metaanálisis combinatorio

El metaanálisis combinatorio ( CMA ) es el estudio del comportamiento de las propiedades estadísticas de combinaciones de estudios a partir de un conjunto de datos metaanalíticos (típicamente en la investigación en ciencias sociales). En un artículo que desarrolla la noción de "gravedad" en el contexto del metaanálisis, Travis Gee ^{[ 1 ]} propuso que los métodos jackknife aplicados al metaanálisis en ese artículo podrían extenderse para examinar todas las combinaciones posibles de estudios (cuando sea práctico) o subconjuntos aleatorios de estudios (cuando la combinatoria de la situación lo haga computacionalmente inviable).

En el artículo original, ^{[ 1 ]} k objetos (estudios) se combinan k -1 a la vez ( estimación jackknife ), lo que da como resultado k estimaciones. Se observa que este es un caso especial del enfoque más general de CMA que calcula resultados para k estudios tomados 1, 2, 3 ... k − 1, k a la vez.  

Cuando es computacionalmente factible obtener todas las combinaciones posibles, la distribución estadística resultante se denomina "CMA exacta". Cuando el número de combinaciones posibles es prohibitivamente grande, se denomina "CMA aproximada".

El análisis de metaanálisis combinatorio (CMA) permite estudiar el comportamiento relativo de diferentes estadísticas en condiciones combinatorias. Esto difiere del enfoque estándar en el metaanálisis, que consiste en adoptar un único método y calcular un único resultado, y permite una triangulación significativa, al calcular diferentes índices para cada combinación y examinar si todos arrojan el mismo resultado.

Esto implica que, cuando existen múltiples intersecciones aleatorias, la heterogeneidad dentro de ciertas combinaciones se minimiza. Por lo tanto, el análisis de correspondencias (CMA) puede utilizarse como método de minería de datos para identificar el número de intersecciones que pueden estar presentes en el conjunto de datos, analizando qué estudios se incluyen en los mínimos locales que pueden obtenerse mediante recombinación.

Una implicación adicional de esto es que los argumentos sobre la inclusión o exclusión de estudios pueden ser irrelevantes cuando se tiene en cuenta la distribución de todos los resultados posibles. Una herramienta útil desarrollada por Gee (referencia próximamente publicada) es el gráfico "PPES" (que significa "Probabilidad de tamaño de efecto positivo", asumiendo que las diferencias se escalan de manera que se desea un valor mayor en la dirección positiva). Para cada subconjunto de combinaciones, donde los estudios se toman j = 1, 2, ... k − 1, k a la vez, se toma la proporción de resultados que muestran un tamaño de efecto positivo (tanto WMD como SMD funcionarán), y esto se grafica en función de j . Esto se puede adaptar a un gráfico "PMES" (que significa "Probabilidad de tamaño de efecto mínimo"), donde la proporción de estudios que superan un tamaño de efecto mínimo (por ejemplo, SMD = 0,10) se toma para cada valor de j = 1, 2, ... k − 1, k . Cuando hay un efecto claro presente, este gráfico debería tender asintóticamente a cerca de 1,0 con bastante rapidez. De este modo, es posible que, por ejemplo, las disputas sobre la inclusión o exclusión de dos o tres estudios de entre una docena o más se planteen en el contexto de un gráfico que muestre un efecto claro para cualquier combinación de 7 o más estudios.      

Mediante el análisis de correspondencias (CMA) también es posible examinar la relación entre las covariables y el tamaño del efecto. Por ejemplo, si se sospecha que la financiación de la industria es una fuente de sesgo, se puede calcular la proporción de estudios financiados por la industria en un subconjunto determinado y representarla gráficamente frente a la estimación del tamaño del efecto. Si la edad promedio en los distintos estudios fue bastante variable, se puede obtener la media de estas medias en los estudios de una combinación determinada y representarla gráficamente de forma similar.

El software original de Gee para realizar metaanálisis jackknife y combinatorio se basaba en macros metaanalíticas antiguas escritas en el lenguaje de programación SAS. Fue la base de un informe en el área del tratamiento de la artritis. ^{[ 2 ]} Si bien este software se compartió informalmente con colegas, no se publicó. Un metaanálisis posterior aplicó el concepto en el contexto del tratamiento de la diarrea. ^{[ 3 ]}

Años después se aplicó un método jackknife a datos meta-analíticos ^{[ 4 ]} , pero no parece que se haya desarrollado software especializado para esta tarea. Otros comentaristas también han solicitado métodos similares ^{[ 5 ]} , aparentemente sin conocer el trabajo original. Un trabajo más reciente de un equipo de adaptación de software de la Universidad de Brown ^{[ 6 ]} implementó el concepto en STATA ^{[ 7 ] .}

El análisis de correspondencias (CMA) no resuelve el problema del metaanálisis de "si introduces datos erróneos, obtendrás resultados erróneos". Sin embargo, cuando un grupo de estudios se considera deficiente por un crítico, ofrece una forma de examinar hasta qué punto dichos estudios pueden haber modificado un resultado. Del mismo modo, no ofrece una solución directa al problema de qué método elegir para la combinación o ponderación. Lo que sí ofrece, como se mencionó anteriormente, es la triangulación, mediante la cual se pueden obtener acuerdos entre métodos y comprender las discrepancias entre ellos a través de la gama de posibles combinaciones de estudios.