研究者制定了系统综述及Meta分析的首选项目报告(PRISMA)对系统综述最新进展中的方法和术语进行解释。
应充分报告系统综述的详细信息以方便作者更好地理解综述结果的真实性和可用性。为协助系统综述透明完整报告的完成,研究者制定了系统综述及Meta分析的首选项目报告(PRISMA)对系统综述最新进展中的方法和术语进行解释。
本期我们为大家带来2020年PRISMA说明内容,内容翻译整理如下:
术语表
•系统综述-使用明确的系统性方法整理并评估有关特定问题研究结果的综述。 |
•统计综合-两项及多项研究定量结果的结合。其中包括疗效评价和其他评价的Meta分析,综合P值,计算可见效果的范围和分布以及基于效果方向的投票计数。 |
•效果评估的Meta分析-一种用于综合结果的统计方法,当研究可获得结果估计值及其方差时,得出定量的结果汇总。 |
•结果-为研究者收集的事件结局或衡量指标(例如生活质量,死亡率)。 |
•结果-对于特定的结果,为点估计(例如均值差,风险比或比例)和精度度量(例如置信度/可信区间)的组合 |
•报告-提供有关特定信息的研究文件(纸质或电子文件)。可能是期刊文章,预印本,会议摘要,学习登记册条目,临床研究报告,论文,未发表的手稿,政府报告或提供相关信息的其他文件。 |
•记录-在数据库或网站中建立索引报告的标题或摘要(或两者都有)(例如在Medline索引文章的标题或摘要)。涉及到的记录相同的报告(例如相同的期刊文章)是“重复项”;但是,记录中仅相似的报告(例如提交给两次不同的会议)应该被认为是独立的。 |
•研究-一项调查,例如临床试验,其中包括一组明确的参与者以及一项或多项干预措施和结果。一个“研究”可能有多个报告。例如,报告可以包括协议,统计分析计划,基线特征,主要结果,结果危害,次要结果,以及其他干预者分析的结果。 |
PRISMA 2020摘要清单项目
PRISMA 2020摘要清单与2013年发布的PRISMA摘要清单中包含的内容相同,但PRISMA 2020摘要清单已进行修订以使其项目内容与PRISMA 2020声明一致,并包括一个建议作者指定用于呈现和综合结果方法的新项目(项目6)。该清单包括以下12个项目:
1.将报告确定为系统综述 |
2.明确说明综述要解决的主要目标或问题 |
3.确定综述的纳入和排除标准 |
4.确定用于检索研究的信息源(例如数据库,登记册)以及上一次检索研究的日期 |
5.在纳入的研究中确定用于评估偏倚风险的方法 |
6.确定用于呈现和综合结果的方法 |
7.呈现所纳入的研究和参与者的总数并总结研究的相关特征 |
8.呈现主要结果,最好指出纳入的研究总数及每个研究的参与者,如果进行了Meta分析,需报告汇总估算值和置信度/可信区间,对于比较组,请指明结果的方向(即哪个组更受青睐) |
9.简要概述综述中所包含证据的局限性(例如研究偏倚,不一致和不精确的风险) |
10.对结果及其重要含义进行常规解释 |
11.确定综述的主要资金来源 |
12.提供注册名称和注册号 |
研究方法的选择
系统综述常用的几种研究方法及优缺点介绍。
•由一名研究者对每条记录进行评估—单一筛选可以有效地利用时间和资源,但是错过相关研究内容的风险更高。 |
•由多名研究者对记录进行评估—双重筛选的方式可能有所不同,包括对所有记录的重复检查(由两个或多个研究者独立进行检查)到仅检查样本。这种方法可能比单一筛选更可靠,但是要考虑到解决差异可能需要增加研究者的工作时间。 |
•优先筛选将早期筛选工作集中在相关记录上,而不是按照年份,题目,作者或随机顺序筛选,机器学习可比其他方法更早地在筛选过程中识别相关研究。优先级筛选是一项反复的过程,在此过程中,计算机将不断重新评估未筛选记录的相关性。这种方法可在审核后续步骤的同时仍在筛选不相关的记录,从而提高审核效率。单个和多个研究者评估可以与优先级筛选联合使用。 |
•合并自动消除不相关记录的优先级筛选,一旦使用优先级筛选确定了最相关的记录,团队可以基于剩余记录不太可能相关的假设选择停止筛选。但是,此种方法因不确定何时可以安全停止筛查而存在错误排除相关研究的风险,因此该方法应特别注意效率增益和风险承受能力之间的平衡。 |
•机器学习分类器—机器学习分类器是使用训练数据,根据相关性对记录进行排名的统计模型。可以对其进行校准以达到规定标准,从而使研究者能够实施筛选规则。由于分类器的性能高度依赖用于构建分类器的数据,因此分类器仅用于对已设计的记录进行分类。 |
•先前的“已知”评估—如果合格标准相同,则可以重复使用已手动检查的筛选记录决定,以排除重新评估相同记录的可能性。可以避免因匹配导致不断重新筛选相同的记录,然后包括/排除这些记录以供进一步考虑。 |
•众包-众包涉及—招募一大批人(通常通过互联网)承担其中的任务或项目,例如筛选记录。如果将众包与其他研究选择方法整合在一起,则其所使用的特定平台应建有完善并记录在案的协议算法,以及有关人群准确性的可靠数据。 |
评估研究中偏倚风险以及由因果确实导致偏倚的风险
术语 |
术语“质量评估”和“文献评读”通常用于描述评估方法学行为或研究报告的过程。在PRISMA 2020中,我们将“质量”与“偏倚风险”区分开来,并将相关的项目及解释集中在后者上。偏倚风险是指由于设计,行为或分析中的方法学缺陷,研究结果有可能系统性偏离事实的可能性。质量的定义不明确,但已显示其涵盖的内容可能会超出调查结果的范围,例如,精确度,报告完整性,伦理和适用性。在系统综述中,应重点关注可能导致调查结果出现重大偏倚的设计,行为和分析方法。 |
不同类型的偏倚风险 |
在PRISMA 2020中,考虑了偏倚风险的两个方面。第一个方面是系统综述所包括的各个研究结果的偏倚风险。经验证据和理论分析表明,研究设计的某些特征与研究中较大的干预效果评估有关;这些特征包括不足以将参与者分配到组的随机序列,对参与者的跟进造成的重大损失以及盲目的结果评估。第二个方面是由于缺少研究或研究中的结果而导致综合结果(例如Meta分析)出现偏差的风险。当发表研究/结果的决定受到所观察到的P值或作用幅度及方向的影响时,缺少研究/结果可能会导致偏倚。例如,具有统计意义的非重要结果可能尚未发表(出版偏倚),或者可能从研究报告中省略了统计意义上不重要的特定结果(选择性的非报告偏倚)。 |
评估偏见风险的工具 |
已经开发了许多工具来评估研究中存在偏见或由于缺少结果而产生偏见的风险。现有工具通常采用复合比例尺和基于域的工具形式。综合量表包括多个项目,每个项目都有一个数字分数,可以从中计算出总得分。基于域的工具要求用户判断特定域中存在偏见的风险,并记录每个判断所基于的信息。在综述中使用的工具的指定组件/领域可以帮助读者确定该工具仅关注偏见风险还是解决其他“质量”构成。在工具中为每个组件/领域提供的评估要优于报告单个“质量得分”,因为它的使用者能够理解在每个研究中都存在偏见风险的特定组件/领域。 |
将研究中的偏见风险评估纳入分析 |
在陈述和解释个别研究和综合结果时,应考虑纳入研究的偏倚风险。可以使用不同的分析策略来检查研究偏倚的风险是否能影响研究结果:(i)限制主要研究对被认为偏倚风险低的研究进行分析(敏感性分析);(ii)使用亚组分析或Meta分析根据偏倚风险对研究进行分层;或(iii)调整每项研究的结果以消除偏倚。 |
Meta分析及其扩展
Meta分析是一种通过综合可获得的研究结果及其方差,从而得出定量结果的统计方法。这一方法有助于解释无法实现的研究及其结果,例如,Meta分析中为纳入的每一个研究结果均提供叙述性总结,特别是在纳入研究数目较多的情况下。此外,Meta分析增加了检测具有临床意义重要结果(存在统计学意义)的机会,并提高了结果估计的准确性。
Meta分析模型和方法 |
总结估算是研究效果估算的加权平均值,其中研究权重主要由Meta分析模型决定。两种最常见的Meta分析模型是“固定效应”模型和“随机效应”模型。固定效应模型的基础假设是存在一种真实的(共同的)干预效应,并且研究中观察到的结果差异仅反映了随机变化。有时将此模型称为“共同效应”或“相等效应”模型。固定效应模型也可以在不同的假设下进行解释,即真正的干预效应是不同且无关的,该模型称为“固定效应”模型。随机效应模型假设没有一个真正的干预效应,而是一个真实干预效果的分布,并且各个研究中观察到的结果差异反应了干预效应的实际差异。随机效应模型和固定效应模型的相似之处在于,它们假定真正的干预效应是不同的,但它们的不同之处在于,随机效应模型假定效应是通过分布相关的,而固定效应模型并未得出这个假设。在固定结果或随机结果的Meta分析中,可以使用不同的方法来分配权重。对于随机结果的Meta分析,还有不同的方法可以估算研究之间的方差并计算汇总效应的置信区间。 |
亚组分析,Meta回归和敏感性分析 |
Meta分析的扩展,包括亚组分析和Meta回归,可用于探索跨研究结果差异的原因(即统计异质性)。亚组分析涉及将研究或参与者分成亚组,并比较亚组间的效果差异。Meta回归是亚组分析的扩展,它允许研究连续变量和分类变量的影响。作者使用两种类型的分析来探讨部分问题,例如,干预效果的估计值是否因参与者的不同特征(例如轻度或严重疾病)或干预特征(例如高剂量或低剂量药物)而异。敏感性分析被用以检查综述过程中研究结果对结论的鲁棒作用,这一过程涉及重复分析,但应用的决策与最初做出的决策不同,并非正式地比较结果。例如,可能已经进行了敏感性分析,以检查包括尚未发布的会议摘要结果的Meta分析的影响,其中包括大多数(但不是全部)参与者处于特定年龄范围的研究,高偏倚风险的研究,或使用固定效应与随机效应的Meta分析。敏感性分析与亚组分析不同。敏感性分析包括在估计相同效果的不同方式之间进行非正式比较,而亚组分析则包括对子组进行正式的统计比较。 |
建模或考虑依赖性的Meta分析扩展 |
在大多数Meta分析中,来自独立研究的结果评估是综合在一起的。标准的荟萃分析方法适用于这种情况,因为一个基本的假设为结果估计是独立的。但是,当效果评估相互关联时,标准的Meta分析方法并不适合。当使用某些方法计算单个研究的多个结果估算值时,就会产生相关的结果估算值或所有相同的参与者,并包含在相同的Meta分析中。例如,在同一Meta分析中包含来自多组试验的多个疗效评估,或包含来自同一研究的多个结果的疗效评估。对于这种情况,可以使用一系列方法来适当建模或考虑结果估计的依赖性。这些方法包括多元Meta分析,多级模型或稳健方差估计。 |
END
翻译整理:曹新阳
不感兴趣
看过了
取消
人点赞
人收藏
打赏
不感兴趣
看过了
取消
打赏金额
认可我就打赏我~
1元 5元 10元 20元 50元 其它打赏作者
认可我就打赏我~
扫描二维码
立即打赏给Ta吧!
温馨提示:仅支持微信支付!