopausal. Os estudos multicêntricos (estudos cuja coleta de dados é realizada em mais de um centro) podem considerar os diferentes centros como estratos. Uma observação importante é que a estrati…cação deve ser levada em conta na análise estatística dos dados obtidos no ensaio. Alocação pelo método da minimização: A aleatorização estrati…cada é capaz de gerar grupos de tamanhos iguais e semelhantes em relação a algumas características, mas pode ser inviável quando consideramos um número relativamente grande destas características na composição dos estratos em ensaios clínicos de tamanho pequeno. O método da minimização, discutido por Altman e Bland (2005), Treasure e MacRae (1998) e Scott et al (2002), é capaz de produzir grupos semelhantes mesmo nestas condições. Neste método, a alocação de um dado indivíduo em um tratamento ou em outro depende das características dos outros participantes já distribuídos entre os grupos. A cada indivíduo, é veri…cado o 12 CAPÍTULO 2. ENSAIOS CLÍNICOS impacto de sua inclusão em um grupo ou outro sobre o "balanço" entre estes grupos de acordo com cada uma das características de interesse. O indivíduo é então alocado no grupo em que a sua inclusão causa um menor desequilíbrio. Alternativamente, é feito um sorteio, no qual a alocação do indivíduo no grupo em que a sua inclusão causa um menor desequilíbrio tem maior probabilidade. Na chamada alocação quase-aleatória, o mecanismo utilizado para a alocação dos participantes entre as diferentes formas de intervenção não é gerado por um processo realmente aleatório. Como exemplos, podemos citar a alocação pela data do aniversário, dia da semana, número do prontuário, mês do ano e a ordem em que os indivíduos são incluídos no estudo. Se um estudo é aletorizado, cada participante deve possuir uma probabilidade de ser alocado em um dos grupos de tratamentos, mas a sequência da alocação aos tratamentos não deve ser previsível (Webert, 2007). Portanto, a alocação quase-aleatória deve ser evitada em um ensaio clínico, dado que seu mecanismo muitas vezes já estabelece a qual tratamento o indivíduo será alocado antes mesmo do seu ingresso no estudo. 2.3 Cegamento Os participantes de um ensaio clínico podem mudar seu comportamento de um modo sistemático (tendencioso) se souberem quais pacientes recebem quais tratamentos (Fletcher e Fletcher, 2005). Este efeito pode ser minimizado fazendo com que os participantes do ensaio desconheçam qual o tratamento administrado aos pacientes. São comuns os termos "estudo cego", "duplo-cego" e "triplocego", podendo signi…car: Estudo cego: Ou o paciente, ou o pesquisador ou os assessores (normalmente é o paciente) não conhecem a distribuição dos grupos. Estudo duplo-cego: Tanto o paciente quanto o pesquisador desconhecem a alocação dos tratamentos. Estudo triplo-cego: O paciente, o investigador e todos aqueles responsáveis pela avaliação dos desfechos desconhecem a que tratamento os pacientes foram alocados. No entanto, estes conceitos são ambíguos. Devereaux et al. (2001) conduziram um estudo onde foi feita uma revisão em livros-texto sobre as de…nições de estudos cego, duplo-cego e triplo-cego, e também entrevistaram médicos, perguntando-lhes sobre os conceitos que eles atribuem a estes termos. Os resultados deste estudo mostraram que os médicos e livros-texto trazem uma grande variedade de interpretações e de…nições destes termos, o que sugere que é sempre 2.4. METANÁLISES DE ENSAIOS CLÍNICOS 13 importante que o pesquisador, ao conduzir um ensaio clínico, descreva o que foi feito em relação ao cegamento. Um ensaio clínico aberto (open clinical trial ) é um ensaio onde não há a tentativa de cegamento. Neste caso, o paciente e o investigador sabem quais são os grupos de tratamentos. 2.4 Metanálises de ensaios clínicos Quando envolvem seres humanos, os ensaios clínicos visam a obtenção de resultados con…áveis que sirvam como base de orientação clínica para futuros pacientes, com uma condição especí…ca. Muitas destas pesquisas têm como objetivo testar o efeito de uma droga ou uma intervenção para determinar sua efetividade e segurança. Assim, as metanálises de ensaios clínicos (Borenstein et al., 2009) podem trazer substanciais auxílios em processos de tomadas de decisões. Um grande salto para a utilização da metanálise no campo dos ensaios clínicos controlados foi o depoimento de Archie Cochrane, médico e epidemiologista britânico, em 1979: "Seguramente a maior crítica à nossa pro…ssão é que nós não temos resumos críticos organizados e atualizados periodicamente, por especialidades ou subespecialidades, de todos os ensaios clínicos controlados aleatorizados relevantes". Cochrane (1989) elogiava as revisões sistemáticas de ensaios clínicos aleatorizados de intervenções durante a gravidez e o parto publicadas na época, sugerindo que os métodos utilizados nestes estudos deveriam ser utilizados por pesquisadores de outras especialidades. Em 1992, a Colaboração Cochrane (http://www.cochrane.org) surgiu para atender a este apelo, realizando, auxiliando e disseminando revisões sistemáticas de intervenções em saúde (Higgins e Green, 2008). Em 1997 surgiu o Centro Cochrane do Brasil, seção brasileira da Colaboração Cochrane. Segundo sua home-page, é uma organização não governamental, sem …ns lucrativos e sem fontes de …nanciamento internacionais, com a missão de elaborar, manter e divulgar revisões sistemáticas de ensaios clínicos aleatorizados (ver http://www.centrocochranedobrasil.org.br ). A inclusão de um ensaio clínico em uma metanálise deve ser julgada de acordo com a qualidade metodológica do mesmo. Visando a subjetividade da qualidade dos estudos clínicos, foram propostos sistemas de classi…cação de estudos, como os de Maastricht (Verhagen et al., 1998b), Delphi (Verhagen et al., 1998a) e Jadad (Jadad, 1996) e o método da Colaboração Cochrane. O sistema de Maastricht foi proposto por pesquisadores da Universidade de Maastricht, Holanda. É composto por quarenta e sete sub-itens contidos em quinze itens principais, por sua vez distribuídos em cinco domínios (Verhagen et 14 CAPÍTULO 2. ENSAIOS CLÍNICOS al., 1998b). Os ensaios clínicos são avaliados quanto à apresentação e descrição adequada destes itens. A Tabela 1.1 resume os domínios e os itens principais (a lista completa deve ser requerida aos autores). São atribuídos pesos a cada um dos itens, que podem totalizar no máximo 100 pontos. Um ensaio clínico é classi…cado da seguinte forma: se receber menos de 50 pontos, é de qualidade pobre; entre 50 e 70 pontos, é de qualidade moderada; e se receber mais de 70, é de boa qualidade. O Sistema Delphi busca avaliar três dimensões da qualidade: validade interna, validade externa e análise estatística. Os nove itens da escala de Delphi são descritos na Tabela 1.2. O artigo não descreve o cálculo da sua pontuação e todas os itens são classi…cados em "sim", "não" ou "não é conhecido". Tabela 1.1. Itens do critério de Maastricht (traduzidos livremente) Número de Dominio Itens principais Peso subitens População seleção e critérios de inclusão 2 2 de estudo alocação do tratamento 3 20 tamanho do estudo 3 10 comparabilidade do prognóstico 5 5 drop outs (a) 4 7 perda de seguimento 3 7 Intervenção intervenções controladas e experimentais tratamentos extras 6 2 12 2 Cegamento cegamento do paciente cegamento do terapeuta cegamento do observador 2 2 2 6 6 6 Resultados respostas período de seguimento efeitos colaterais 5 3 1 5 3 1 Análise análise e apresentação dos dados 4 8 Total 47 100 (a) Drop outs referem-se à retirada de indivíduos do ensaio por apresentarem alguma condição que os impediam de continuar. O Sistema de Jadad (Jadad et al., 1996) consta de apenas cinco itens. As possíveis respostas aos itens são "sim" ou "não", sendo que a cada resposta "sim" é atribuído 1 ponto. A soma dos pontos compõe o escore …nal, de no máximo cinco pontos. O ensaio clínico é considerado de boa qualidade de receber pelo menos 4 pontos. A Tabela 1.3 apresenta as questões relacionadas a este critério. O método da Colaboração Cochrane não é estruturado (ver Silva Filho et al., 2005). Ele classi…ca os estudos nas faixas "A", "B" ou "C", de acordo 2.4. METANÁLISES DE ENSAIOS CLÍNICOS 15 com baixa, moderada ou alta chance de viés dos estudos, respectivamente. Tal classi…cação se detém principalmente na validade interna do estudo, sua forma de aleatorização e de como contornou ou minimizou os possíveis vieses. Silva Filho et al. (2005) apresentam uma revisão destes sistemas de avaliação da qualidade, questionando a concordância entre os mesmos. Tabela 1.2. Itens que compõem o Sistema Delphi (traduzidos livremente). Itens Respostas 1. A alocação dos pacientes foi aleatória? Sim/Não/Não é conhecido 2. Se os indivíduos foram aleatorizados Sim/Não/Não é conhecido para os grupos de tratamento, foi mantido o sigilo da alocação dos pacientes? 3. Os grupos eram compatíveis em relação Sim/Não/Não é conhecido às características mais importantes do prognóstico? 4. Os critérios de inclusão e exclusão Sim/Não/Não é conhecido foram especi…cados? 5. Foi utilizado um avaliador independente para avaliar os resultados? Sim/Não/Não é conhecido 6. O responsável pelo paciente foi "cegado"? Sim/Não/Não é conhecido 7. O paciente foi "cegado"? Sim/Não/Não é conhecido 8. As medidas de variabilidade e a estimativa pontual foram apresentados Sim/Não/Não é conhecido para a variável principal? 9. O estudo incluiu uma análise por Sim/Não/Não é conhecido intenção de tratar? Tabela 1.3. Itens que compõem a escala de Jadad. Itens 1. O estudo foi descrito como aleatório? ( 2. É descrito o método usado para gerar a sequência de ( números aleatórios, e este método é adequado? 3. O estudo foi descrito como duplo cego? ( 4. É descrito o método utilizado no procedimento duplo-cego e ( este método está adequado? 5. Existe uma descrição das perdas e retiradas de pacientes? ( Respostas ) Sim ( ) Não ) Sim ( ) Não ) Sim ( ) Não ) Sim ( ) Não ) Sim ( ) Não 16 CAPÍTULO 2. ENSAIOS CLÍNICOS Capítulo 3 Medidas de efeito em metanálises Considere uma metanálise de J ensaios clínicos aleatorizados independentes, onde são comparados dois tratamentos, que denotaremos por A e B. Vamos considerar que no j-ésimo estudo (j = 1; 2; :::; J), n1j indivíduos foram submetidos ao tratamento A e n0j indivíduos foram submetidos ao tratamento B. Podemos considerar, por exemplo, que o tratamento A é um tratamento sob investigação e o tratamento B prevê a administração de um placebo (o que especi…ca um ensaio clínico controlado). A Tabela 3.1 apresenta a notação utilizada para os resultados do j-ésimo estudo, onde d1j é o número de respostas ao tratamento A e n1j d1j é o número de não respostas ao tratamento A, d0j é o número de respostas ao tratamento B e n0j d0j é o número de não respostas ao tratamento B. Considerando o j-ésimo estudo, a chance de resposta p1j entre os indivíduos submetidos ao tratamento A é estimada por pc 1j = d1j n1j e a chance de resposta p0j entre os indivíduos submetidos ao tratamento B é estimada por pc Binomial (pij ; n1j ) e d0j Binomial (p0j ; n0j ). 0j = d0j n0j : Assim d1j Tabela 3.1. Notação para o j-ésimo estudo. respostas não respostas total Tratamento A d1j n1j d1j n1j Tratamento B d0j n0j d0j n0j Total dj nj d j nj Ao denotarmos genericamente uma medida de efeito para o j-ésimo estudo por j (j = 1; 2; :::; J), a metanálise objetiva estimar uma medida resumo M ; que sintetiza os resultados dos J estudos envolvidos na revisão sistemática. De acordo com os objetivos da metanálise, a medida j é expressa por um odds ratio, uma redução absoluta de risco, um risco relativo ou outra quantidade de interesse. Sendo bj uma estimativa amostral de j , a medida resumo ou 17 18 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES metanalítica M é genericamente estimada pela média ponderada PJ wb bM = Pj=1 j j ; J j=1 wj (3.1) onde wj é o peso de cada estudo na metanálise. Este método para a estimação de uma medida metanalítica é chamado de método de Mantel-Haenszel (Mantel e Haenszel, 1959; Petitti, 1994, p. 96), e considera que os estudos são, entre si, homogêneos (este pressuposto será discutido posteriormente no Capítulo 4). Considerando que uma revisão sistemática envolve estudos de tamanhos amostrais diferentes, a “força” da evidência (a favor ou não do tratamento) de cada estudo não é igual. Desta forma, convenciona-se em uma metanálise que a contribuição de cada um dos estudos à determinação de uma medida resumo deve ser relacionada ao tamanho do estudo e ao número de eventos observados. Assim, wj é geralmente dado pelo inverso da variância estimada para o j-ésimo estudo. 3.1 Odds ratio Um odds é de…nido pela divisão entre a probabilidade de um evento ocorrer e a probabilidade deste mesmo evento não ocorrer. Considerando o tratamento A, a chance de uma resposta é estimada pela razão d1j =n1j e o seu complemento é estimado por (n1j d1j ) =n1j . Portanto, o odds para uma resposta considerando o tratamento A é estimado por d1j = (n1j d1j ). Analogamente, o odds para uma resposta considerando o tratamento B é estimado por d0j = (n0j d0j ). O odds ratio, ou razão de odds, expressa quantas vezes o odds da resposta no tratamento A equivale ao odds da resposta no tratamento B. Assim o odds ratio (OR) associado ao j-ésimo estudo é estimado por d j = d1j (n0j OR d0j (n1j d0j ) ; d1j ) (3.2) para j = 1; 2; :::; J (Bland e Altman, 2000). Um odds ratio metanalítico, que resume as informações dos vários estudos que compõem a metanálise, é uma média dos odds ratios de cada estudo, ponderada pelo peso wj , o inverso da variância estimada para o j-ésimo estudo. De acordo com a expressão (3.1), o odds ratio metanalítico (ORMM H ) de Mantel-Haenszel é estimado por \ MH = ORM PJ j=1 PJ dj wi OR j=1 wj : (3.3) Uma aproximação para a variância do odds ratio considera dj ) = vd ar(OR nj ; d0j (n1j d1j ) (3.4) 3.1. ODDS RATIO 19 (ver Petiti, 1994, p.97) sendo wj ORMM H é estimado por \ MH ORM 1 d j ) e nj = n0j + n1j . Assim, = vd ar(OR J d (n P d0j ) 1j 0j nj j=1 = J : P d0j (n1j d1j ) nj j=1 (3.5) Um método para estimar a variância do odds ratio metanalítico de MantelHaenszel foi introduzido por Robins et al. (1986), considerando PJ \ MH = vd ar ORM j=1 Fj PJ 2 j=1 Rj2 Fj = d1j (n0j n1j ; n2j Gj = Hj = Rj = Sj = onde d0j ) + 2 PJ PJ j=1 Gj PJ j=1 Rj d1j (n0j d0j ) (d0j + n1j d1j ) + d0j (n1j n2j d0j (n1j d1j ) (d0j + n1j n2j d1j ) j=1 Sj + PJ j=1 2 PJ Hj j=1 Sj2 d1j ) (d1j + n0j ; d0j ) ; ; d1j (n0j d0j ) ; e nj d0j (n1j d1j ) : nj Um intervalo assintótico de con…ança 95% (IC95%) para o ORMM H é dado por " \ MH exp ln ORM r \ MH ar ORM 1; 96 vd # : (3.6) Uma maneira mais usual de estimar o odds ratio metanalítico é obtida utilizando a estimativa da variância do logaritmo do OR de cada estudo pelo método de Woolf (1955), onde, do método delta, wj 1 dj ) = = vd ar(ln OR 1 1 1 1 + + + : d1j n1j d1j d0j n0j d0j (3.7) Assim, o odds ratio metanalítico é dado por \ = exp ORM PJ j=1 dj wj ln OR PJ j=1 wj ! : (3.8) 20 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES Exemplo 3.1 Bridge et. al. (2007) realizaram uma metanálise sobre o uso de medicamentos antidepressivos (Fluoxetina) e placebo em pacientes com até 19 anos de idade, sendo o evento em questão a não tentativa ou idealização de suicídio. Foram analisados três estudos clínicos aleatorizados e controlados, selecionados em uma revisão sistemática e apresentados na Tabela 3.2. Estudo Tabela 3.2. Dados de uso de Fluoxetina e placebo em pacientes até 19 anos (Bridge et al., 2007). Fluoxetina Placebo vd ar Peso d d d1 n1 d0 n0 OR ( ln OR) (%) IC95% Emslie et al., 1997 Emslie et al., 2002 Tads Study, 2004 27 71 66 48 109 109 16 54 39 48 101 112 2,57 1,63 2,87 0,18 0,08 0,08 18,12 40,31 41,57 (1,75;3,39) (1,08;2,18) (2,32;3,42) d j ) é dada por (3.7) e o peso de cada estudo é exNa Tabela 3.2, vd ar(ln OR PJ presso em valores percentuais (ou seja, wj = j=1 wj ). Observa-se que o estudo de Emslie publicado em 1997 apresentou o menor peso relativo, pela sua maior variabilidade e menor tamanho amostral. Este estudo tem, portanto, uma in‡uência pequena sobre a estimativa do odds ratio metanalítico. A estimativa do odds ratio metanalítico baseada em (3.8) é igual a 2; 24, ou seja, o odds de um individuo que recebe o placebo tentar/idealizar o suicídio é 2,24 vezes o odds de um indivíduo do grupo tratamento. Alternativamente, se estimarmos a variância do OR de cada estudo por d 1 ) = 0; 2857; vd d 2 ) = 0; 1023 e vd d 3 ) = 0; 1318. (3.4), temos vd ar(OR ar(OR ar(OR Portanto, os pesos são dados por w1 = 3; 5; w2 = 9; 77 e w3 = 7; 59. Da \ = 2; 24; o que mostra que as expressões (3.5) expressão (3.5), temos ORM e (3.8) podem trazer resultados similares (isto nem sempre é verdade). Um intervalo de con…ança 95% baseado em (3.6) é (1; 40; 3; 56). Como o intervalo não contém o valor 1, temos evidências de que o efeito do tratamento difere do placebo. 3.2 Odds ratio de Peto Ao observarmos a expressão (3.2), notamos que ORj não pode ser estimado quando d0j é igual a zero ou d1j é igual a n1j , considerando algum j = 1; 2; :::; J. Esta é uma situação comum em metanálises, onde frequentemente estão presentes estudos em que o tamanho da amostra não é grande o su…ciente para a ocorrência de ao menos uma resposta (ou não resposta). Uma alternativa é o odds ratio de Peto (ORPj ) (Yusuf et al., 1985) que possui a mesma interpretação que o odds ratio convencional. O odds ratio de Peto (ORPj ) associado ao 3.2. ODDS RATIO DE PETO 21 j-ésimo estudo é estimado por \j = exp ORP Oj Ej Vj ; onde Oj Ej Vj = d1j ; n1j dj = ; e nj n0j n1j dj (n0j + n1j d1j = n2j (nj 1) d0j ) ; dj = d1j +d0j , sendo que Vj fornece uma estimativa para a variância da diferença entre Oj e Ej , e também uma quanti…cação para o peso do j-ésimo estudo na obtenção de uma medida metanalítica de odds ratio. Notar que Oj é o número de eventos observados no grupo de indivíduos submetidos ao tratamento, e Ej é o número esperado de eventos neste mesmo grupo, sob a hipótese de que as proporções de respostas entre os dois tratamentos são homogêneas. Um intervalo assintótico de con…ança 95% para ORPj é dado por p ! Oj Ej 1; 96 Vj exp : Vj O odds ratio metanalítico de Peto (ORM P ) é estimado por " PJ # (Oj Ej ) j=1 d M P = exp OR ; PJ j=1 Vj e um intervalo assintótico de con…ança 95% para ORM P é obtido por qP 3 2P J J Ej ) 1; 96 j=1 Vj j=1 (Oj 5: exp 4 PJ j=1 Vj (3.9) Exemplo 3.2 Vamos considerar uma metanálise de quatro estudos …ctícios cujos dados são exibidos na Tabela 3.3. Considere que d1 e d0 representam a não cura de uma doença. Tabela 3.3. Dados …ctícios de uma metanálise envolvendo quatro estudos (Martinez, 2007). Tratamento Controle \ Estudo d1 n1 d0 n0 ORP V Peso (%) IC95% 1 1 20 6 20 0,18 1,48 28,30 (0,04;0,93 ) 2 0 15 2 15 0,12 0,48 9,23 (0,01;2,12) 3 2 29 8 30 0,25 2,11 40,36 (0,06;0,97) 4 0 27 5 27 0,12 1,15 22,11 (0,02;0,74) soma 91 92 5,23 100 22 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES O peso de cada estudo, considerando o odds ratio de Peto, é dado por Vj . O peso expresso em valores percentuais é Vj : 4 P Vj j=1 Dado que o estudo 3 possui o maior tamanho amostral e consequentemente o maior peso (40; 36%), este estudo terá uma grande in‡uência na estimativa da medida metanalítica. Nesta metanálise, observa-se que nos estudos 2 e 4 temos d1j = 0; ou seja, todos o indivíduos do grupo tratamento obtiveram a cura da doença, impossibilitando a estimação do odds ratio pela expressão (3.2), pois, teremos uma divisão por zero. Nestas situações podemos utilizar o odds ratio de Peto, cujas estimativas são apresentadas na Tabela 3.3. A estimativa do odds ratio metanalítico de Peto é igual à 0; 18, e seu respectivo intervalo de con…ança 95% baseado em (3.9) é (0; 08; 0; 43). Como este intervalo não contém o valor zero, temos evidências de que existe alguma diferença entre os grupos. Tabela 3.4. Estudos de uma metanálise do risco de hemorragia gastrointestinal com uso prolongado de Aspirina, 1500 mg/dia (Derry e Loke, 2000). Controle Tratamento \ Estudo d0 n0 d1 n1 O E V ORP EAFT, 1993 6 378 10 404 10 8,27 3,92 1,56 Elwood et al., 1974 0 624 0 615 0 0 0 UKTIA, 1991 9 814 64 1621 64 48,60 15,76 2,66 Gavaghan et al., 1991 0 110 2 127 2 1,07 0,50 6,51 Olivotto et al., 1996 0 93 0 93 0 0 0 Elwood et al., 1979 4 850 8 832 8 5,94 2,98 2,00 CDPA, 1976 13 727 23 727 23 18,00 8,78 1,77 PARIS, 1990 10 406 52 810 52 41,30 13,10 2,26 Hess et al., 1985 1 80 4 80 4 2,50 1,22 3,42 AMIS, 1980 45 2257 75 2267 75 60,13 29,21 1,66 Breddin et al., 1980 0 309 3 317 3 1,52 0,75 7,25 CCSG, 1978 2 139 0 144 0 1,02 0,50 0,13 Fields et al., 1977 0 90 1 88 1 0,49 0,25 7,56 Fields et al., 1978 0 60 2 65 2 1,04 0,50 6,95 Britton, 1987 8 252 13 253 13 10,52 5,04 1,64 Ehresman et al., 1977 2 213 1 215 1 1,51 0,75 0,51 Exemplo 3.3 Derry e Loke (2000) conduziram uma metanálise sobre o risco de hemorragia gastrointestinal com uso prolongado de Aspirina. A Tabela 3.4 mostra estudos cujo tratamento utilizou dose de 1500 mg/dia. As medidas de \j para Oj ; Ej e Vj são mostradas na Tabela, bem como as estimativas de ORP cada estudo. Neste exemplo, observar que o odds ratio de Peto não pode ser 3.3. REDUÇÃO ABSOLUTA DE RISCO 23 obtido para os estudos onde d0 = d1 = 0. O odds ratio de Peto metanalítico é estimado em 1,96, com intervalo de con…ança 95 dado por (1,58; 2,43), se desconsiderados os estudos de Elwood et al. e Olivotto et al. 3.3 Redução absoluta de risco A redução absoluta de risco (RAR) associada ao j-ésimo estudo é estimada pela diferença entre a chance de resposta dos individuos submetidos ao tratamento A em relação ao tratamento B, ou seja, [ j = pc RAR 0j pc 1j = d0j n0j d1j ; n1j para j = 1; 2; :::; J. Segundo Petitti (1994, p.104), uma aproximação para a [ j é dada por variância estimada de RAR [ j = dj (nj dj ) ; vd ar RAR n1j n0j nj onde nj = n0j + n1j e dj = d0j + d1j . Alternativamente, Whitehead (2002, p.31) [ j estimada pelo método delta é dada por mostra que a variância de RAR [ j = d0j (n0j d0j ) + d1j (n1j d1j ) : vd ar RAR n30j n31j De modo empírico, observamos que as duas aproximações para a variância [ j trazem resultados próximos. de RAR Um intervalo assintótico de con…ança 95% é dado por [j RAR r [j : 1; 96 var RAR (3.10) Considerando o RAR uma diferença entre duas proporções, outras estratégias para a obtenção de intervalos de con…ança com probabilidades de cobertura mais próximas da nominal são encontradas em Newcombe (1988). Uma estimativa para a redução absoluta de risco metanalítica segundo o método de Mantel-Haenszel é dada por Robins et. al (1986), que considera \ MH = RARM J P j=1 d1j n0j d0j n1j nj nj J n n P 0j 1j nj j=1 ; (3.11) 24 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES onde nj = n0j + n1j . Sendo sua variância estimada através do método delta por \ MH = vd ar RARM J d1j (n1j P j=1 d1j ) n30j + d0j (n0j n1j n0j n2j !2 J n n P 1j 0j nj j=1 d0j ) n31j ; um intervalo assintótico de con…ança 95% para a RARMM H é dado por r \ M H 1; 96 vd \ MH : ar RARM RARM (3.12) 3.4 Número necessário para tratar O número necessário para tratar (N N T , de number needed to treat) foi introduzido por Laupacis et al. (1988) com o propósito de estabelecer um fácil entendimento dos benefícios causados pelos tratamentos nos ensaios clínicos (Wu e Kottke, 2001). É de…nido como o número de pacientes necessário para tratar a …m de que um evento adverso adicional seja evitado (Escosteguy, 2002). Se, por exemplo, é estimado para um tratamento um N N T igual a 8 em relação ao óbito, signi…ca que é necessário tratar 8 pacientes para que se consiga evitar um óbito adicional. É estimado pelo inverso da redução absoluta de risco, ou seja, \ N NTj = 1 = [ RARj d0j n0j d1j n1j 1 : (3.13) Quando o N N T é negativo, evidencia-se um efeito danoso do tratamento. \ Por exemplo, é estimado para um tratamento N N T = 3 em relação ao evento morte, signi…ca que a cada 3 pacientes tratados, tem-se uma morte adicional. Neste caso, a medida é chamada N N H (number needed to harm), ou número necessário para causar dano. Outros comentários sobre o N N T são encontrados nos arigos de Altman e Andersen (1999), Cordell (1999), Lesa¤re e Pledger (1999), Bender (2001), Furukawa et al. (2002), Poulos e Kam (2005) e McAlister (2008). Um intervalo de con…ança para o N N T pode ser obtido simplesmente invertendo-se os limites de con…ança de (3.10). Ou seja, o intervalo de con…ança para N N T será (1=LSRAR ; 1=LIRAR ), onde LIRAR e LSRAR são respectivamente os limites inferior e superior do intervalo de con…ança 95% para o RAR (Altman, 1998). Entretanto, quando o intervalo de con…ança para o RAR contém o valor zero, a obtenção de um intervalo de con…ança para o N N T torna-se difícil, dado que N N T = 1 quando RAR = 0 (ver, por exemplo, Altman, 2005). A estimativa de uma medida metanalítica N N T M para o N N T pode ser obtida do inverso da redução absoluta de risco metanalítica, ou seja, N\ NTM = 3.4. NÚMERO NECESSÁRIO PARA TRATAR 25 1 \ M H . Entretanto Altman e Deeks (2002) descrevem alguns problemas RARM encontrados no uso desta medida. Exemplo 3.4 Alves et al. (2004) apresentaram uma metanálise, composta por quatro ensaios clínicos aleatorizados controlados, sobre o efeito analgésico da carbamazepina na neuralgia do trigêmeo (ver Tabela 3.5). A neuralgia do trigêmeo é uma síndrome de dor crônica, caracterizada por paroxismos de dor excruciante que afeta de maneira dramática a qualidade de vida dos pacientes acometidos. Em cada ensaio, os indivíduos são alocados aleatoriamente em um grupo que recebeu o analgésico por carbamazepina (grupo tratamento) ou em um grupo que recebeu um tratamento por placebo (grupo controle). O evento em questão foi o número de indivíduos que obtiveram o alívio da dor crônica. Notar que d1 e d0 representam os indivíduos que não obtiveram o alívio da dor crônica nos grupos de tratamento e controle, respectivamente. Tabela 3.5. Comparação do efeito analgésico entre carbamazepina e placebo na neuralgia do trigêmeo (Alves et al., 2004). Tratados Controles vd ar Peso IC95% [ ( RAR) Estudo d1 n1 d0 n0 RAR (%) (RAR) Rockli¤ 1966 0 9 8 9 0,89 0,055 8,64 (0,43;1,35) Dalessio 1966 0 10 10 10 1,00 0,050 9,48 (0,56;1,44) Sturman 1969 15 54 51 54 0,67 0,009 53,84 (0,48;0,85) Killian 1968 8 27 27 27 0,70 0,017 28,05 (0,45;0,96) Tabela 3.6. Estimativas de N N T para os estudos da metanálise de Alves et al. (2004). Tratados Controles \ Estudo d1 n1 d0 n0 N N T IC 95% (N N T ) Rockli¤ 1966 0 9 8 9 1,12 (0,74; 2,32) Dalessio 1966 0 10 10 10 1,00 (0,69; 1,78) Sturman 1969 15 54 51 54 1,50 (1,71; 2,08) Killian 1968 8 27 27 27 1,42 (1,04; 2,22) A Tabela 3.5 apresenta as estimativas da redução absoluta de risco, da variância e do peso de cada estudo assim, como os respectivos intervalos de con…ança 95% para RAR (3.10). A Tabela 3.6 apresenta as estimativas do número necessário para tratar (3.13) de cada estudo com os seus respectivos intervalos de con…ança 95%. A estimativa da redução absoluta de risco metanalítica baseada na equação \ M H é positiva, a chance dos indivíduos do grupo (3.11) é 0; 73. Como a RARM 26 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES tratamento sofrer o evento é maior do que no grupo placebo. Com intervalo de con…ança 95% baseado em (3.11) é (0; 64; 0; 82): Como este intervalo não contém o valor zero, temos evidências de que o efeito do tratamento é superior ao do controle. A medida metanalítica para o N N T é dada por N\ NTM = 1 \ M H = 1; 4, com um intervalo de con…ança 95% dado por (1; 22; 1; 56). RARM 3.5 Risco relativo O risco relativo (RR) expressa a razão entre a chance de resposta dos indivíduos submetidos ao tratamento A em relação ao tratamento B, ou seja, para o j-ésimo estudo, temos d0j d1j n0j d j = d1j = : RR n1j n0j d0j n1j Um risco relativo próximo a 1 evidencia que a chance de resposta dos indivíduos submetidos ao tratamento A é igual à chance de resposta ao tratamento B. Quanto mais distante o risco relativo do valor 1, mais evidente é a associação entre o tratamento e o evento de interesse. A relação entre o risco relativo e o odds ratio é explicada pela expressão dj = RR 1 dj OR : d0j d j d0j + OR n0j n0j (3.14) Quando a proporção d0j =n0j é próxima de zero, o denominador da expressão d j próximo de OR d j . Por este motivo, (3.14) aproxima-se de 1, tornando RR muitos pesquisadores utilizam o odds ratio como uma aproximação do risco relativo em estudos onde a ocorrência do evento de interesse é relativamente baixa. A principal vantagem do uso do odds ratio neste caso está na facilidade em estimá-lo através de modelos de regressão logística, que permitem ajustamentos por variáveis de controle. Entretanto, é sempre importante observar que o uso do odds ratio pode trazer medidas que superestimam exageradamente o risco relativo quando o evento de interesse é relativamente frequente. Os estudos de Simon (2001), Holcomb et al. (2001) e Schechtman (2002) comparam o uso do odds ratio e do risco relativo, discutindo as vantagens e as desvantagens de cada medida. O risco relativo metanalítico (RRM ) estimado pelo método de MantelHaenszel (Rothman e Greenland, 1998, p.270; Nurminen, 1981) considera wj = nj 1 d0j n1j . Portanto, uma estimativa de RRMM H é dada por \ MH RRM J d n P 1j 0j nj j=1 = J ; P d0j n1j nj j=1 (3.15) 3.5. RISCO RELATIVO 27 onde nj = n0j + n1j . Tabela 3.7. Dados sobre a e…cácia terapêutica do Interferon Alfa no tratamento da hepatite crônica pelo vírus B (Silva Filho et al., 2005). Trat Placebo Peso d Estudo d1 n1 d0 n0 (%) RR IC95% Alexander 1987 17 23 23 23 2,80 0,74 (0,58; 0,94) Barbera 1986 1 9 7 9 0,85 0,14 (0,02; 0,92) Barbera 1994 26 40 31 37 3,92 0,78 (0,60; 1,02) Brook 1989a 12 45 15 15 2,74 0,27 (0,17; 0,44) Brook 1989b 25 37 29 30 3,90 0,70 (0,55; 0,88) Brunetto 1989 7 12 12 12 1,46 0,58 (0,36; 0,94) Carreño 1987 8 10 10 10 1,22 0,80 (0,59; 1,09) Carreño 1991 12 16 7 8 1,14 0,86 (0,58; 1,26) Carreño 1999 20 27 27 30 3,11 0,82 (0,64; 1,06) Di Bisceglie 1993 14 25 21 22 2,72 0,59 (0,41; 0,85) Dusheiko 1986 10 14 5 5 0,90 0,71 (0,51; 0,99) Fattovich 1989 11 17 13 16 1,63 0,80 (0,52; 1,22) Fattovich 1992 11 30 24 30 2,92 0,46 (0,28; 0,76) Hadziyannis 1990 15 25 25 25 3,04 0,60 (0,44; 0,83) Hoofnagle 1988 21 31 13 14 2,18 0,73 (0,55; 0,97) Janssen 1999 44 61 50 57 6,29 0,82 (0,68; 0,99) Lampertico 1997 15 21 21 21 2,56 0,71 (0,54; 0,93) Lok 1986 16 34 13 18 2,07 0,65 (0,41; 1,03) Lok 1988 16 34 13 18 2,07 0,65 (0,41; 1,03) Mazzella 1988 7 33 16 33 1,95 0,44 (0,21; 0,93) Müller 1990 19 28 24 27 2,97 0,76 (0,57; 1,01) Pastore 1988 6 14 13 14 1,58 0,46 (0,25; 0,86) Pastore 1992 9 10 8 8 1,08 0,9 (0,73; 1,11) Perrilo 1990 60 62 40 43 5,75 1,04 (0,95; 1,14) Porres 1988 11 17 5 6 0,90 0,78 (0,47; 1,29) Realdi 1990 26 39 35 40 4,21 0,76 (0,59; 0,98) Ruiz Moreno 1990 8 12 9 12 1,10 0,89 (0,53; 1,49) Ruiz Moreno 1991 12 24 10 12 1,62 0,60 (0,37; 0,96) Rumi 1993 19 31 21 25 2,83 0,73 (0,53; 1,01) Saracco 1989 7 33 16 31 2,01 0,41 (0,2; 0,86) Sarin 1996 10 20 20 21 2,37 0,53 (0,34; 0,83) Sokal 1998 57 70 66 74 7,81 0,91 (0,79; 1,04) Tcherveniakova 1999 18 31 10 12 1,75 0,70 (0,47; 1,04) Tomas 1994 94 179 45 54 8,41 0,63 (0,52; 0,76) Utili 1991 7 10 9 10 1,10 0,78 (0,49; 1,23) Waked 1990 3 16 10 15 1,26 0,28 (0,09; 0,83) Willians 1990 17 23 6 7 1,12 0,86 (0,58; 1,27) Wong 1995 19 25 22 25 2,68 0,86 (0,66; 1,12) Um método para estimar a variância do logaritmo do risco relativo metana- 28 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES lítico de Mantel-Haenszel foi introduzido por Robins et. al (1986), considerando \ MH vd ar ln RRM J n n (d + d ) P d1j d0j nj 0j 1j 1j 0j 2 n j=1 ! j ! : = J J d n P d1j n0j P 0j 1j nj nj j=1 j=1 Assim, um intervalo assintótico de con…ança 95% para o RRMM H é dado por " \ MH exp ln RRM r \ MH ar ln RRM 1; 96 vd # : (3.16) dj , Outra expressão bastante utilizada para a variância do logaritmo de RR estimada pelo método delta, é wj 1 dj ) = 1 = vd ar(ln RR d1j 1 1 + n1j d0j 1 ; n0j (3.17) e um consequente intervalo assintótico de con…ança 95% para RRj é dado por q d j 1; 96 vd dj ) : exp ln RR ar(ln RR Entretanto, observamos que (3.17) não pode ser obtida quando d1j ou d0j são iguais a zero. Exemplo 3.5 Silva Filho et al. (2005) realizaram uma revisão sistemática com metanálise de 38 estudos clínicos aleatorizados e controlados (ver Tabela 3.7), sobre a e…cácia terapêutica do Interferon Alfa no tratamento da hepatite crônica pelo vírus B. Em cada estudo os indivíduos foram alocados em um grupo que recebeu o tratamento (intervenção com o Interferon Alfa) ou em um grupo que não recebeu a intervenção (grupo controle). O evento de interesse foi o clareamento do HBV-DNA (DNA do vírus da hepatite B). Notar que d1 e d0 representam o não clareamento do HBV-DNA nos grupos de indivíduos tratados com o Interferon Alfa e controles. O risco relativo de cada estudo, com seus respectivos intervalos de con…ança 95% encontram-se na Tabela 3.7. A estimativa do risco relativo metanálitico considerando os pesos dados por (3.15) é igual à 0; 71 e seu respectivo intervalo \ M H é menor de con…ança 95% baseado em (3.16) é (0; 67; 0; 75). Como RRM que 1, observa-se uma evidência de que a ocorrência do evento é maior no grupo tratamento do que no grupo controle. 3.6 Diferença absoluta entre médias Em um contexto diferente daquele das medidas anteriores, onde os ensaios clínicos apresentavam respostas binárias, seja uma metanálise de ensaios clínicos 3.6. DIFERENÇA ABSOLUTA ENTRE MÉDIAS 29 aleatorizados cujas respostas aos tratamentos A e B são expressas por uma medida em uma escala contínua. Neste caso, a diferença absoluta entre as médias ( j ) quanti…ca a diferença entre as respostas médias ao tratamento A e B, para o j-ésimo estudo de uma metanálise composta por J estudos. Sejam x1j e x0j as respostas médias ao tratamento A e B, respectivamente, para o j-ésimo estudo, e sejam s21j e s20j as respectivas variâncias amostrais. Sejam ainda n1j e n0j os respectivos tamanhos amostrais dos tratamentos A e B. A medida de efeito para o j-ésimo estudo (Normand, 1999) é estimada por ^j = x1j x0j com wj 1 = vd ar ^j = s2pj 1 1 + n1j n0j , onde s2pj = Assim, um intervalo de con…ança 95% para s (x1j x0j ) t(n1j +n0j j 1) s21j + (n0j 1) s20j . n1j + n0j 2 é dado por 1 1 + , n1j n0j s2pj 2) (n1j j = 1; 2; :::; J, onde t = t(n1j +n0j 2) > 0 representa um valor tal que t e t delimitam uma área igual a 95% sob uma curva t de Student com n1j + n0j 2 graus de liberdade. Da expressão (3.1), temos que ^M = J P wj (x1j x0j ) j=1 J P (3.18) wj j=1 é um estimador da diferença M absoluta metanalítica entre as médias, e um intervalo assintótico de con…ança 95% para M é dado por ^M s 1; 96 J P j=1 wj : 1 Exemplo 3.6 Considere a metanálise de ensaios clínicos aleatorizados apresentada por Lustosa et al. (2008) sobre o impacto da linfadenectomia ampliada na morbidade, mortalidade, recidiva e cinco anos de sobrevida após gastrectomia por câncer. Neste trabalho os pesquisadores compararam os grupos controle e experimental em relação aos dias de permanência no hospital. A Tabela 3.8 apresenta as respostas médias dos grupos experimental e controle de cada estudo com seus respectivos desvios padrão e tamanhos amostrais, 30 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES e a diferença absoluta entre as médias com seus intervalos de con…anças 95%. Observa-se que somente o estudo de Degiuli não trouxe evidências de diferença entre os grupos (o respectivo intervalo de con…ança 95% contém o valor 0). O estudo de Bonenkamp apresentou a maior contribuição para a medida de efeito metanalítica, o que é consequente do maior peso (em valores percentuais). A medida metanalítica baseada na expressão (3.18) é estimada em 4,72 dias,com um intervalo de con…ança 95% dado por (3; 99; 5; 44 dias). Dado que este intervalo não inclui o valor zero, temos evidências que o número médio de dias de internação no grupo experimental difere daquele encontrado no grupo controle. Tabela 3.8. Comparação entre as médias dos dias de permanência no hospital em relação aos grupos experimental e controle. Experimental Estudo Bonenkamp 1995 Cuschieri 1996 Degiuli 2004 Robertson 1994 Wu 2004 3.7 Controle x1j s1j n1j x0j s0j n0j ^j 25 23 13,15 16 19,6 12 11 6,3 7,68 13,9 331 200 86 30 111 18 18 13,75 8 15 8,64 8,64 6,6 3,84 4 380 200 75 25 110 7,0 5,0 -0,6 8,0 4,6 Peso (%) 36,61 22,62 21,37 7,75 11,64 IC 95% (5,47;8,53) (3,05;6,94) (-2,61;1,41) (4,61;11,39) (1,88;7,32) Forest plot O forest plot mostra informações individuais dos estudos incluídos na metanálise, como a variabilidade e a medida de efeito metanálitica (Lewis e Clarke, 2001; Moja et al., 2007; Hyde et al., 2008). Sua origem se dá nos últimos anos da década de 1970, quando Freiman et al. (1978) exibiram os resultados de diversos estudos com linhas horizontais mostrando o intervalo de con…ança de cada estudo com a respectiva estimativa pontual. Curiosamente, este estudo não era uma metanálise. Em 1982, Lewis e Ellis (1982) produziram um grá…co similar para metanálises e acrescentaram a estimativa da medida de efeito metanalítica. O forest plot para os dados do Exemplo 3.5 é mostrado na Figura 3.1. Na primeira coluna, à esquerda, são listados os estudos, rotulados pelo nome do primeiro autor e o ano da publicação. A ordem dos estudos é arbitrária, sendo que os estudos podem ser listados, por exemplo, segundo uma ordem alfabética ou de acordo com o ano da publicação. As estimativas pontuais da medida de efeito de cada estudo são representadas por símbolos cujo tamanho é proporcional ao respectivo peso. Assim, o estudo de Tomas 1994 é aquele com maior contribuição à medida metanalítica, observando que ele possui o maior tamanho amostral dentre todos os estudos. À direita da …gura, aparecem os pesos dos estudos, as medidas de efeito e os seus respectivos intervalos de con…ança. Geralmente, o peso de cada estudo é expresso em porcentagens, representando a contribuição de cada um dos estudos à medida metanalítica. A medida metanalítica de Mantel-Haenzel é representada na parte inferior da …gura. Os intervalos de 3.7. FOREST PLOT 31 con…ança para cada estudo são representados por linhas horizontais, enquanto uma linha vertical separa as regiões onde o risco relativo é menor ou maior que 1. Observa-se que, com a exceção de um único estudo, todas as medidas de risco relativo encontram-se à esquerda desta linha vertical, evidenciando que o tratamento geralmente traz uma redução do risco do evento. Figura 3.1. Forest Plot para os dados sobre a e…cácia terapêutica do Interferon Alfa no tratamento da hepatite crônica pelo vírus B (Silva Filho et al., 2005). 32 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES A seguir, apresentamos um programa escrito em linguagem R para a construção do forrest plot. Considere um banco de dados dados.csv gravado em formato csv, contendo apenas as variáveis Estudo, d1, n1, d0 e n0. As variáveis d1, n1, d0 e n0 são numéricas, e guardam respectivamente os valores de d1 , n1 , d0 e n0 de cada estudo. A variável Estudo é alfanumérica, e guarda os nomes dos estudos e os respectivos anos (por exemplo, "Alexander 1987"). setwd("E:nnMetanalise") # (modificar o diretório) dados <- read.csv("dados.csv",sep=";") attach(dados) J <- dim(dados)[1] # número de estudos RR <- round((d1*n0)/(d0*n1),2) # RR para cada estudo pesoRR <- d0*n1/(n0+n1) # peso pesopor <- round((pesoRR/(sum(pesoRR)))*100,2) logRR <- log(RR) desvlogRR <- sqrt(((n1-d1)/(n1*d1))+((n0-d0)/(n0*d0))) ICRRI <- round(exp(logRR-1.96*desvlogRR),2) ICRRS <- round(exp(logRR+1.96*desvlogRR),2) desvRR <- sqrt((n1-d1)/(n1*d1)+(n0-d0)/(n0*d0)) RRMH <- (sum(d1*n0/(n0+n1)))/(sum(d0*n1/(n0+n1))) # RRMH é o RR metanalítico A <- sum((n0*n1*(d1+d0)-d1*d0*(n0+n1))/(n0+n1)^2) VarRRMH <- A/(sum(d1*n0/(n0+n1)) * sum(d0*n1/(n0+n1))) # IC95% para RR metanalítico ICRRMHI <- round(exp(log(RRMH)-1.96*sqrt(VarRRMH)),2) ICRRMHS <- round(exp(log(RRMH)+1.96*sqrt(VarRRMH)),2) RREstudos <- cbind(RR, 1:J) IC <- cbind(ICRRI,ICRRS) meta <- c(RRMH,J+1) results <- rbind(RREstudos, meta) estudos <- 1:J par(mar=c(4,11,1,10)) plot(results, ylim=c(40,0), xlim=c(0,1.5), cex=pesopor/4.5, bty="n", yaxt="n", ylab="",pch=19, xlab="Risco Relativo (RR)") for(i in 1:J) lines(c(ICRRI[i],ICRRS[i]), c(estudos[i], estudos[i])) lines(c(ICRRMHI ,ICRRMHS), c(J+1,J+1)) for(i in 1:J){ mtext(Estudo[i],side=2,5.8,las=1,at=i,cex=.6) mtext(d1[i],side=2,4.6,las=1,at=i,cex=.6) mtext("/", side=2,4.2,las=1,at=i,cex=.6) mtext(n1[i],side=2,3.5,las=1,at=i,cex=.6) mtext(d0[i],side=2,1.8,las=1,at=i,cex=.6) mtext("/", side=2,1.3,las=1,at=i,cex=.6) mtext(n0[i],side=2,0.6,las=1,at=i,cex=.6) mtext(pesopor[i],side=4,1,las=1,at=i,cex=.6) 3.7. FOREST PLOT 33 mtext(RR[i], side=4,3.0,las=1, at=i,cex=.6) mtext("(", side=4,5.0,las=1, at=i,cex=.6) mtext(IC[i][1],side=4,5.3,las=1, at=i,cex=.6) mtext(",", side=4,6.6,las=1, at=i,cex=.6) mtext(IC[i,2], side=4,7.1,las=1, at=i,cex=.6) mtext(")", side=4,8.3,las=1, at=i,cex=.6) } mtext(round(RRMH,2), side=4,3.0,las=1, at=J+1,cex=.6) mtext("(", side=4,5.0,las=1, at=J+1,cex=.6) mtext(round(ICRRMHI,2),side=4,5.3,las=1, at=J+1,cex=.6) mtext(",", side=4,6.6,las=1, at=J+1,cex=.6) mtext(round(ICRRMHS,2), side=4,7.1,las=1, at=J+1,cex=.6) mtext(")", side=4,8.3,las=1, at=J+1,cex=.6) mtext("RRM Mantel-Haenzel", side=2, 2, las=1,at=J+1, cex=0.6) mtext("Trat", side=2,3.8,las=1,at=-1, cex=0.7) mtext("Cont", side=2,1.0,las=1,at=-1, cex=0.7) mtext("Peso",side=4,1.0,las=1,at=-2, cex=0.7) mtext("(%)",side=4,1.0,las=1,at=-1, cex=0.7) mtext("RR", side=4,3, las=1, at=-1, cex=0.7) mtext("IC 95%",side=4,6, las=1, at=-1, cex=0.7) abline(v=1, lty="dotted") 34 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES Capítulo 4 Heterogeneidade em metanálises As medidas metanalíticas apresentadas no Capitulo 3 pressupõem que a variabilidade observada entre os resultados dos estudos que compõem a metanálise é devida apenas a ‡utuações amostrais aleatórias. Nesta situação, dizemos que os estudos são homogêneos (Engels et al., 2000; Xu et al., 2008). Quando a variabilidade entre os estudos tem origem não aleatória, dizemos que os estudos são heterogêneos. Song et al. (2001) citam que as possíveis causas da heterogeneidade podem ter origem nas diferenças entre protocolos empregados, de…nição da doença, planejamento do estudo, variações entre tratamentos ou variabilidades demográ…cas nas populações em estudo. A avaliação da heterogeneidade é de grande importância na metanálise, pois a ausência ou a presença da heterogeneidade indica o tratamento estatístico mais adequado a ser utilizado (Berlin, 1995; Colditz et al., 1995; Huedo-Medina et al., 2006; Song et al., 2001; Higgins et al., 2003; Sidik e Jonkman, 2007). A heterogeneidade é geralmente avaliada pelo teste Q proposto por Cochran (1954) ou quanti…cada pela estatística I 2 de…nida por Higgins e Thompson (2002). 4.1 Teste Q de Cochran Considere uma metanálise composta por J estudos, onde ^j é a estimativa da medida de efeito para o j-ésimo estudo. A estatística Q proposta por Cochran (1954) é dada por 2 PJ (4.1) Q = j=1 wj ^j bM ; onde bM é a estimativa para a medida metanalítica M e o peso wj é dado pelo inverso da variância da medida para o j-ésimo estudo. Notar que, em metanálises onde a medida de efeito é o odds ratio, é comum estabelecer que 35 36 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES ^j = ln OR dj e bM = ln OR \ M . Sob a hipótese de homogeneidade entre os estudos, Q segue, assintoticamente, uma distribuição qui-quadrado com J 1 graus de liberdade. Assim, rejeitamos a hipótese de que os estudos que compõem a metanálise são homogêneos a um nível de signi…cância quando Q é maior que 2(J 1) , onde 2(J 1) é um valor tal que a área sob uma curva qui-quadrado com J 1 graus de liberdade acima do ponto 2(J 1) é igual a . Quando a medida de efeito escolhida para a metanálise é o odds ratio de Peto, a estatística Q é dada por hP i2 J Ej ) PJ (Oj Ej )2 j=1 (Oj : Q = j=1 PJ Vj j=1 Vj Nos casos em que o método de Mantel-Haenszel é utilizado, bM é substituido por ^M H (a medida metanalítica estimada pelo método Mantel-Haenszel) em (4.1). Uma de…ciência deste teste é que ele possui um baixo poder quando o número J de estudos que compõem a metanálise é pequeno. Por outro lado, quando o número de estudos é muito grande ele pode detectar uma falsa heterogeneidade (Higgins e Thompson, 2002). 4.2 Estimação da variabilidade entre os estudos Seja j a medida de efeito para o j-ésimo estudo, j = 1; :::; J, e seja bj uma estimativa de j . Sendo M a medida metanalítica, vamos considerar 2 a variabilidade da medida de efeito j entre os J estudos, sem que uma distribuição especí…ca seja assumida. Uma maneira usual de estimar 2 é igualando o valor observado de Q (equação (4.1)) com sua esperança E(Q) (DerSimonian e Laird, 1986; Higgins e Thompson, 2002). Observar que h i2 2 PJ ^j bM = PJ wj ^j Q = (bM M M) j=1 wj j=1 = = PJ j=1 PJ j=1 wj ^j wj ^j 2 M 2 M 2 ^j PJ M j=1 wj (bM bM M) 2 M 2 + bM M : A esperança E(Q) é dada por E(Q) = = PJ j=1 PJ j=1 wj E ^j wj V ar ^j 2 M PJ j=1 PJ j=1 wj E wj V ar bM : bM 2 M 4.3. ESTATÍSTICAS H 2 E I 2 37 Considerando 0 PJ b j=1 wj j = PJ j=1 wj bM B N@ M; = = PJ j=1 2 = J 2 wj PJ 2 + wj j=1 wj + J 1+ PJ j=1 PJ 1 j=1 1 wj PJ j=1 PJ 2 j=1 wj 1 + P J j=1 wj PJ (ver Biggersta¤ e Tweedie, 1997), temos E(Q) PJ j=1 wj 0 1 B wj @ PJ wj2 j=1 wj ! PJ 2 j=1 wj PJ j=1 wj 2C A PJ 2 j=1 wj + P J j=1 wj 2 2 2 1 j=1 wj 2 1 2C A : Ao igualarmos o valor observado de Q com E(Q), temos um estimador de dado por Q (J 1) PJ b2 = : (4.2) PJ wj2 j=1 P w J j=1 j j=1 wj Se assumimos e2 = wj 1 , ou seja, que as variâncias de cada estudo são conhecidas e iguais a ~ 2 (ver Higgins e Thompson, 2002) temos ^2 = e2 Q J 1 1 : (4.3) Uma expressão para a variância de Q é apresentada por Biggersta¤ e Tweedie (1997). 4.3 Estatísticas H 2 e I 2 As estatísticas H 2 e I 2 são derivadas assumindo e2 = vd ar bj = wj 1 , ou seja, as variâncias das medidas de efeito de cada estudo são conhecidas (dado que wj são conhecidos). Seja a expressão (4.3) um estimador de momentos de 2 considerando wj conhecidos, j = 1; :::; J. A partir da razão = ^2 e2 são geradas as estatísticas H 2 e I 2 : 38 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES Considerando e2 ^2 + e2 +1= = e2 Q J 1 temos a medida e2 1 + e2 H2 = Q J 1 = Q J 1+1= 1 Q J 1 ; : Lembrar que, quando os estudos são homogêneos, Q segue assintoticamente uma distribuição qui-quadrado com J 1 graus de liberdade. Assim, quando H 2 é próximo a 1; temos evidência de homogeneidade entre os estudos (Higgins e Thompson, 2002). Considerando a relação 1+ ^2 H2 1 = 2 = 2 = H2 ^ +e Q J 1 Q J 1 1 = Q (J Q 1) ; Higgins e Thompson (2002) propuseram a estatística I 2 , dada por I2 = H2 1 Q 100% = H2 (J Q 1) 100%: (4.4) A estatística I 2 é a mais utilizada entre estas duas estatísticas e quanti…ca a proporção da variação total devida à heterogeneidade. Notar que este índice não ultrapassa 100%, e quando negativo, é igualado a 0. Higgins e Thompson (2002) propuseram um intervalo de con…ança 95% assintótico para H, dado por exp (ln H 1; 96 ep b [ln (H)]) onde ep b [ln (H)] é a estimativa do erro padrão de ln (H) estimado por 8 1 ln (Q) ln (J 1) > > p se Q > J > > 2 > 2Q (2J 3) > < v ep b [ln (H)] = ! u > > u > 1 1 > t > 1 se Q J: > 2 : 2 (J 2) 3 (J 2) Assim, para encontrar o intervalo de con…ança 95% para I 2 basta substituir os limites de con…ança em (4.4). De modo subjetivo, Higgins et al. (2003) sugerem uma escala em que um valor de I 2 próximo a 0% indica não heterogeneidade entre os estudos, um valor de I 2 próximo a 25% indica baixa heterogeneidade, um valor de I 2 próximo 4.4. MÉTODO DE DERSIMONIAN E LAIRD 39 a 50% indica heterogeneidade moderada e um valor de I 2 próximo 75% indica uma alta heterogeneidade entre os estudos. Huedo-Medina et al. (2006) descrevem que a estatística I 2 tem vantagens importantes em relação ao teste Q de Cochran, como a sua facilidade de interpretação e a sua não dependência do número de graus de liberdade. Outra vantagem está na possibilidade de descrever a magnitude da heterogeneidade na metanálise, enquanto o teste Q de Cochran trata apenas a “signi…cância estatística“ da hipótese de homogeneidade. Exemplo 4.1 Considere os dados da Tabela 3.7, referentes ao estudo de Silva Filho et al. (2005). Neste exemplo, a estatística Q, conforme a expressão (4.1) é 100; 66 e J = 38. Como Q > 237 ; ao nível de signi…cância de 5%, rejeita-se a hipótese de homogeneidade entre os estudos na metanálise. O índice H 2 é dado por H 2 = 2; 72:Como H 2 > 1 temos indícios de heterogeneidade entre os estudos. Com base em (4.4) temos I 2 = 63%; indicando uma variação moderada (ver Higgins et al., 2003). Como Q > J o erro padrão estimado para o logaritmo de H é ep b [ln (H)] = 1 ln (Q) p 2 2Q ln (J (2J 1) 3) = 1 ln (100; 66) ln (38 1) p = 0; 04 2 2 (100; 66) [2 (38) 3] e o intervalo de con…ança 95% para o logaritmo H é h p i exp (ln H 1; 96 ep b [ln (H)]) = exp ln 2; 72 1; 96(0; 04) ou (1; 51; 1; 79) : Substituindo esses limites em (4.4), temos o intervalo de con…ança 95% para I 2 dado por (56; 29% ; 69; 09%) : 4.4 Método de DerSimonian e Laird A vantagem do método proposto por DerSimonian e Laird (1986) está na possibilidade de estimarmos medidas metanalíticas sem a necessidade de pressupormos que os estudos que compõem a metanálise são homogêneos. Considerando bj a medida de efeito para o j-ésimo estudo, a medida metanalítica M DL de DerSimonian e Laird é estimada por PJ w b bM DL = Pj=1 j j : (4.5) J j=1 wj O peso wj para o j-ésimo estudo é dado por wj = 1 ; ^ + wj 1 2 40 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES onde ^2 é dado por (4.2) e Q é dado por (4.1). E ainda, wj é o inverso da variância estimada para bj , bM é a medida metanalítica estimada e J é o número de estudos contidos na metanálise. Vamos considerar que ^2 é uma estimativa amostral de 2 , uma medida da magnitude em que os efeitos de tratamento variam entre os estudos. Notar que todas as medidas metanalíticas mostradas no Capítulo 3 consideram 2 = 0, ou seja, assumem que os J estudos envolvidos na metanálise são homogêneos. Se ^2 for menor que zero, consideramos ^2 = 0 e, consequentemente, wj = wj . Exemplo 4.2 Considere novamente os dados da Tabela 3.7. Nesta metanálise, o teste Q de Cochran e as estatísticas I 2 e H 2 sugerem a presença de heterogeneidade entre os estudos. Consideraremos ainda a medida metanalítica de DerSimonian e Laird. Das expressões (4.2) e (4.5), temos ^2 = 0; 03 e bM DL = 0; 71; onde a medida de efeito para o j -ésimo estudo é RRj , sendo utilizado em (4.5) bj = ln RR dj : \ Observamos que, neste exemplo, bM DL é próximo de RRM M H (equação (3.15)), mesmo na presença de alguma heterogeneidade entre os estudos que compõem a metanálise. 4.5 Grá…co de L’Abbé Este grá…co foi sugerido por L’Abbé et al. (1987) como um primeiro estágio para investigar a heterogeneidade. O grá…co de L’Abbé é um grá…co de dispersão, onde os estudos são representados por círculos de tamanho proporcional ao tamanho amostral nj . O eixo vertical representa a taxa de evento no grupo tratamento e o eixo horizontal a taxa de evento no grupo controle. Os pontos discrepantes representam os estudos que estariam infuenciando a heterogeneidade na metanálise (Song et al. 2001). Quando L’Abbé propôs este grá…co, ele continha uma linha de igualdade, ou seja, onde a taxa de evento no grupo tratamento é igual a taxa de evento no grupo controle, mais duas linhas tracejada, em que uma mostra 25% da redução relativa de risco em relação ao grupo tratamento, e a outra mostra 50% da redução relativa de risco. Com o passar do tempo alguns autores propuseram modi…cações para este grá…co (ver Song et al., 2001 e Xu et al., 2008). 41 0.6 0.4 0.0 0.2 % grupo tratamento 0.8 1.0 4.6. GRÁFICO DE GALBRAITH 0.0 0.2 0.4 0.6 0.8 1.0 %grupo placebo Figura 4.1. Grá…co de L’Abbé para os dados da Tabela 3.7 sobre a e…cácia terapêutica do Interferon Alfa no tratamento da hepatite crônica pelo vírus B (Silva Filho et al., 2005). A Figura 4.1 apresenta o grá…co de L’Abbé para os dados da Tabela 3.7. O eixo vertical mostra a taxa de clareamento do HBV-DNA no grupo que recebeu a intervenção com o Interferon Alfa (ou seja, d1 =n1 ). O eixo horizontal mostra a taxa de clareamento de HBV-DNA no grupo placebo (ou seja, d0 =n0 ). Observase que os dados se concentram na parte inferior da linha de igualdade, sugerindo que o tratamento é superior ao placebo. Os pontos isolados à esquerda do grá…co representam os estudos que estão contribuindo para a heterogeneidade na metanálise. Os pontos próximos a linha de igualdade representam os estudos em que a taxa de evento no grupo tratamento é igual àquela encontrada no grupo placebo. 4.6 Grá…co de Galbraith O grá…co de Galbraith (Galbraith, 1988; Xu et al., 2008) é um outro diagrama utilizado para estudar a heterogeneidade entre os estudos que compõem a metanálise. Seja bj a medida de efeito de cada estudo, com variância e2j , j = 1; :::; J. A contribuição de cada estudo para a heterogeneidade é mostrada em um grá…co de dispersão entre 1=e2j e bj =e2j . Os estudos com maiores pesos (wj tal que wj 1 = e2j ) tendem a aparecer à direita, enquanto aqueles com pesos menores tendem a aparecer próximos à origem. O grá…co de Galbraith exibe ainda uma reta de regressão que passa pela origem, com inclinação correspon- 42 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES dente à medida metanalítica bM . Essa reta é dada por f (x) = bM x, sendo as distâncias verticais entre a reta e cada ponto no grá…co interpretadas como as contribuições de cada estudo à medida de Q (dada pela expressão (4.1)). Isto torna-se evidente quando observamos que Q pode ser reescrito na forma: Q = = = PJ j=1 wj ^j J P 1 ^ j 2 j=1 e j J P j=1 e2j ^j e2j bM bM 2 2 bM 1 e2j !2 : É usual exibir no grá…co duas outras retas, paralelas à reta f (x) = bM x, posicionadas a 2 unidades acima e abaixo de f (x) = bM x. Pontos fora do intervalo entre estas retas adicionais são sugestivos de trazer maior contribuição à heterogeneidade. Na ausência de heterogeneidade, esperamos que todos os pontos sejam representados dentro deste intervalo. Tabela 4.1. Ensaios clínicos controlados com placebo sobre o efeito da antibioticopro…laxia na histerectomia abdominal eletiva, não radical (Costa e Krauss-Silva, 2004). Placebo Tratamento bj =e2 d j bj = ln OR dj Estudo d0 n0 d1 n1 OR 1=e2j j 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 11 13 3 47 10 2 12 7 16 12 12 20 11 20 20 9 29 16 29 38 22 223 36 42 46 53 50 49 49 53 49 53 53 102 102 124 8 2 1 29 1 1 8 7 6 2 2 9 5 12 10 16 22 8 30 42 25 203 33 68 45 53 50 51 58 63 49 52 54 97 101 134 1,7 10,4 3,8 1,6 12,3 3,4 1,6 1,0 3,5 7,9 9,1 3,6 2,5 2,0 2,7 0,5 1,4 2,3 0,519 2,342 1,332 0,471 2,510 1,209 0,490 0 1,239 2,073 2,206 1,291 0,935 0,703 0,981 -0,714 0,355 0,847 3,155 1,558 0,700 14,884 0,855 0,649 3,777 3,038 3,555 1,585 1,592 4,763 2,942 5,301 4,925 5,084 9,408 4,885 1,638 3,648 0,933 7,016 2,146 0,785 1,851 0 4,403 3,286 3,512 6,150 2,751 3,728 4,831 -3,627 3,342 4,139 4.6. GRÁFICO DE GALBRAITH 43 Exemplo 4.3 Costa e Krauss-Silva (2004) conduziram uma revisão sistemática com meta-análise da antibioticopro…laxia na histerectomia abdominal. A Tabela 4.1 mostra as taxas de infecção do sítio cirúrgico em 18 ensaios clínicos controlados com placebo sobre o efeito da antibioticopro…laxia na histerectomia abdomd j e e2j dado por (3.7). Uma medida inal eletiva, não radical. Seja bj = ln OR metanalítica para o logaritmo do OR é bM = 0; 696. A estatística Q de Cochran é dada por Q = 31; 2: O grá…co Galbraith (Figura 4.2) para os dados da Tabela 4.1 mostra que o estudo 16 é o que mais contribui para Q, ou seja, aquele que traz maior efeito para a medida de heterogeneidade entre os estudos. De fato, a exclusão deste estudo na metanálise reduz Q para 20; 4. Figura 4.2. Grá…co de Galbraith para a metanálise apresentada por Costa e Krauss-Silva (2004). 44 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES Capítulo 5 Modelos de regressão em metanálises O desenvolvimento de modelos de regressão voltados à metanálise tem despertado o interesse de muitos estatísticos (ver, por exemplo, Villar et al., 2001; Houwelingen et al., 2002; Sutton e Abrams, 2001; Brockwell e Gordon, 2001; Whitehead, 2002). São usados essencialmente dois tipos modelos de regressão em metanálise: os modelos de efeitos …xos e os modelos de efeitos aleatórios. Os modelos de efeitos …xos assumem a existência de um único efeito de tratamento e qualquer variabilidade entre os efeitos estimados de tratamentos dos estudos é completamente devida à variabilidade amostral interna de cada um dos estudos (Whitehead, 2002; Petitti, 1994; Skrondal e Rabe-Hesketh, 2004). Este pressuposto de homogeneidade entre os estudos é geralmente testado pelo teste Q de Cochran. Os modelos de efeitos aleatórios, por sua vez, assumem que os estudos não são homogêneos, havendo alguma variação entre os estudos devida a diferenças entre as respectivas populações e protocolos empregados (por exemplo, dosagens ou duração do tratamento). Apresentaremos a seguir modelos de regressão onde a medida de tamanho de efeito de tratamento é Yj = ln(ORj ). É preferível considerar Yj = ln(ORj ) e não Yj = ORj , dado que a distribuição dos valores de ln(ORj ) tem a tendência de ser mais simétrica que a distribuição de ORj . Com alguma adaptação, estes modelos podem ser utilizados para outras medidas de tamanho de efeito de tratamento. 5.1 Modelo de efeito …xo Considere uma metanálise onde J estudos são considerados. Seja Yj o logaritmo do odds ratio para o j-ésimo estudo e M o odds ratio metanalítico, j = 1; 2; :::; J. O modelo de efeito …xo é dado por Yj = ln(ORj ) = 45 M + "j , (5.1) 46 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES onde "j são os resíduos do modelo, com distribuição normal com média 0 e variâncias e2j conhecidas, dadas pela expressão (3.7). Uma característica deste modelo é que a variância do resíduo não é constante, como é tradicionalmente assumido nos modelos de regressão, mas admite-se que cada estudo possui uma medida e2j de variabilidade conhecida. Considerando "j N (0; e2j ), temos Yj N ( M ; e2j ) e a função de verossimilhança L( M ) é dada por 2 3 J 1 2 X J Q (y ) 2 j M 5 exp 4 (5.2) L( M ) = 2 e2j 2 2e j=1 j j=1 e o logaritmo de L( M) é dado por 3 2 J J 2 X 1 4X (y ) j M 5: ln L( M ) = ln 2 e2j + 2 2 j=1 e j j=1 Derivando esta expressão em relação a M e igualando o resultado a zero, temos que o estimador bM V de máxima verossimilhança de M é dado por PJ j=1 bM V = PJ j=1 yj e2j : 1 e2j (5.3) Notar que o estimador de máxima verossimilhança de M é igual ao odds ratio metanálitico dado pela expressão (3.3), se wj é o inverso da variância da medida de efeito do j-ésimo estudo (ou seja, wj 1 = e2j ). Sob suposição de normalidade assintótica temos 2 0 1 13 J X 1A 7 6 bM V N 4 M; @ 5; e2 j=1 j e um intervalo assintótico de con…ança 95% para bM V 5.2 M é dado por 1; 96 s : PJ 1 j=1 2 ej Modelo de efeitos aleatórios O modelo de efeitos aleatórios pode ser escrito da forma Yj = ln(ORj ) = M + j + "j , (5.4) 5.2. MODELO DE EFEITOS ALEATÓRIOS 47 onde j são efeitos aleatórios e "j são os resíduos, para j = 1; 2; :::; J. Ao considerarmos j N (0; 2 ) e "j N (0; e2j ), onde j e "j são independentes, temos Yj N ( M ; 2 + e2j ). O parâmetro 2 representa a variabilidade entre os estudos e quanti…ca a heterogeneidade na metanálise. Assumindo que e2j são quantidades conhecidas, dadas por (3.7), temos que a função de verossimilhança L( M ; 2 ) é dada por L( M; 2 )= J h Q 2 2 j=1 e seu logaritmo é i + e2j 1X h ln 2 2 j=1 1 2 2 exp 4 M; 2 )= Derivando ln L( @ @ ln L( M; 2 M; 2 + e2j ) em relação a )= M 2 J X yj 2 j=1 + M e2j M = 2 2 (yj 2 j=1 i J ln L( J 1X M) + e2j 3 5; (5.5) J 2 1 X (yj M) : 2 2 2 j=1 + ej (5.6) temos J X j=1 yj 2 + e2 j M J X j=1 2 1 : + e2j Igualando este resultado a zero, temos que o estimador de máxima verossimilhança bM V de M é dado por bM V = J P j=1 J P yj b2 + e2j 1 2 2 j=1 b + e j ; (5.7) onde b2 será de…nido adiante. Notar que (5.3) e (5.7) são idênticos quando b2 = 0. Podemos observar também que a expressão (5.7) é igual ao estimador da medida metanalítica proposta por DerSimonian e Laird (1986). Sob a suposição de normalidade assintótica (Brockwell e Gordon, 2001), temos 2 0 J X 6 N 4 M; @ bM V Derivando ln L( M; @ ln L( @ 2 2 j=1 ) em relação a 2 1 1 A b + e2j 2 2 )= 1X 1 2 2 j=1 ej + 3 7 5: temos J M; 1 J 2 + 1 X (yj 2 j=1 e2j + 2 M) 2: 2 48 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES Igualando este resultado a zero, temos J P j=1 b2 = J P j=1 Como e2j pode ser superior a yj 2 bM V yj e2j + b2 2 e2j 1 e2j + b2 (5.8) 2 2 bM V o estimador de máxima verossimilhança : para um dado j, consideraremos b2M V de 2 dado por 0, se b2 0 b2 , caso contrário. b2M V = Notar que bM V e b2M V só podem ser obtidos através de um método iterativo (Brockwell e Gordon, 2001). M Hardy e Thompson (1996) propuseram intervalos de con…ança (100%) para e 2 baseados na estatística de razão de verossimilhança. Considerando 1 0 L ( ) M 1 2 A < 2 ln @ (1;1 ) , ou seja, L1 bM V 0 1 2 L ( ) (1;1 ) M A > ; ln @ 1 2 L b MV 1 um intervalo de con…ança satisfazem a l1 ( onde l1 ( M) = l( 2 M ; bM V 100% para M) ( l1 bM V M )) M > é dado pelos valores de 2 (1;1 ) 2 M que ; é a função de log-verossimilhança para M considerando b2M V ( M ) a estimativa de máxima verossimilhança de 2 no ponto 2 )100% de uma distribuição qui-quadrado com M , e (1;1 ) é o percentil (1 um grau de liberdade. Analogamente, um intervalo de con…ança 100% para 2 é dado pelos valores de 2 que satisfazem a l1 2 l1 b2M V > 2 (1;1 2 ) ; onde l1 2 = l(bM V 2 ; 2 ) é a função de log-verossimilhança para 2 considerando bM V 2 a estimativa de máxima verossimilhança de M no ponto 2 . 5.2. MODELO DE EFEITOS ALEATÓRIOS 49 Exemplo 5.1 Linde et. al. (2005) conduziram uma metanálise onde foram analisados 24 ensaios clinicos controlados aleatorizados duplo-cegos, sobre a e…cácia do …toterápico Hypericum perforatum no tratamento do transtorno depressivo em adultos (Tabela 5.1). Em cada estudo, os indivíduos portadores de depressão foram aleatoriamente alocados em um grupo que recebeu a intervenção com o Hypericum perforatum ou em outro que recebeu um tratamento com placebo. O evento de interesse foi a melhora dos sintomas da depressão. Vamos desconsiderar os estudos de Halama e de Osterheider, que apresentam valores de d0 ou d1 iguais a zero. A Figura 5.1 mostra um grá…co da função de log-verossimilhança (5.6), de acordo com valores de M e 2 , onde as estimativas de máxima verossimilhança se encontram no ponto mais alto da superfície, em relação ao eixo vertical. A Figura 5.2 representa o per…l para 2 da função de log-verossimilhança (5.6) considerando M igual à sua estimativa de máxima verossimilhança (dada por 1; 04). Tabela 5.1. Estudos sobre a e…cácia do tratamento com Hypericum perforatum em pacientes com depressão (Linde et al., 2005). Hypericum Placebo dj ) Estudo d1 n1 d0 n0 ln(OR e2j Hansgen 1996 35 53 12 54 1,917 0,191 Kalb 2001 23 37 15 35 0,784 0,231 Laakmann 1998 24 49 16 49 0,683 0,174 Lehri 1993 4 25 2 25 0,784 0,841 Schrader 1998 45 80 12 79 1,971 0,149 Shelton 2001 26 98 19 102 0,456 0,117 HDTSG 2002 46 113 56 116 -0,307 0,071 Lecrubier 2002 98 186 80 189 0,417 0,043 Montgomery 2000 55 123 57 124 -0,050 0,065 Phlipp 1999 57 106 22 47 0,279 0,123 Volz 2000 46 70 34 70 0,707 0,120 Witte 1995 34 48 25 49 0,846 0,182 Halama 1991 10 25 0 25 Ho¤mann 1979 19 30 3 30 2,743 0,514 Osterheider 1992 0 22 0 23 Quandt 1993 29 44 3 44 3,274 0,459 Schlich 1987 15 25 3 24 2,351 0,547 Schmidt 1989 10 20 4 20 1,386 0,512 Hubner 1993 14 20 9 20 1,048 0,440 Koing 1993 29 55 31 57 -0,067 0,143 Reh 1992 20 25 11 25 1,627 0,412 Schmidt 1993 20 32 6 33 2,015 0,337 Sommer 1994 28 50 13 55 1,414 0,182 Winkel 2000 34 60 17 59 1,173 0,150 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES ança imilh eross log v -30 -35 -40 3 -45 2 -50 var iânc ia e 5 ntre os e stud os log odd s ra tio 0 1 0 10 15 -1 Figura 5.1. Grá…co da função log-verossimilhança (equação (5.6)), considerando os dados da Tabela 5.1. -30 -35 log verossimilhança 50 -40 -45 -50 -55 0 5 10 τ 2 15 2 Figura 5.2. Per…l para da função de log-verossimilhança, (equação (5.6)) considerando M = 1; 04. 5.2. MODELO DE EFEITOS ALEATÓRIOS 51 Tabela 5.2. Estimativa dos parâmetros dos modelos de efeito …xo e aleatórios. 2 Modelo (IC 95%)* M (IC 95%)* Efeito …xo 0,707 (0,53; 0,88) Efeitos aleatórios 1,038 (0,64; 1,43) 0,554 (0,22; 1,35) * intervalos de con…ança 95% A estatística do teste Q de Cochran (1954) é dada por Q = 89; 79, o que leva à rejeição da hipótese nula de homogeneidade entre os estudos (Q > 221 ). A estatística I 2 é igual a 76; 8%, evidenciando uma grande heterogeneidade entre os estudos. Consequentemente, as estimativas de M obtidas do modelo de efeito …xo diferem das estimativas do modelo de efeitos aleatórios (ver Tabela 5.2). Observa-se que, se utilizarmos um modelo de efeito …xo, assumindo homogeneidade entre os estudos, temos um odds ratio estimado em e0;707 ' 2; 0, sugerindo um efeito protetor do Hypericum perforatum em relação aos sintomas da depressão. O intervalo de con…ança 95% para o odds ratio obtido do modelo de efeito …xo é dado por (e0;53 ; e0;88 ) ou (1; 70; 2; 41). Como este intervalo de con…ança não contém o valor 1, temos evidências de que o efeito do …toterápico é superior ao do placebo. Por outro lado, os modelos de efeitos aleatórios estimam o odds ratio em e1;038 ' 2; 82, com intervalo de con…ança 95% dado por (1; 90; 4; 18), mostrando que ao assumirmos que os estudos são entre si heterogêneos, o efeito é ainda maior que aquele estimado considerando os estudos homogêneos. Com base no teste Q de Cochran e na estatística I 2 , podemos tomar as estimativas obtidas do modelo com efeitos aleatórios como as mais adequadas à metanálise. Apresentamos a seguir um programa SAS para o modelo de efeito …xo, considerando os dados da Tabela 5.1. As variâncias (conhecidas) da medida de efeito de cada estudo devem ser introduzidas no programa SAS em uma variável com nome "est" (não modi…car este nome). No procedimento MIXED, a função PDATA= na linha PARMS lê os valores da variável "est". data dados; input estudo d1 n1 d0 n0; lnor=log((d1*(n0-d0))/(d0*(n1-d1))); est=1/d1+1/(n1-d1)+1/d0+1/(n0-d0); cards; 1 35 53 12 54 2 23 37 15 35 3 24 49 16 49 4 4 25 2 25 5 45 80 12 79 6 26 98 19 102 7 46 113 56 116 8 98 186 80 189 9 55 123 57 124 52 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES 10 57 106 22 47 11 46 70 34 70 12 34 48 25 49 14 19 30 3 30 16 29 44 3 44 17 15 25 3 24 18 10 20 4 20 19 14 20 9 20 20 29 55 31 57 21 20 25 11 25 22 20 32 6 33 23 28 50 13 55 24 34 60 17 59 ; proc mixed method=ml data=dados; class estudo; model lnor= /s cl; repeated / group=estudo; parms / pdata = dados eqcons = 1 to 22; run; A seguir, apresentamos um programa SAS para o modelo de efeitos aleatórios. As estimativas conhecidas das variâncias da medida de efeito de cada estudo devem ser inseridas na linha "parms". proc mixed method=ml data=dados; class estudo; model lnor= /s cl; random intercept / subject=estudo s; repeated / group=estudo; parms (0.01 to 2.00 by 0.01) (0.1913) (0.2316) (0.1745) (0.8411) (0.1491) (0.1170) (0.07119) (0.04324) (0.06536) (0.1234) (0.1206) (0.1825) (0.5139) (0.4589) (0.5476) (0.5125) (0.4401) (0.1437) (0.4123) (0.3370) (0.1819) (0.1505) / eqcons=2 to 23; make ’parms’ out=Parmsml; run; Uma outra maneira de obter as estimativas de M e 2 utilizando o programa SAS é a partir do procedimento NLP. Este procedimento oferece um conjunto de técnicas de otimização para minimizar ou otimizar uma função não linear. No nosso caso, usamos o procedimento NLP para obter os valores de M e 2 que maximizam a função de log-verossimilhança, denotada por vero nas linhas abaixo. 5.3. MODELOS COM COVARIÁVEIS 53 proc nlp tech=tr phes cov=2 vardef=n pstderr data=dados; max vero; decvar teta tau; ln1=-0.5*log(2*3.141617*(tau+est)); ln2=-0.5*(lnor-teta)*(lnor-teta)/(tau+est); ln=ln1+ln2; vero=sum(ln); run; Exemplo 5.2 Considere os dados do Exemplo 3.6, relativos à metanálise apresentada por Lustosa et al. (2008), apresentados na Tabela 3.8. Neste caso, a medida de tamanho de efeito de tratamento é a diferença entre as médias. A estatística Q de Cochran é igual a 39; 78, o que leva à rejeição da hipótese nula de homogeneidade entre os estudos (Q > 24 ). A estatística I 2 é igual a 89; 94%, evidenciando uma expressiva heterogeneidade entre os estudos desta metanálise. Tabela 5.3. Estimativas dos parâmetros dos modelos de efeito …xo e efeitos aleatórios considerando os dados da Tabela 3.8. ^M (IC95%) Modelo ^2 (IC95%) Efeito …xo 4,72 (3,42; 6,03) Efeitos aleatórios 4,71 (0,98; 8,44) 7,62 (0 ; 19,58) A Tabela 5.3 exibe as estimativas dos modelos de efeito …xo e efeitos aleatórios com seus intervalos de con…ança 95%. Observa-se que apesar das estimativas de M serem próximas segundo os dois modelos, o intervalo de con…ança 95% para M estimado pelo modelo de efeito aleatório apresentou maior amplitude que o intervalo de con…ança estimado pelo modelo de efeito …xo. 5.3 Modelos com covariáveis Se inserirmos uma covariável X no modelo de efeitos …xos, sua forma será Yj = ln(ORj ) = 0 + 1 xj + "j ; onde xj é uma observação de Xj para o j-ésimo estudo, Yj é o logaritmo do odds ratio para o j-ésimo estudo, 0 e 1 são parâmetros desconhecidos e "j é o erro associado ao modelo com distribuição normal com media zero e variância e2j conhecida dada pela expressão (3.7). Temos então Yj N ( 0 + 1 xj ; e2j ). A função de verossimilhança L( L( 0; 1) = J Q j=1 2 e2j 0; 1 2 1) é dada por 2 J X (yj exp 4 j=1 0 2e2j 3 2 x ) 1 j 5 (5.9) 54 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES e seu logaritmo é J ln L( 0; 1) = Derivando ln L( 0; 1) J 1X ln 2 e2j 2 j=1 1 X (yj 2 j=1 em relação a @ ln L( @ 0; 1) = 0 0, e2j temos J X yj 1 xj 0 e2j j=1 2 1 xj ) 0 : ; e igualando a zero este resultado, temos que o estimador de máxima verossimilhança para 0 é dado por b = 0 sendo wj 1 = e2j . Derivando ln L( ^ xj 1 J y P j e2j j=1 0; = J P 1 2 j=1 e j 1) @ ln L( @ 1) b xj 1 wj yj j=1 J P wj ; j=1 em relação a 0; J P = 1 1 temos J X xj (yj 1 xj ) 0 e2j j=1 Igualando a zero este resultado, temos que o estimador de máxima verossimilhança para 1 é dado por b = 1 J P wj j=1 ! J P j=1 J P wj xj yj j=1 wj xj !2 ! J P wj xj j=1 J P j=1 wj ! J P ! j=1 J P j=1 wj x2j ! wj yj ! : Um modelo de efeitos aleatórios que inclui uma covariável com valores observados xj tem a forma Yj = ln(ORj ) = 0 + 1 xj + j + "j ; onde j N (0; 21 (1 xj ) + 22 xj ) e "j N (0; e2j ) se xj é uma variável binária (assumindo valores 0 e 1). Expressões para b 0 e b 1 são similares às anteriores, mas agora devemos considerar wj 1 = 21 (1 xj ) + 22 xj + e2j : 5.3. MODELOS COM COVARIÁVEIS 55 Exemplo 5.3 Considere os dados do Exemplo 5.1, referentes à metanálise de Linde et. al. (2005) sobre ensaios clinicos controlados aleatorizados duplo-cegos da e…cácia do …toterápico Hypericum perforatum no tratamento do transtorno depressivo em adultos (Tabela 5.1). Neste trabalho, os estudos foram divididos segundo dois níveis de severidade da depressão. O primeiro (Hansgen) até o décimo segundo estudo (Witte) da Tabela 5.1 consideram ensaios clínicos restritos a pacientes com depressão mais severa, ou seja, xj = 0; j = 1; 2; :::; 12. Os demais estudos (Halama a Winkel) não consideram alguma restrição para o grau de severidade da depressão dos pacientes, ou seja, xj = 1; j = 13; 14; :::; 22.. A Tabela 5.4 apresenta os resultados do ajuste dos modelos de efeito …xo e efeitos aleatórios, considerando o nível de restrição (restrito ou não a severidade da depressão). Tabela 5.4. Estimativas dos modelos de efeito …xo e efeitos aleatórios para os dados da Tabela 5.1. erro estimativa p valor IC 95% padrão Modelo de 0,4969 0,0971 <0,01 (0,2943 ; 0,6994) 0 efeito …xo 0,8553 0,1956 <0,01 (0,4472 ; 1,2634) 1 Modelo de 0,6510 0,1973 <0,01 (0,2642 ; 1,0377) 0 efeitos aleatórios 0,9385 0,3609 0,02 (0,2311 ; 1,6459) 1 2 0,3105 0,1818 0,10 1 2 0,5453 0,3722 0,16 2 O modelo de efeito …xo estima o OR para os ensaios clínicos restritos a pacientes com depressão mais severa em e0;4969 = 1; 64, com um intervalo de con…ança 95% dado por (e0;2943 = 1; 34; e0;6994 = 2; 01). A um nível de signi…cância de 5%, rejeitamos a hipótese nula H0 : 1 = 0 (p < 0; 01), ou seja, temos evidências de que o OR metanalítico é diferente entre os dois grupos de estudos. O OR para os estudos que não consideram alguma restrição para o grau de severidade da depressão dos pacientes é dado por e0;4969+0;8553 = 3; 87. Para o ajuste do modelo de efeitos …xos, assumiremos j N (0; 21 (1 xj )+ ou seja, 21 é a variância entre os ensaios clínicos restritos a pacientes com depressão mais severa e 22 é a variância entre os estudos que não consideram alguma restrição para o grau de severidade da depressão. O modelo de efeito …xo estima o OR para os ensaios clínicos restritos a pacientes com depressão mais severa em e0;651 = 1; 92, e para os demais estudos em e0;651+0;9385 = 4; 9. 2 2 xj ), 56 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES Capítulo 6 Métodos bayesianos em metanálise A origem do método bayesiano é atribuída a Thomas Bayes, um pastor da Igreja Presbiteriana que viveu entre 1701 e 1761. As idéias centrais surgiram do texto “An essay towards solving a problem in the doctrine of chances”, publicado em 1763 no periódico The Philosophical Transactions of the Royal Society, onde Bayes descreve uma técnica usada para estimar a probabilidade de um evento ocorrer sob uma determinada circunstância, usando uma estimativa “a priori” da probabilidade de sua ocorrência. Até o início do século XX, o trabalho de Bayes ainda era ignorado por muitos estatísticos. A ausência de recursos computacionais exigidos pelas aplicações dos métodos bayesianos fez com que somente a partir da segunda metade do século XX estas idéias encontrasse um espaço na pesquisa cientí…ca. Atualmente, a aplicação de métodos bayesianos nas diversas áreas do conhecimento é facilitada por programas de computador especí…cos, como o WinBUGS, voltado a algoritmos Monte Carlo em cadeia de Markov (Lunn et al., 2000). O uso de métodos bayesianos em ensaios clínicos é discutido por Louis (2005) e Goodman (2005). Segundo Pereira (1995), o método bayesiano considera dois tipos de informação: a proveniente do conhecimento do cientista e aquela contida em dados observados. Enquanto o método clássico (ou “frequentista”) utiliza somente estes dados observados, a “evidência experimental”, o método bayesiano representa a opinião do cientista por uma distribuição de probabilidades que será calibrada pela observação dos dados. A informação vinda do conhecimento do cientista é chamada de “a priori ”, enquanto que a informação já calibrada pela observação dos dados é a chamada “a posteriori ”. A escolha da informação a priori pode basear-se em pesquisas anteriores ou no conhecimento que o pesquisador acumulou ao longo de sua vida pro…ssional. Em outras situações não existe uma base objetiva para a escolha da informação a priori, sendo esta determinada exclusivamente pela expectativa subjetiva do pesquisador, que estaria transmitindo seu “sentimento” ao modelo probabilístico que representa 57 58 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE esta distribuição. Enquanto o método da máxima verossimilhança considera os parâmetros de um modelo como constantes desconhecidas, o método bayesiano entende o parâmetro ' como uma variável aleatória que obedece a uma determinada função densidade de probabilidade. A informação a priori para um parâmetro ' de interesse é então representada por um modelo probabilístico, cuja distribuição é denotada por ('). Por exemplo, se ' é uma porcentagem, tal que ' 2 [0; 1], podemos especi…car que (') tem distribuição beta com parâmetros a e b. Como o parâmetro de interesse é ', então a e b são denominados hiperparâmetros, e geralmente são valores …xados pelo pesquisador. Temos então (') = 1 'a B(a; b) 1 (1 b 1 ') para 0 < ' < 1, onde a > 0, b > 0 e B(a; b) é a função beta dada por R1 a 1 b 1 ' (1 ') d'. Supondo que em uma amostra aleatória tamanho n ob0 servamos z eventos, de…nimos a variável aleatória Z tal que (Z = z j ') = n z ' (1 z n z ') If0;1;2;:::;ng (z): Assim, (Z = z j ') representa a distribuição dos dados amostrais. O teorema de Bayes diz que ou seja, (' j Z = z) = R (' j Z = z) = (Z = z j ') (') ; (Z = z j ') (') d' n z+a 1 n z+b ' (1 ') z R1 n n 'z+a 1 (1 ') 0 z 1 (6.1) I(0;1) (') z+b 1 d' n z+b 1 = 'z+a 1 (1 ') I(0;1) ('): B (z + a; n z + b) Observamos que (' j Z = z) segue uma distribuição beta, com parâmetros z+a e n z+b. A partir desta distribuição a posteriori são produzidas inferências para o parâmetro '. Uma estimativa de ' pode ser obtida pela média ou pela mediana da distribuição a posteriori. Com a e b conhecidos, uma estimativa bayesiana de ' obtida pela média de ' j Z = z é obtida por ' b bayes = a+z ; a+b+n dado que ' j Z = z Beta (z + a; n z + b). A distribuição a posteriori fornecida pelo método bayesiano permite estimar o chamado intervalo de credibilidade, através dos percentis de ' j Z = z. Esta medida é similar ao intervalo 59 de con…ança gerado pelo método clássico, onde um intervalo com coe…ciente de 95% signi…ca que se o experimento fosse repetido um número grande de vezes, de cada 100 destas repetições, aproximadamente 95 produziriam um intervalo que contém o verdadeiro (e desconhecido) valor do parâmetro estimado. Por sua vez, o intervalo de credibilidade 95% é um intervalo em que se estima que há uma chance de 95% do verdadeiro valor do parâmetro estimado estar nele contido. O denominador da expressão (6.1), dado por Z (Z = z j ') (') d' é chamado fator de normalização. Considerando a distribuição dos dados amostrais dada pela função de verossimilhança, genericamente denotada por L (Z j '), temos a expressão genérica para o teorema de Bayes dada por (' j z) / L (z j ') (') ; considerando o fator de normalização constante e z o vetor de observações amostrais. O fato de (' j z) nem sempre possuir uma forma analítica pode ser um grande obstáculo nas aplicações do método bayesiano. Isto é comum em situações multidimensionais, onde desejamos estimar vários parâmetros de interesse. Uma maneira de garantir que a posteriori tenha uma forma conhecida é a especi…cação da chamada priori conjugada, ou seja, a escolha de uma distribuição (') que tem por propriedade trazer do produto L (z j ') (') uma posteriori (' j z) com distribuição pertencente à mesma família de ('). No exemplo anterior, vimos que os dados amostrais têm distribuição binomial, e, ao assumirmos uma distribuição a priori beta, a distribuição a posteriori para o parâmetro de interesse também possui distribuição beta. Uma distribuição a priori não informativa é aquela que tem por intenção trazer pouco poder explanatório ao parâmetro desconhecido de interesse. É muitas vezes utilizada nas situações onde o pesquisador dispõe de nenhum ou pouco conhecimento em relação ao parâmetro de interesse. Uma propriedade importante de uma distribuição a priori não informativa é não ser variante a transformações (ver, por exemplo, Gill, 2007). No exemplo anterior, a distribuição uniforme não possui esta propriedade, dado que transformações resultam em expressões que não são uniformes e acaba assim perdendo o “senso de não informação” sugerido pela sua característica original de que todos os valores no intervalo são equiprováveis. Uma solução é o uso da chamada priori de Je¤ reys (Je¤reys, 1961), dada por (') = EZj' 1 2 @2 ln f (z j ') @'2 1 : 1 1 No exemplo anterior, temos (') / ' 2 1 (1 ') 2 , ou seja, a priori de Je¤reys segue uma distribuição Beta(0; 5; 0; 5). Ver em Box e Tiao (1973, p.25) outras vantagens do uso desta distribuição a priori. 60 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE Em algumas situações, não queremos estimar um parâmetro ', mas um vetor ' = ('1 ; '2 ; :::; 'k ) de k parâmetros. Sendo estes parâmetros independentes, a informação a priori (') para ' é dada por (') = ('1 ) ('2 ) ::: ('k ), onde cada parâmetro não possui necessariamente a mesma distribuição. Sendo t = ft1 ; t2 ; :::; tn g observações de uma amostra aleatória T = fT1 ; T2 ; :::; Tn g tamanho n, a distribuição a posteriori para ' é dada por ('jT = t) = ('1 ; '2 ; :::; 'k jT = t) / L(') ('): Como esta distribuição é escrita em função de um conjunto de parâmetros, é denominada distribuição a posteriori conjunta para '. Para podermos fazer inferências sobre cada parâmetro '1 ; '2 ; :::; 'k , precisamos das distribuições ('1 jT = t); ('2 jT = t); :::; ('k jT = t). Estas distribuições são chamadas de distribuições a posteriori marginais para '1 , '2 ; :::; 'k , e são obtidas por métodos de integração: Z Z Z ::: ('1 ; '2 ; :::; 'k jT = t)d'2 d'3 :::; d'k ; ('1 jT = t) = 'k '2 '3 Z Z Z ::: ('1 ; '2 ; :::; 'k jT = t)d'1 d'3 :::; d'k ; ('2 jT = t) = ::: ('k jT = t) = '1 Z '1 '3 Z '2 'k ::: Z 'k ('1 ; '2 ; :::; 'k 1 1 jT = t)d'1 d'2 :::; d'k 1: No entanto, nem sempre é fácil resolver estas integrais. Uma solução é o uso de métodos numéricos ou de métodos de aproximações, como o método de Laplace (ver, por exemplo, Tierney e Kadane, 1986, ou Wong e Li, 1992). Uma outra solução consiste em simular as distribuições marginais através dos chamados métodos Monte Carlo (Metropolis e Ulam, 1949). Assim, por exemplo, '1 pode ser estimado pela média dos valores simulados para a distribuição marginal ('1 jT = t). Mais especi…camente, estas distribuições marginais são obtidas pelo chamado método Monte Carlo via cadeias de Markov (abreviado por MCMC, de Markov chain Monte Carlo). Para a compreensão do conceito de cadeia de Markov, seja J um conjunto arbitrário, por exemplo, o conjunto dos números inteiros f0; 1; 2; 3; :::g. Sejam T(0) ; T(1) ; T(2) , ..., variáveis aleatórias, sendo que T = fT(j) ; j 2 Jg denota a família destas variáveis aleatórias. Tal família de variáveis é chamada de processo estocástico, se estas variáveis aleatórias são de…nidas em um mesmo espaço de probabilidades. Os valores de T(j) são comumente chamados de estados, sendo que as variáveis aleatórias da seqüência T(0) ; T(1) ; T(2) , ..., assumem valores dentro de um conjunto enumerável K chamado de espaço dos estados. Um processo T é uma cadeia de Markov se o seu i-ésimo estado (i 2 J) é dependente apenas do seu estado imediatamente anterior, mas independe de todos os demais estados anteriores. Matematicamente falando, P (T(i) = kjT(0) ; T(1) ; T(2) ; :::; T(i 1) ) = P (T(i) = kjT(i 1) ); 61 para algum i 1 e k 2 K. Uma cadeia de Markov é assim representada por uma série de variáveis aleatórias cujos estados movem-se sem possuir uma “memória” dos estados anteriores. O método MCMC consiste então em simular uma variável aleatória através de uma cadeia de Markov, cuja distribuição assintoticamente se aproxima das distribuições ('1 jT = t); ('2 jT = t); :::; ('k jT = t). Dentre os métodos MCMC utilizados com este propósito, dois são mais usuais: os amostradores de Gibbs (introduzidos por Geman e Geman (1984)) e o algoritmo de Metropolis-Hastings. Ambos métodos consistem em gerar amostras para '1 jT = t, '2 jT = t, ..., 'k jT = t a partir das distribuições condicionais ('1 j'2 ; '3 ; :::; 'k ; T = t), ('2 j'1 ; '3 ; :::; 'k ; T = t), ..., ('k j'1 ; '2 ; :::; 'k 1 ; T = t), que podem ser escritas a partir da distribuição a posteriori conjunta ('jT = t). Quando estas distribuições condicionais possuem uma forma conhecida, os amostradores de Gibbs são obtidos por um algoritmo da forma: (i) estabelecemos valores iniciais '(0) para cada parâmetro de ', os chamados “chutes iniciais”; (ii) estabelecemos um número N de ciclos (os estados da cadeia de Markov), e, para i = 1; :::; N; seguem iterativamente os passos (iii) a (vi): (i) (i 1) ; '3 (i) (i) (i 1) (i) (i) (i) (iii) geramos um valor '1 de ('1 j'2 (i 1) (iv) geramos um valor '2 de ('2 j'1 ; '3 (i 1) ; :::; 'k (i 1) ; :::; 'k (i 1) (v) geramos um valor '3 de ('3 j'1 ; '2 ; :::; '4 ; T = t); ; T = t); (i 1) ; :::; 'k ; T = t); e assim por diante, até (vi) (i) 'k (i) (i) (i) de ('k j'1 ; '2 ; :::; 'k 1; T = t). (d) (d) (d) Após um número d relativamente grande de iterações, temos ('1 ; '2 ; '3 ; (d) :::; 'k ). Sob algumas condições, Geman e Geman (1984) mostraram que: (d) (d) (d) (d) (a) ('1 ; '2 ; '3 ; :::; 'k ) converge em distribuição para ('1 ; '2 ; '3 ; :::; 'k ); (d) (d) (d) (d) (b) a densidade conjunta de ('1 ; '2 ; '3 ; :::; 'k ) converge para a “verdadeira” densidade conjunta com uma taxa geométrica d; e (c) para alguma função G de '1 ; '2 ; '3 ; :::; 'k com esperança existente, d 1 X (l) (l) (l) (l) q:c: ('1 ; '2 ; '3 ; :::; 'k ) ! E(G('1 ; '2 ; '3 ; :::; 'k )): lim d!1 d l=1 Este último resultado é chamado de teorema ergódico (Gelfand e Smith, q:c: 1990), onde a notação Zd ! Z denota que Zd converge quase certamente a Z, ou seja, lim P (Zd = Z) = 1. Assim, a partir destes resultados, N ciclos d!1 produzem N valores ('1 (i); '2 (i); '3 (i); :::; 'k (i)), i = 1; :::; N , onde a densidade dos valores gerados para '1 (i); '2 (i); '3 (i); :::; 'k (i) estimam respectivamente as densidades '1 ; '2 ; '3 ; :::; 'k . 62 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE 6.1 Modelo bayesiano de efeito …xo Considerando o modelo (5.1), assumiremos uma distribuição normal a priori para M ; ou seja ( M ) N a; b2 ; com a e b conhecidos. A distribuição a posteriori para M é proporcional ao produto L ( M ) ( M ), onde L ( M ) é dado por (5.2), ou seja, 3 2 " # J 2 2 X ( a) (y ) M j M 2 5 exp 4 M j a; b; e ; y / exp 2b2 2e2j j=1 2 0 12 3 J y P a j 0 1 6 J 2 + b2 C 7 B 6 1 X j=1 e j 1 1 B C 7 @ AB M / exp 6 C 7; 2 6 2 2 J P 1 b @ 1 A 7 e 5 4 j=1 j 2 b2 j=1 e j onde y = (y1 ; y2 ; :::; yJ ) e e 2 = (e21 ; e22 ; :::; e2J ): Assim, 0 J P yj a B j=1 e2 + b2 1 B j 2 NB J ; J M j a; b; e ; y @P 1 1 P 1 2 b2 j=1 e2j j=1 e j O estimador bayesiano de M 1 C C C: 1 A b2 é dado pela média a posteriori bBayes J y P a j 2 + b2 j=1 e j : = J P 1 1 2 b2 j=1 e j (6.2) Notar que quando b tende ao in…nito, estimador bayesiano bBayes torna-se próximo ao estimador de máxima verossimilhança (5.3). 6.2 Modelo bayesiano de efeitos aleatórios Considerando o modelo (5.4), seja j = M + j . Assim, Yj = j + "j , e considerando j N 0; 2 e Yj N ( M ; 2 + e2j ), para j = 1; 2; :::; J. Seja d j ): Para o = ( 1 ; 2 ; :::; J ) 0 um vetor de efeitos aleatórios, tal que ^ j = ln(OR j-ésimo estudo, temos ^ N ; e2 . Considerando conhecidas as variâncias j j j e2j ; a distribuição dos dados y = (y1 ; y2 ; :::; yJ ) observados é 8 9 2 > > ^ J < X = j j f (y j ) / exp : > > 2e2j : j=1 ; 6.2. MODELO BAYESIANO DE EFEITOS ALEATÓRIOS Considerando para é 1; j M; 2 ; :::; 2 63 independentes, a distribuição conjunta a priori J = exp 8 J < X : M j 2 j=1 9 2= p ; 2 J 1 Do teorema de Bayes, a distribuição a posteriori para : 2 2 para M e 2 …xos é j y; 2 M; / f (y j 2 ) j M; 8 > ^ J <X j 6 1 / 4 exp > 2 : j=1 ou seja, j j y; 2 M ; ej ; 2 2^ N Assim, um estimador bayesiano de b = 2 j + e2j J X M j 2 j=1 2 j + ej M e2j + 2 j, 2^ j Bayes 2 ; e2j 2 2 + e2j ! 93 2> = 7 5; > ; : (6.3) dado pela média a posteriori, é 2 j + ej M 2 ej + 2 : Notar que, se 2 = 0; o estimador bayesiano de j é igual a M para todos os estudos que compõem a metanálise, levando a uma situação em que os estudos são necessariamente homogêneos. Assumiremos uma distribuição normal a priori para M ; ou seja ( M ) N a; b2 ; com a e b conhecidos. Sendo a distribuição a posteriori para M proporcional a L( M ; 2 ) ( M ), temos 3 2 " # J 2 2 X (y ) 1 ( a) j M M 2 2 5 exp ; e ; y / exp 4 M j a; b; 2 + e2 2 j=1 2b2 j 2 0 12 3 J P yj a 0 1 + 2C 7 6 J B 2 + e2 b C 7 6 1 X j=1 1 1 B j @ AB M / exp 6 C 7; 2 6 2 2 J 2+e P b @ 1 1 A 7 4 5 j j=1 2 + e2 b2 j=1 j onde e 2 = (e21 ; :::; e2J ), ou seja, para um 2 …xo, 0 J P a yj B j=1 2 + e2 + b2 B j 2 ; e 2; y N B J ; J M j a; b; @P 1 1 P 2 + e2 b2 j=1 j=1 j 1 1 2 + e2 j 1 C C C: 1 A b2 (6.4) 64 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE O estimador bayesiano de M é então dado pela média a posteriori J P j=1 bBayes = J P j=1 2 yj a + 2 b + e2j 1 2 + e2 j 1 b2 : Notar quando b tende ao in…nito, o estimador bayesiano bBayes torna-se igual ao estimador de máxima verossimilhança (5.7). E ainda, se 2 = 0; bBayes torna-se igual ao estimador bayesiano (6.2) obtido do modelo de efeitos …xos. Se assumirmos uma distribuição a priori gama inversa (GI) para GI (c; d) ; c e d conhecidos, temos 2 (c+1) 2 / d exp 2 j y; ; M / f (y j J 2 2 / ) j para um 2 2 2 0 2 2 M j 2 39 d 5= + 2 ; 1 2 J J X GI @c + ; 2 j=1 M M j j=1 j c; d; y; ; …xo é M 2 8 2 J < X (c+1) 4 exp : ou seja, 2 M; 2 2 ; : 2 A distribuição condicional a posteriori para 2 + dA : (6.5) Assim, as distribuições condicionais para o algoritmo de amostradores de Gibbs (Casella e George, 1992) são dadas por (6.4), (6.3) e (6.5). Se assumirmos uma distribuição a priori uniforme para (c; d) ; c e d conhecidos, temos 2 = 1 d c 2 I(c;d) A distribuição condicional a posteriori para 2 j y; ; M / f (y j / 2 j M; 2 8 2 J < X 4 exp : 2 j=1 ; 2 U nif orme : para um M …xo é 2 ) J 2 2 2 M j 2 2 39 = 5 ; 1 2 d c I(c;d) 2 : 6.2. MODELO BAYESIANO DE EFEITOS ALEATÓRIOS Notar que, assumindo c = 0 e d ! 1; temos 0 J X J 2 1; j c; d; y; ; M GI @ 2 j=1 2 M j 2 65 1 A: Exemplo 6.1 Considerar os dados da Tabela 5.1, referentes à metanálise de Linde et al. (2005). Vamos desconsiderar os estudos de Halama e Osterheider, que apresentam valores de d0 .ou d1 iguais a zero. Tabela 6.1. Estimativas dos parâmetros dos modelos bayesianos de efeito …xo e aleatórios 2 Modelo (IC 95%)* M (IC 95%)* Efeito …xo 0,707 (0,54; 0,87) Efeitos aleatórios 1,038 (0,64; 1,46) 0,657 (0,24; 1,42) * intervalos de credibilidade 95% A Tabela 6.1 apresenta estimativas bayesianas para os parâmetros dos modelos de efeito …xo e efeitos aleatórios. Notamos que estas estimativas são próximas àquelas obtidas pelos modelos frequentistas, cujos resutados são exibidos na Tabela 5.2. Nesta análise bayesiana, foram geradas a partir do algoritmo de amostradores de Gibbs 105.000 amostras para cada parâmetro de interesse em saltos tamanho 10 para a obtenção de observações independentes, sendo as 5.000 amostras descartadas para evitar algum efeito dos valores iniciais (burn-in samples). Foi considerada uma distribuição a priori não informativa normal com média 0 e variância bastante grande para M , e gama inversa para 2 com ambos hiperparâmetros iguais a 0; 001. Os modelos Bayesianos foram implementados no programa WinBUGS (Lunn et al., 2000). Conduzimos uma rápida análise da sensibilidade do modelo bayesiano de efeitos aleatórios à especi…cação da distribuição a priori para 2 . Considerando a priori 2 U nif orme(0; 10), temos o odds ratio estimado em 2,81 e 2 estimado em 0,536 com intervalo de credibilidade 95% dado por (0,19;1,13). Considerando a priori 2 U nif orme(0; 50), o odds ratio é estimado em 2,82 e 2 estimado em 0,534 com intervalo de credibilidade 95% dado por (0,19;1,14). Considerando a priori 2 GI(3; 1) (ver motivação em Smith et al., 1995), temos o odds ratio estimado em 2,84 e 2 estimado em 0,541 com intervalo de credibilidade 95% dado por (0,24;1,06). Observamos então que as estimativas Bayesianas de e M e de 2 possuem baixa sensibilidade à especi…cação de 2 em relação a estes ajustes A seguir, listamos os programas WinBUGS para os modelos bayesianos de efeitos …xos e aleatórios, considerando os dados de Linde et al. (2005). 66 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE # Programa WinBUGS para o modelo de efeitos fixos model{ for (i in 1: N) { y[i] dnorm(teta,omega[i]) omega[i] <- 1/sigma[i] } teta dnorm(0,.001) } list(sigma = c(0.19127, 0.23157, 0.17447, 0.84110, 0.14905, 0.11703, 0.07119, 0.04324, 0.06536, 0.12341, 0.12060, 0.18251, 0.51391, 0.45887, 0.54762, 0.51250, 0.44012, 0.14366, 0.41234, 0.33704, 0.18190, 0.15051), y =c(1.91774, 0.78412, 0.68310, 0.78412, 1.97110, 0.45583, -0.30706, 0.41695, -0.05053, 0.27906, 0.70775, 0.84648, 2.74377, 3.27421, 2.35138, 1.38629, 1.04797,-0.06669, 1.62746, 2.01490, 1.41388, 1.17272), N=22) # Programa WinBUGS para o modelo de efeitos aleatórios model { for (j in 1: J) { lnor[ j ] dnorm ( teta [ j ], a [ j ]) teta [ j ] dnorm ( mu, prec.sigma) a[ j ] <- 1/varor[ j ] } mu dnorm (0,0.001) prec.sigma dgamma(0.001,0.001) sigma2 <- 1/prec.sigma or <- exp(mu) } list(varor = c(0.19127, 0.23157, 0.17447, 0.84110, 0.14905, 0.11703, 0.07119, 0.04324, 0.06536, 0.12341, 0.12060, 0.18251, 0.51391, 0.45887, 0.54762, 0.51250, 0.44012, 0.14366, 0.41234, 0.33704, 0.18190, 0.15051), lnor = c(1.91774, 0.78412, 0.68310, 0.78412, 1.97110, 0.45583, -0.30706, 0.41695, -0.05053, 0.27906, 0.70775, 0.84648, 2.74377, 3.27421, 2.35138, 1.38629, 1.04797,-0.06669, 1.62746, 2.01490, 1.41388, 1.17272), J=22) list(mu=1, prec.sigma=1, teta=c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0)) 6.2. MODELO BAYESIANO DE EFEITOS ALEATÓRIOS 67 Exemplo 6.2 Considerando os dados do Exemplo 3.6, relativos à metanálise apresentada por Lustosa et al. (2008), apresentados na Tabela 3.8, adaptamos o modelo bayesiano para a estimação de diferenças entre médias. Os resultados são exibidos na Tabela 6.2, considerando distribuições a priori não informativas para os parâmetros. Observar que os resultados encontrados são próximos àqueles obtidos do modelo frequentista (Tabela 5.3). Tabela 6.2. Estimativas bayesianas dos parâmetros dos modelos de efeito …xo e aleatórios, referentes aos dados da Tabela 3.8. 2 Modelo (IC 95%)* M (IC 95%)* Efeito …xo 4,718 (3,794; 5,641) Efeitos aleatórios 4,711 (0,874; 8,697) 19,09 (2,442; 87,19) * intervalos de credibilidade 95% 68 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE Capítulo 7 O viés de publicação O viés de publicação é o efeito que uma espécie de favorecimento às pesquisas com resultados positivos exece sobre os resultados de uma metanálise. Em outras palavras, trabalhos cientí…cos cujos resultados con…rmem as expectativas dos pesquisadores ou dos patrocinadores do estudo teriam maior chance de sucesso em ter seus resultados publicados (Caramelli, 2006). Se os estudos sem resultados positivos não são publicados nos periódicos, estarão ausentes das metanálises, que estimarão então medidas metanalíticas evidenciando resultados inadequadamente mais otimistas de uma intervenção. Ferramentas usuais na detecção do viés de publicação são o grá…co do funil (Egger et al., 1997) e os testes de Begg (Begg e Mazumdar, 1994) e de Egger (Egger et al., 1997). 7.1 Grá…co do funil O grá…co do funil (funnel plot) é uma ferramenta simples e bastante utilizada para a detecção de viés de publicação (Egger et al., 1997; Terrin et al. 2005). Tem esse nome pela disposição dos pontos que representam os estudos de uma metanálise em um grá…co de dispersão tem a aparência de um funil invertido, nas situações onde o viés de publicação é ausente. O grá…co do funil traz no eixo das abscissas as medidas de efeito estimadas para cada um dos estudos que compõem a metanálise na escala logarítmica, e no eixo das ordenadas o respectivo peso de cada estudo ou o tamanho amostral (Leandro, 2005). Quando o grá…co exibe uma disposição assimétrica de pontos, há evidências de que o viés de publicação está presente na metanálise (Egger et al., 1997). A Figura 7.1 mostra grá…cos do funil para os dados da metanálise de Costa e Krauss-Silva (2004) sobre o efeito da antibioticopro…laxia na histerectomia abdominal (Exemplo 4.3) e da metanálise de Linde et. al. (2005) sobre a e…cácia do …toterápico Hypericum perforatum no tratamento do transtorno depressivo em adultos (Exemplo 5.1). 69 70 CAPÍTULO 7. O VIÉS DE PUBLICAÇÃO Figura 7.1. À esquerda, grá…co do funil para a metanálise de Costa e Krauss-Silva (2004), e à direita, para a metanálise de Linde et. al. (2005). Observa-se que os grá…cos do funil para os dados da metanálises de Costa e Krauss-Silva (2004) e de Linde et al. (2005) não mostram uma disposição simétrica dos pontos, o que sugere que algum efeito do viés de publicação esteja presente nos dois trabalhos. Egger et al. (1997) apontam que a heterogeneidade entre os estudos e outros tipos de vieses também podem ser responsáveis por uma assimetria na disposição dos pontos no grá…co do funil. 7.2 Teste de Begg O grá…co do funil pode oferecer um processo bastante subjetivo de avaliação do viés de publicação, dado que diferentes observadores podem obter conclusões distintas. Begg e Mazumdar (1994) buscaram um diagnóstico mais formal para o viés de publicação, com base no coe…ciente de correlação de postos de Kendall (1938) calculado entre as medidas de tamanho de efeito de tratamento e suas variâncias. Sejam (bj ; e2j ); j = 1; 2; :::; J; as estimativas de tamanho de efeito de tratamento e as suas respectivas variâncias conhecidas. Em um primeiro passo, as medidas bj são padronizadas como onde b = j bj bM = bM ej J b P j j=1 e2j J P 1 2 j=1 e j ; 7.2. TESTE DE BEGG 71 é a medida metanalítica estimada e ej 2 = e2j 1 J P j=1 1 e2j é a variância de bj bM . O passo seguinte envolve o cálculo do coe…ciente de correlação de Kendall entre bj e as respectivas variâncias e2j . Coe…cientes signi…cativos evidenciam a presença do viés de publicação. Sejam b ; e2 e j b ; e2 pares de observações. Se J i i i > j; temos J(J j 1)=2 possíveis pares. Em um dado par, se bj bi tem o mesmo sinal que e2i , dizemos que este par é concordante, caso contrário, dizemos que ele é discordante. Na ausência de empates (ties), P é o número de pares concordantes, e Q é o número de pares discordantes, tal que P + Q = J(J 1)=2. O coe…ciente de correlação K de postos de Kendall é estimado por e2j bK = rK = 2 P Q : J(J 1) Observamos que 1 rK 1, sendo que rK = 1 quando todos os pares são concordantes e rK = 1 quando todos os pares são discordantes. Na ausência de empates, Begg e Mazumdar (1994) utilizam a expressão K=r P J(J Q 1)(2J + 5) 18 como uma estatística de teste. Considerando verdadeira a hipótese nula H0 : K = 0, K segue assintoticamente uma distribuição normal padrão. Em caso de empates, correções devem ser aplicadas a esta estatística. Exemplo 7.1 Dekker et al (2006) publicaram uma metanálise com o objetivo primário de investigar o efeito do uso pro…lático dos fatores de estimulação hematopoiéticos de colônias após transplante de células tronco alogênicas e autólogas em reduzir infecções. Resultados de J = 10 ensaios controlados incluídos nesta metanálise são descritos na Tabela 7.1, onde a variância d é dada pelo método de Woolf. e2j = vd ar(ln OR) 72 CAPÍTULO 7. O VIÉS DE PUBLICAÇÃO Tabela 7.1. Resultados dos estudos Tratamento Estudo d1 n1 Nemunaitis 1991 11 65 De Witte 1992 13 29 Gorin 1992 16 41 Linch 1993 17 23 Gisselbrecht 1994 142 152 Spitzer 1994 2 19 Nemunaitis 1995 34 53 Trigg 2000 10 17 Przepiorka 2001 10 21 Schmitz 2004 66 98 da metanálise de Dekker et al. (2006). Controle d d d0 n0 OR ln OR e2j 19 63 0,47 -0,7513 0,1477 15 28 0,70 -0,3507 0,1580 22 47 0,73 -0,3185 0,1080 22 25 0,39 -0,9510 0,2709 136 146 1,04 0,0432 0,0144 1 18 2,00 0,6931 1,5 51 56 0,18 -1,7405 0,1964 10 18 1,14 0,1335 0,1821 10 21 1,00 0 0,2 86 94 0,19 -1,6510 0,1205 O teste de Begg pode ser facilmente obtido no programa R, onde a função cor.test() estima o coe…ciente de correlação de Kendall. Sejam as linhas a seguir. d1 <- c(11,13,16,17,142,2,34,10,10,66) n1 <- c(65,29,41,23,152,19,53,17,21,98) d0 <- c(19,15,22,22,136,1,51,10,10,86) n0 <- c(63,28,47,25,146,18,56,18,21,94) OR <- d1*(n0-d0)/(d0*(n1-d1)) theta <- log(OR) var <- 1/d1+1/(n0-d0)+1/d0+1/(n1-d1) w <- 1/var thetaM <- sum(theta*w)/sum(w) sigma2K <- var-1/sum(w) thetaK <-(theta-thetaM)/sqrt(sigma2K) cor.test(thetaK,var,method="kendall") O coe…ciente de correlação de Kendall é estimado em rK = 0; 24; com p valor de 0; 38, evidenciando ausência de viés de publicação. Os dados da metanálise de Costa e Krauss-Silva (2004) sobre o efeito da antibioticopro…laxia na histerectomia abdominal (exemplo 4.3) apresentam um coe…ciente de correlação de Kendall estimado em rK = 0; 39 (p = 0; 03), enquanto os dados da metanálise de Linde et. al. (2005) sobre a e…cácia do …toterápico Hypericum perforatum no tratamento do transtorno depressivo em adultos (Exemplo 5.1) apresentam um coe…ciente estimado em rK = 0; 47 (p < 0; 01), sugerindo algum efeito do viés de publicação sobre os resultados de ambas metanálises. 7.3. TESTE DE EGGER 7.3 73 Teste de Egger Sejam (bj ; e2j ); j = 1; 2; :::; J; as estimativas de tamanho de efeito de tratamento e as suas respectivas variâncias conhecidas. Em um primeiro passo, as medidas bj são padronizadas como b b = qj : j e2j Sendo 1 sj 1 = q e2j e wj = 1 ; e2j um modelo de regressão linear baseado na expressão b = j + sj 1 com pesos wj é ajustado. Um desvio signi…cativo de b do valor 0 é interpretado como uma evidência da assimetria em um grá…co do funil e, consequentemente, um idicador da presença do viés de publicação. O teste de Egger pode ser facilmente obtido no programa R, substituindo as duas últimas linhas da sequência de comandos apresentadas para o teste de Begg (Seção 7.2) por: thetaK <- theta/sqrt(var) sinv <- 1/sqrt(var) summary(lm(thetaK ~sinv, weights = w)) Considerando os dados do Exemplo (7.1), as estimativas de sentadas na Tabela 7.2. e são apre- Tabela 7.2. Ajuste do modelo de regressão com pesos wj . Parâmetro Estimativa Erro padrão t valor p valor 1,683 2,619 0,643 0,538 -1,515 1,272 -1,191 0,268 Observa-se um p valor de 0,538 para a signi…cância do parâmetro evidencia a ausência do viés de publicação. , o que 74 CAPÍTULO 7. O VIÉS DE PUBLICAÇÃO Referências bibliográ…cas [1] ALTMAN, D. G. Con…dence intervals for the number needed to treat. British Medical Journal, v. 317, n. 7168, p. 1309-1312, 1998 [2] ALTMAN, D. G. Clinical trials and meta-analyses. In: ALTMAN, D. G.; MACHIN, D.; BRYANT, T. N.; GARDNER, M. J. (ed.). Statistics with con…dence. 2nd ed. London: BMJ Books, 2005. [3] ALTMAN, D. G.; ANDERSEN, P. K. Calculating the number needed to treat for trials where the outcome is time to an event. British Medical Journal, v. 319, n. 7223, p. 1492-1495, 1999. [4] ALTMAN, D. G.; BLAND, J. M. How to randomise. British Medical Journal, v. 319, n. 7211, p. 703-704, 1999. [5] ALTMAN, D. G.; BLAND, J. M. Treatment allocation by minimisation. British Medical Journal, v. 330, n. 7495, p. 843, 2005. [6] ALTMAN, D. G.; DEEKS, J. J. Meta-analysis, Simpson’s paradox, and the number needed to treat. BMC Medical Research Methodology. v.2, n.3,. 2002. [7] ALVES, T. C. A.; AZEVEDO, G. S; CARVALHO, E. S. Tratamento famacológico da neuralgia do trigêmeo: revisão sistemática e metanálise. Revista Brasileira de Anestesiologia, v. 54, p. 836-849, 2004. [8] ATALLAH, A.N. Systematic reviews of medical literature and metanalyses. Sao Paulo Medical Journal, v.114, n.5, p.1285-1287, 1996. [9] ATALLAH, A.N. Revisão sistemática da literatura e metanálise. In: ATALLAH, A.N.; CASTRO, A.A. (ed.). Medicina baseada em evidências: fundamentos da pesquisa clínica. São Paulo: Lemos-Editorial; 1998. p.42-8. 75 76 REFERÊNCIAS BIBLIOGRÁFICAS [10] BEGG, C.B.; MAZUMDAR, M. Operating characteristics of a rank correlation test for publication bias. Biometrics, v.50, n.4, p. 1088-1101, 1994. [11] BENDER, R. Calculating con…dence intervals for the number needed to treat. Controlled Clinical Trials. v. 22, n. 2, p. 102-110, 2001. [12] BERLIN, J.A. Invited commentary: bene…ts of heterogenety in metaanalysis of data from epidemiologic studies. American Journal of Epidemiology,. v. 142, n. 4, p.383-387. 1995 [13] BIGGERSTAFF, B.J.; TWEEDIE, R.L. Incoporating variability in estimates of heterogeneity in the random e¤ects model in meta-analysis. Statistics in Medicine, v. 16, n. 7, p.753-768, 1997. [14] BLAND, J. M.; ALTMAN, D. G. Statistics notes. The odds ratio. British Medical Journal, v. 320, n. 7247, p.1468, 2000. [15] BORENSTEIN, M.; HEDGES, L. V.; HIGGINS, J. P. T.; ROTHSTEIN, H. R. Introduction to meta-analysis. Chichester: John Wiley & Sons, 2009. 421p. [16] BOX, G. E. P.; TIAO, G. C. Bayesian inference in statistical analysis. Boston: Addison Wesley, 1973. [17] BRIDGE, J.A.; IYENGAR, S.; SALARY, C.B.; BARBE, R. P.; BIRMAHER, B.; PINCUS, H.A.; REN, L.; BRENT, D. A. Clinical response and risk for reported suicidal ideation and suicide attempts in pediatric antidepressant treatment: a meta-analysis of randomized controlled trials. Journal of the American Medical Association, v. 297, n. 15, p. 1663-1669, 2007. [18] BROCKWELL, S. E.; GORDON, R. A comparison of statistical methods for meta-analysis. Statistics in Medicine, v. 20, n. 6, p.825-840, 2001. [19] CARAMELLI, B. O registro público obrigatório de ensaios clínicos. Revista Brasileira de Cirurgia Cardiovascular, v. 21, n. 2, p. VII-VIII, 2006. [20] CASELLA, G.; GEORGE, E. I. Explaining the Gibbs sampler. The American Statistician, v. 46, n. 3, p.167-174, 1992. [21] CHINCHILLI, V. M. General principles for systematic reviews and metaanalyses and a critique of a recent systematic review of long-acting agonists. The Journal of Allergy and Clinical Immunology, v. 119, n. 2, p.303-306, 2007. REFERÊNCIAS BIBLIOGRÁFICAS 77 [22] COCHRAN, W. G. The combination of estimates from di¤erent experiments. Biometrics, v.10, p. 101-129, 1954. [23] COCHRANE, A. L. Foreword. In: Chalmers, I.; Enkin, M.; Keirse, M.J.N.C. (ed.). E¤ ective care in pregnancy and childbirth. Oxford: Oxford University Press, 1989. [24] COLDITZ, G. A.; BURDICK, E; MOSTELLER, F. Heterogeneity in meta-analysis of data from epidemiologic studies: a commentary. American Journal of Epidemiology, v. 142, n. 4, p.371-382. 1995. [25] COOK, D. J.; MULROW, C.D.; HAYNES, R. B. Systematic reviews: synthesis of best evidence for clinical decisions. Annals of Internal Medicine, .v. 126, n. 5, p.376-380, 1997. [26] CORDELL, W. H. Number needed to treat (NNT). Annals of Emergency Medicine. v. 33, n. 4, p.433-436, 1999. [27] COSTA, R. J. M.; KRAUSS-SILVA, L. Revisão sistemática e meta-análise da antibioticopro…laxia na histerectomia abdominal. Cadernos de Saúde Pública, v. 20, suppl. 2, p.S175-S189, 2004. [28] COUTINHO, E. Revisão sistemática e meta-análise em odontologia. In: LUIZ, R. R.; COSTA, A. J. L.; NADANOVSKY, P. (Ed.). Epidemiologia e bioestatística na pesquisa odontológica. São Paulo: Atheneu, 2005. p.397403. [29] DEAR, K. B. G.; BEGG, C. B. An approach for assessing publication bias prior to performing a meta-analysis. Statistical Science, v. 7, n. 2, p. 237-245, 1992. [30] DERRY, S.; LOKE, Y. K. Risk of gastrointestinal haemorrhage with long term use of aspirin: meta-analysis British Medical Journal, v. 321, n. 7270, p. 1183-1187, 2000. [31] DEKKER, A.; BULLEY, S.; BEYENE, J.; DUPUIS, L. L.; DOYLE, J. J.; SUNG, L. Meta-analysis of randomized controlled trials of prophylactic granulocyte colony-stimulating factor and granulocyte-macrophage colony-stimulating factor after autologous and allogeneic stem cell transplantation. Journal of Clinical Oncology, v. 24, n. 33, p. 5207-5215, 2006. [32] DERSIMONIAN, R.; LAIRD, N. Meta-analysis in clinical trials. Controlled Clinical Trials, v. 7, n. 3, p.177-188, 1986. 78 REFERÊNCIAS BIBLIOGRÁFICAS [33] DEVEREAUX, P. J.; MANNS, B. J.; GHALI, W.A.; QUAN, H.; LACCHETTI, C.; MONTORI, V.M.; BHANDARI, M.; GUYATT, G.H. Physician interpretations and textbook de…nitions of blinding terminology in randomized controlled trials. Journal of the American Medical Association, v. 285, n. 15, p. 2000-2003, 2001. [34] DICKERSIN, K.; CHAN, S.; CHALMERS, T.C.; SACKS, H.S.; SMITH, H. Publication bias and clinical trials. Controlled Clinical Trials, v. 8, n. 4, p. 343-353, 1987. [35] EASTERBROOK, P.J.; BERLIN, J.A.; GOPALAN, R.; MATTEWS, D.R. Publication bias in clinical research. The Lancet, v. 337, n. 8746, p. 867-872, 1991. [36] EGGER, M.; SMITH, G.D. Meta-analysis: potentials and promise. British Medical Journal, v. 315, n. 7119, p. 1371-1374, 1997. [37] EGGER, M.; SMITH, G.D. Meta-analysis bias in location and selection of studies. British Medical Journal, v. 316, n. 7124, p. 61-66, 1998. [38] EGGER, M.; SMITH, G.D.; SCHNEIDER, M.; MINDER, C.E. Bias in meta-analysis detected by a simple, graphical test. British Medical Journal, v. 315, n. 7109, p. 629-634, 1997 [39] ENGELS, E.A.; SCHMID, C.H.; TERRIN, N.; OLKIN, I.; LAU, J. Heterogeneity and statistical signi…cance in meta-analysis. Statistics in analysis: an empirical study of 125 meta-analyses. Statistics in Medicine, v. 19, n. 13, p. 1707-1728, 2000. [40] ESCOSTEGUY, C.C. Estudos de intervenção. In: Medronho, R.A. Epidemiologia. 1a Ed. São Paulo: Atheneu, 2002. [41] FLETCHER, R. H.; FLETCHER, S. W. Clinical epidemiology: the essentials. Fourth Edition. Baltimore: Lippincott Williams & Wilkins, 2005. 288p. [42] FREIMAN, J. A.; CHALMERS, T. C.; SMITH, H.; KUEBLER, R. R. The importance of beta, the type II error and sample size in the design and interpretation of the randomized control trial: survey of 71 “negative” trials. The New England Journal of Medicine. v. 299, n. 13, p. 690-694, 1978. REFERÊNCIAS BIBLIOGRÁFICAS 79 [43] FURUKAWA, T. A.; GUYATT, G. H.; GRIFFITH, L. E. Can we individualize the ’number needed to treat’? An empirical study of summary e¤ect measures in meta-analyses. International Journal of Epidemiology, v. 31, n. 1, p. 72-76, 2002. [44] GALBRAITH, R.F. A note on graphical presentation of estimated odds ratios from several clinical trials. Statistics in Medicine. v. 7, n. 8, p. 889-894, 1988. [45] GELFAND, A.E.; SMITH,A.F.M. Sampling-Based approaches to calculating marginal densities. Journal of the American Statistical Association, v. 85, n. 410, p. 398-409, 1990. [46] GEMAN, S.; GEMAN, D. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 6, p. 721-741, 1984. [47] GILL, J. Bayesian methods: a social and behavioral sciences approach. 2.ed. Boca Raton: Chapman & Hall/CRC, 2007. 752p. [48] GLASS, G.V.; MCGAW, B.; SMITH, M. L. Meta-analysis in social research. Beverly Hills: Sage, 1981. 280p. [49] GLASS, G.V. Primary, secondary, and meta-analysis of research. Educational Researcher. v.5, p.3-8, 1976. [50] GOODMAN, S.N. Introduction to Bayesian methods I: measuring the strength of evidence. Clinical Trials, v. 2, n. 4, p. 282-290, 2005 [51] HAINES, S.J.; WALTERS, B.C. What is metanalysis? Surgical Neurology, v. 44, n. 6, p. 581-582, 1995. [52] HARDY, R. J.; THOMPSON, S.G. A likelihood approach to metaanalysis with random e¤ects. Statistics in Medicine, v. 15, n. 6, p. 619-629, 1996. [53] HYDE, C. J.; STANWORTH, S. J.; MURPHY, M. F. Can you see the wood for the trees? Making sense of forest plots in systematic reviews. Transfusion, v. 48, n. 2, p. 218-220, 2008. [54] HIGGINS, J. P. T.; GREEN, S. Cochrane handbook for systematic reviews of interventions: Cochrane book series. Chichester: John Wiley & Sons, 2008. 649p. 80 REFERÊNCIAS BIBLIOGRÁFICAS [55] HIGGINS, J. P. T.; THOMPSON, S.G. Quantifying heterogeneity in a meta-analysis. Statistics in Medicine, v. 21, n. 11, p. 1539-1558, 2002. [56] HIGGINS, J. P. T.; TOMPSON, S. G.; DEEKS, J. J.; ALTMAN, D. G. Measuring inconsistency in meta-analyses. British Medical Journal, v. 327, n. 7414, p. 557-560, 2003. [57] HOLCOMB Jr, H. L.; CHAIWORAPONGSA, T.; LUKE, D. A.; BURGDORF, K. D. An odd measure of risk: use and misuse of the odds ratio. Obstetrics and Gynecology, v. 98, n. 4, p. 685-688, 2001. [58] HOUWELINGEN, H. C. V ; ARENDS, L. R.; STIJNEN, T. Advanced methods in meta-analysis: multivariate approach and meta-regression. Statistics in Medicine, v. 21, n. 4, p. 589-624, 2002. [59] HUEDO-MEDINA, T. B.; SÁNCHEZ-MECA, J.; MARÍN-MARTINEZ, F.; BOTELLA, J. Assessing heterogeneity in meta-analysis: Q statistic or I 2 index. Psychological Methods, v. 11, n. 2, p. 193-206, 2006. [60] HUQUE, M. F. Experiences with meta-analysis in NDA submissions. Proceedings of the Biopharmaceutical Section of the American Statistical Association, v. 2, p. 28-33, 1988. [61] JADAD, A. R.; MOORE, R. A.; CARROLL, D.; JENKINSON, C.; REYNOLDS, D. J.; GAVAGHAN, D. J.; McQUAY, H. J. Assessing the quality of reports of randomized clinical trial: is blinding necessary? Controlled Clinical Trials. v. 17, n. 1, p. 1-12, 1996. [62] JEFFREYS, H. The theory of probability. Oxford: Oxford University Press, 1961. [63] JONES, B.; KENWARD, M. Design and analysis of cross-over trials. 2.ed. London: Chapman & Hall, 2003. 408p. [64] JUSTO, L. P.; SOARES, B. G. O.; CALIL, H. M. Revisão sistemática, metanálise e medicina baseada em evidências: considerações conceituais. Jornal Brasileiro de Psiquiatria, v. 54, n. 3, p. 242-247, 2005. [65] KENDALL, M. A. New measure of rank correlation. Biometrika, v.30, p. 81-89, 1938. [66] KULIK, J. A.; KULIK, C. L. C. Meta-analysis in education. International Journal of Educational Research, v. 13, p. 221-340, 1989. REFERÊNCIAS BIBLIOGRÁFICAS 81 [67] L’ABBÉ, K.; DETSKY,A. S.; O’ROURKE, K. Meta-analysis in clinical research. Annals of Internal Medicine, v. 107, n. 2, p. 224-233, 1987. [68] LACHIN, J. M. Properties of simple randomization in clinical trials. Controlled Clinical Trials, v .9, n. 4, p. 312-326, 1988. [69] LAUPACIS, A.; SACKETT, D. L.; ROBERTS, R. S. An assessment of clinically useful measures of the consequences of treatment. New England Journal of Medicine, v. 318, n. 26, p. 1728-1733, 1988. [70] LEANDRO, G. Meta-analysis in medical research: The handbook for the understanding and practice of meta-analysis. London: BMJ Books, 2005. 112p. [71] LESAFFRE, E.; PLEDGER, G. A note on the number needed to treat. Controlled Clinical Trials, v. 20, n. 5, p.439-447, 1999. [72] LEWIS, J.A.; ELLIS, S.H. A statistical appraisal of post-infarction betablocker trials. Primary Cardiology, suppl 1, p. 31-37, 1982. [73] LEWIS, S.; CLARKE, M. Forest plots: trying to see the wood and the trees. British Medical Journal, v. 322, n. 7300, p. 1479-1480, 2001 [74] LINDE,K.; BERNER, M.; EGGER, M.; MULROW, C. St John’s wort for depression Meta-analysis of randomised controlled trials. British Journal of Psychiatry. v.186, p. 99-107, 2005. [75] LOUIS, T.A. Introduction to Bayesian methods II: fundamental concepts. Clinical Trials, v. 2, n. 4, p. 291-294, 2005. [76] LUNN, D.J.; THOMAS, A.; BEST, N.; SPIEGELHALTER, D. WinBUGS - a Bayesian modelling framework: concepts, structure, and extensibility. Statistics and Computing, v. 10, p. 325-337, 2000. [77] LUSTOSA, S. A. S; SACONATO, H.; ATALLAH, A. N.; LOPES-FILHO, G. J.; MATOS, D. Impact of extended lymphadenectomy on morbidity, mortality, recurrence and 5-year survival after gastrectomy for cancer. Meta-analysis of randomized clinical trials. Acta Cirúrgica Brasileira, v. 23, n. 6, p. 520-530, 2008. [78] MANTEL, N.; HAENSZEL, W. Statistical aspects of the analysis of data from retrospective studies of disease. Journal of the National Cancer Institute, v. 22, n. 4, p. 719-748, 1959. 82 REFERÊNCIAS BIBLIOGRÁFICAS [79] MARTINEZ, E. Z. Metanálise de ensaios clínicos controlados aleatorizados: aspectos quantitativos. Revista Medicina (Ribeirão Preto), v. 40, n. 2, p. 223-235, 2007. [80] McALISTER, F. A. The “number needed to treat” turns 20 - and continues to be used and misused. Canadian Medical Association Journal, v. 179, n. 6, p. 549-553, 2008. [81] METROPOLIS, N.; ULAM, S. The Monte Carlo method. Journal of the American Statistical Association, v. 44, n. 247, p. 335-341, 1949. [82] MOJA, L.; MOSCHETTI, I.; LIBERATI, A.; GENSINI, G. F.; GUSINU, R. Understanding systematic reviews: the meta-analysis graph (also called ‘forest plot’). Internal and Emergency Medicine, v. 2, n. 2, p. 140-142, 2007. [83] MULROW, C. D. Systematic reviews: rationale for systematic reviews. British Medical Journal, v. 309, n. 6954, p. 597-599, 1994. [84] NEWCOMBE, R. G. Interval estimation for the di¤erence between independent proportions: comparison of eleven methods. Statistics in Medicine, v. 17, n. 8, p. 873-890, 1988. [85] NORMAND, S. L. T. Meta-analysis: formulating, evaluating, combining, and reporting. Statistics in Medicine,. v. 18, p. 321-359, 1999. [86] NURMINEN, M. Asymptotic e¢ ciency of general noniterative estimators of common relative risk. Biometrika, v. 68, n. 2, p. 525-530, 1981. [87] PEARSON, K. Report on certain enteric fever inoculation statistics. British Medical Journal, v. 3, p.1243-1246, 1904. [88] PEREIRA, C. A. B. Estatística e informação. Boletim da Associação Brasileira de Estatística, ano XI, n.30, p.31-37, 1995. [89] PETITTI, D. B. Meta-analysis, decision analysis, and cost-e¤ ectiveness analysis. New York: Oxford University Press, 1994. 246p. [90] POCOCK, S. J. Clinical trials: a practical approach. Chichester: John Wiley & Sons, 1983. 266p. [91] POULOS, J.; KAM, P. C. A. “Number needed to treat”: A tool for summarizing treatment e¤ect, and its application in anaesthesia and pain management. Current Anaesthesia & Critical Care, v. 16, p.173-179, 2005. REFERÊNCIAS BIBLIOGRÁFICAS 83 [92] RIERA, R.;ABREU, M. M.; CICONELLI, R. M. Revisões sistemáticas e metanálises na reumatologia. Revista Brasileira de Reumatologia, v. 46, p. 8-11, 2006. [93] ROBINS, J.; GREENLAND, S.; BRESLOW, N. E. A general estimator for the variance of the Mantel-Haenszel odds ratio. American Journal of Epidemiology, v. 124, n. 5, p. 719-723, 1986. [94] ROTHMAN, K. J.; GREENLAND, S. Modern epidemiology. 2nd ed. Philadelphia: Lippincott-Raven, 1998. 737p. [95] ROTHSTEIN, H.; SUTTON, A.; BORENSTEIN, M. Publication bias in meta-analysis : prevention, assessment and adjustments. Chichester: John Wiley & Sons, 2005. 356p. [96] SCHECHTMAN, E. Odds ratio, relative risk, absolute risk reduction, and the number needed to treat - Which of these should we use? Value in Health, v. 5, n. 5, p. 431-436, 2002. [97] SCOTT, N. W.; McPHERSON, G. C.; RAMSAY, C. R.; CAMPBELL, M. K. The method of minimization for allocation to clinical trials: a review. Controlled Clinical Trials, v. 23, p. 662-674, 2002. [98] SENN, S. Cross-over trials in clinical research. 2. ed. Chichester: John Wiley & Sons, 2002. 364p. [99] SILVA FILHO, C. R.; SACONATO, H.; CONTERNO, L. A.; MARQUES, I.; ATALLAH, A. N. Avaliação da qualidade de estudos clínicos e seu impacto nas metanálises. Revista de Saúde Pública, v. 39, n. 6, p. 865873, 2005. [100] SIDIK, K.; JONKMAN, J. N. A comparison of heterogeneity variance estimators in combining results of studies. Statistics in Medicine, v 26, n. 9, p. 1964-1981, 2007. [101] SIMON, S. D. Understanding the odds ratio and the relative risk. Journal of Andrology, v. 22, n. 4, p.533-536, 2001 [102] SKRONDAL, A.; RABE-HESKETH, S. Generalized latent variable modeling: multilevel, longitudinal and structural equation models. Boca Raton:Chapman & Hall/CRC, 2004. 528p. [103] SMITH, T. C.; SPIEGELHALTER, D. J.; THOMAS, A. Bayesian approaches to random-e¤ects meta-analysis: a comparative study. Statistics in Medicine, v. 14, n. 24, p. 2685-2699, 1995. 84 REFERÊNCIAS BIBLIOGRÁFICAS [104] SONG, F.; SHELDON, T.A.; SUTTON, A.J.; ABRAMS KR.; JONES, D. J. Methods for exploring heterogeneity in meta-analysis. Evaluation & the Health Professions, v. 24, n. 2, p. 126-151, 2001 [105] SUTTON, A.J.; ABRANS, K.R. Bayesian methods in meta-analysis and evidence synthesis. Statistical Methods in Medical Research, v. 10, n.4, p.277-303, 2001 [106] TERRIN, N.; SCHMID, C. H; LAU, J. In an empirical evaluation of the funnel plot, researchers could not visually identify publication bias. Journal of Clinical Epidemiology, v. 58, n. 9, p. 894-901, 2005. [107] THORNTON, A.; LEE, P. Publication bias in meta-analysis: its causes and consequences. Journal of Clinical Epidemiology, v. 53, n. 2, p. 207-216, 2000. [108] TREASURE, T.; MACRAE, K. D. Minimisation: the platinum standard for trials?. Randomisation doesn’t guarantee similarity of groups; minimisation does. British Medical Journal, v. 317, n. 7155, p. 362-363, 1998. [109] TIERNEY, L.; KADANE, J.B. Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, v. 81, p.82-86, 1986. [110] VERHAGEN, A. P.; VET, H. C.; BIE, R. A.; KESSELS, A. G.;BOERS, M.; BOUTER, L. M.; KNIPSCHILD, P. G. The Delphi list: a criteria list for quality assessment of randomized clinical for conducting sistematic reviews developd by Delphi consensus. Journal Clinical Epidemiology, v. 51, n. 2, p. 1235-1241, 1998a. [111] VERHAGEN, A. P.; VET, H. C.; BIE, R. A.; KESSELS, A. G.;BOERS, M.; BOUTER, L. M.; KNIPSCHILD, P. G. Balneotherapy and quality assessment: interobserver reliability of the Maastricht criteria list and the need for blinded quality assessment. Journal Clinical Epidemiology, v. 51, n. 4, p. 335-341, 1998b. [112] VIEGAS, Y.; VIEGAS, A. R. Análise dos dados de prevalência de cárie dental na cidade de Barretos, SP, Brasil, depois de dez anos de ‡uoretação da água de abastecimento público. Revista de Saúde Pública, v. 19, n. 4, p.287-299, 1985. [113] VILLAR, J.; MACKEY, M. E.; CARROLI, G.; DONNER, A. Metaanalyses in systematic reviews of randomized controlled trials in perinatal medicine: comparison of …xed and random e¤ects models. Statistics in Medicine, v. 20, n. 23, p. 3635-3647, 2001. REFERÊNCIAS BIBLIOGRÁFICAS 85 [114] XU, H.; PLATT, R. W.; LUO, Z. C.; WEI, S.; FRASER, W. D. Exploring heterogeneity in meta-analyses: needs, resources and challenges. Paediatric and Perinatal Epidemiology. v. 22, sup.1, p.18-28, 2008. [115] YUSUF, S.; PETO, R.; LEWIS, J.; COLLINS, R.; SLEIGHT, P. Beta blockade during and after myocardial infarction: an overview of the randomized trials. Progress in Cardiovascular Diseases, v. 27, n. 5, p. 335-371, 1985. [116] WEBB, C.; ROE, B. Reviewing research evidence for nursing practice: Systematic reviews. Oxford: Blackwell Publishing, 2007. 266p. [117] WEBERT, K. E. Randomization in clinical trials. Transfusion, v. 47, n. 10, p.1753-1754, 2007. [118] WHITEHEAD, A. Meta-analysis of controlled clinical trials. Chichester: John Wiley & Sons, 2002. 336p. [119] WONG, W. H.; LI, B. Laplace expansion for posterior densities of nonlinear functions of parameters. Biometrika, v. 79, p. 393-398, 1992. [120] WOOLF, B. On estimating the relationship between blood groups and disease. Annals of Human Genetics, v. 19, p. 251-253, 1955. [121] WU, L. A.; KOTTKE, T. E. Number needed to treat: Caveat emptor. Journal of Clinical Epidemiology, v. 54, n. 2, p. 111-116, 2001. 86 REFERÊNCIAS BIBLIOGRÁFICAS
Documentos relacionados
SEÇÃO DE BIOESTATÍSTICA METANÁLISE: UM GUIA
Caroline Legramanti Rodrigues , Patrícia Klarmann Ziegelmann
Leia maismetanálise qualitativa como abordagem metodológica para
informações sejam reunidas, organizadas, criticamente avaliadas e interpretadas ou quantitativamente mensuradas. As diretrizes baseadas em revisões sistemáticas (também chamadas metanálises) são me...
Leia mais