Escolar Documentos
Profissional Documentos
Cultura Documentos
ii
Modelos Estatísticos em Metanálises
2009
ii
Conteúdo
1 Conceitos básicos 1
2 Ensaios clínicos 5
2.1 Ensaios clínicos controlados . . . . . . . . . . . . . . . . . . . . . 6
2.2 Ensaios clínicos aleatorizados . . . . . . . . . . . . . . . . . . . . 9
2.3 Cegamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Metanálises de ensaios clínicos . . . . . . . . . . . . . . . . . . . 13
4 Heterogeneidade em metanálises 35
4.1 Teste Q de Cochran . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Estimação da variabilidade entre os estudos . . . . . . . . . . . . 36
4.3 Estatísticas H 2 e I 2 . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4 Método de DerSimonian e Laird . . . . . . . . . . . . . . . . . . 39
4.5 Grá…co de L’Abbé . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6 Grá…co de Galbraith . . . . . . . . . . . . . . . . . . . . . . . . . 41
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
v
vi PREFÁCIO
Capítulo 1
Conceitos básicos
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
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).
Ensaios clínicos
5
6 CAPÍTULO 2. ENSAIOS CLÍNICOS
distinto nas diferentes épocas. Além disso, pode existir uma baixa quali-
dade 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
Tratamento sob
com a doença Resposta
investigação
ou condição
n 0 pacientes Tratamento
com a doença convencional Resposta
ou condição naquela época
Tratamento A Resposta
n pacientes
ou condição
Controles Resposta
Presente Futuro
Wash-out
Tratamento Tratamento
n participantes aleatorização
Placebo ou Placebo ou
Wash-out
ABCD
BDAC
CADB
DCBA
11 19 15 5 9 20 6 13 7 2 16 1 12 18 4 17
10 8 3 14
B B B A A B A B A A B A B B A B
A A A B
;
ABBA BBAA ABAB ABAB ABBA
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 "triplo-
cego", podendo signi…car:
Resultados respostas 5 5
período de seguimento 3 3
efeitos colaterais 1 1
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.
Medidas de efeito em
metanálises
17
18 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES
d j = d1j (n0j
OR
d0j )
; (3.2)
d0j (n1j d1j )
dj ) = nj
vd
ar(OR ; (3.4)
d0j (n1j d1j )
3.1. ODDS RATIO 19
P
J d (n
1j 0j d0j )
j=1 nj
\ MH
ORM = J : (3.5)
P d0j (n1j d1j )
j=1 nj
onde
n1j
Fj = d1j (n0j d0j ) ;
n2j
d1j (n0j d0j ) (d0j + n1j d1j ) + d0j (n1j d1j ) (d1j + n0j d0j )
Gj = ;
n2j
d0j (n1j d1j ) (d0j + n1j d1j )
Hj = ;
n2j
d1j (n0j d0j )
Rj = ; e
nj
d0j (n1j d1j )
Sj = :
nj
Uma maneira mais usual de estimar o odds ratio metanalítico é obtida uti-
lizando a estimativa da variância do logaritmo do OR de cada estudo pelo
método de Woolf (1955), onde, do método delta,
1
dj ) = 1 1 1 1
wj = vd
ar(ln OR + + + : (3.7)
d1j n1j d1j d0j n0j d0j
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.
\j = exp Oj Ej
ORP ;
Vj
onde
Oj = d1j ;
n1j dj
Ej = ; e
nj
n0j n1j dj (n0j + n1j d1j d0j )
Vj = ;
n2j (nj 1)
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
Exemplo 3.2 Vamos considerar uma metanálise de quatro estudos …ctícios cu-
jos 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
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
[ j = pc d0j d1j
RAR 0j pc
1j = ;
n0j n1j
vd [ j = dj (nj dj ) ;
ar RAR
n1j n0j nj
P
J d0j n1j d1j n0j
j=1 nj nj
\ MH =
RARM ; (3.11)
PJ n n
0j 1j
j=1 nj
24 CAPÍTULO 3. MEDIDAS DE EFEITO EM METANÁLISES
onde nj = n0j + n1j . Sendo sua variância estimada através do método delta por
P
J d1j (n1j d1j ) n30j + d0j (n0j d0j ) n31j
j=1 n1j n0j n2j
vd \ MH =
ar RARM !2 ;
P
J n n
1j 0j
j=1 nj
1
\ M H . Entretanto Altman e Deeks (2002) descrevem alguns problemas
RARM
encontrados no uso desta medida.
P
J d n
1j 0j
j=1 nj
\ MH
RRM = J ; (3.15)
P d0j n1j
j=1 nj
3.5. RISCO RELATIVO 27
j=1 nj j=1 nj
dj ,
Outra expressão bastante utilizada para a variância do logaritmo de RR
estimada pelo método delta, é
wj 1
= vd dj ) = 1
ar(ln RR
1
+
1 1
; (3.17)
d1j n1j d0j n0j
e um consequente intervalo assintótico de con…ança 95% para RRj é dado por
q
d j 1; 96 vd
exp ln RR dj ) :
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 re-
cebeu 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 Inter-
feron Alfa e controles.
aleatorizados cujas respostas aos tratamentos A e B são expressas por uma me-
dida 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
1 1 (n1j 1) s21j + (n0j 1) s20j
wj 1
ar ^j = s2pj
= vd + , onde s2pj = .
n1j n0j n1j + n0j 2
P
J
wj (x1j x0j )
j=1
^M = (3.18)
P
J
wj
j=1
^M 1; 96
s :
P
J
1
wj
j=1
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.
Heterogeneidade em
metanálises
35
36 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES
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).
PJ 2 2
= j=1 wj ^j M 2 ^j M (bM M) + bM M
PJ 2 PJ bM
2
= j=1 wj ^j M j=1 wj M :
PJ PJ
= j=1 wj V ar ^j j=1 wj V ar bM :
4.3. ESTATÍSTICAS H 2 E I 2 37
Considerando
0 1
PJ b PJ 2
bM j=1 wj j B 1 j=1 wj 2C
= PJ N@ M; PJ + P 2 A
j=1 wj j=1 wj
J
j=1 wj
Q
^2 = e2 1 : (4.3)
J 1
4.3 Estatísticas H 2 e I 2
ar bj = wj 1 , ou seja,
As estatísticas H 2 e I 2 são derivadas assumindo e2 = vd
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
^2 + e2 e2 Q
J 1 1 + e2 Q Q
+1= = = 1+1= ;
e2 e2 J 1 J 1
temos a medida
Q
H2 = :
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
Q
^2 H2 1 J 1 1 Q (J 1)
= 2 2 = = Q
= ;
1+ ^ +e H2 J 1
Q
H2 1 Q (J 1)
I2 = 100% = 100%: (4.4)
H2 Q
1
wj = 2 ;
^ + wj 1
40 CAPÍTULO 4. HETEROGENEIDADE EM METANÁLISES
^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 :
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).
4.6. GRÁFICO DE GALBRAITH 41
1.0
0.8
0.6
% grupo tratamento
0.4
0.2
0.0
%grupo placebo
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.
Modelos de regressão em
metanálises
45
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).
bM V 1; 96
s :
PJ 1
j=1 2
ej
e seu logaritmo é
1X h i
J J
1 X (yj M)
2
ln L( M;
2
)= ln 2 2
+ e2j 2 : (5.6)
2 j=1 2 j=1 2 + ej
2
Derivando ln L( M; ) em relação a M temos
J
X J
X J
X
@ 2 yj M yj 1
ln L( M; )= = M :
@ M j=1
2 + e2j j=1
2 + e2
j j=1
2 + e2j
P
J yj
j=1 b2 + e2j
bM V = ; (5.7)
P
J 1
2 2
j=1 b + e j
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 1 3
1
XJ
bM V 6 1 7
N 4 M; @ A 5:
j=1
b + e2j
2
2 2
Derivando ln L( M; ) em relação a temos
J J
1X 1 X (yj
2
@ 2 1 M)
ln L( M; )= 2 + 2:
@ 2 2 j=1 ej + 2 2 j=1
e2j + 2
48 CAPÍTULO 5. MODELOS DE REGRESSÃO EM METANÁLISES
0, se b2 0
b2M V =
b2 , caso contrário.
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 de-
pressivo em adultos (Tabela 5.1). Em cada estudo, os indivíduos portadores
de depressão foram aleatoriamente alocados em um grupo que recebeu a inter-
venção com o Hypericum perforatum ou em outro que recebeu um tratamento
com placebo. O evento de interesse foi a melhora dos sintomas da depressão.
log v
-30
eross
-35
imilh
-40
ança
3
-45
-50 2
0
tio
var 1
s ra
iânc
ia e 5
odd
ntre
os e 0
stud
log
os 10
-1
15
-30
-35
log verossimilhança
-40
-45
-50
-55
0 5 10 15
τ
2
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
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 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.
e seu logaritmo é
J J
1X 1 X (yj
2
1 xj )
ln L( 0; 1) = ln 2 e2j 0
:
2 j=1 2 j=1 e2j
J
X
@ ln L( 0; 1) yj 0 1 xj
= ;
@ 0 j=1
e2j
P
J y
j
^ xj P
J
1
wj yj b xj
1
j=1 e2j j=1
b = = ;
0
PJ 1 P
J
2 wj
j=1 e j j=1
sendo wj 1 = e2j .
Derivando ln L( 0; 1) em relação a 1 temos
J
X
@ ln L( 0; 1) xj (yj 0 1 xj )
=
@ 1 j=1
e2j
Um modelo de efeitos aleatórios que inclui uma covariável com valores ob-
servados xj tem a forma
Yj = ln(ORj ) = 0 + 1 xj + j + "j ;
Métodos bayesianos em
metanálise
57
58 CAPÍTULO 6. MÉTODOS BAYESIANOS EM METANÁLISE
esta distribuição.
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 dis-
tribuição uniforme não possui esta propriedade, dado que transformações re-
sultam 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
1
@2 2
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 co-
nhecida, 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) (i 1) (i 1)
(iii) geramos um valor '1 de ('1 j'2 ; '3 ; :::; 'k ; T = t);
(i) (i) (i 1) (i 1)
(iv) geramos um valor '2 de ('2 j'1 ; '3 ; :::; 'k ; T = t);
(i) (i) (i) (i 1) (i 1)
(v) geramos um valor '3 de ('3 j'1 ; '2 ; :::; '4 ; :::; 'k ; T = t);
e assim por diante, até
(i) (i) (i) (i)
(vi) 'k 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 “ver-
dadeira” 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:
lim ('1 ; '2 ; '3 ; :::; 'k ) ! E(G('1 ; '2 ; '3 ; :::; 'k )):
d!1 d
l=1
2
Do teorema de Bayes, a distribuição a posteriori para para M e …xos
é
2 2
j y; M; / f (y j ) j M;
2 8 2
93
>
<XJ ^ J
X 2>
=
6 1 j j j M 7
/ 4 exp + 5;
2 >
: j=1 e2j j=1
2 >
;
ou seja, !
2^ 2
2 2 j + ej M e2j 2
j j y; M ; ej ; N ; : (6.3)
e2j + 2 2 + e2j
Assim, um estimador bayesiano de j, dado pela média a posteriori, é
2^ 2
b j + ej M
j Bayes = 2 :
ej + 2
P
J yj a
+ 2
j=1
2 + e2j b
bBayes = :
P
J 1 1
2 + e2 b2
j=1 j
2 2
Se assumirmos uma distribuição a priori gama inversa (GI) para ;
GI (c; d) ; c e d conhecidos, temos
2 2 (c+1) d
/ exp 2
:
2
A distribuição condicional a posteriori para para um M …xo é
2 2 2
j y; ; M / f (y j ) j M;
8 2 39
J
< XJ 2
d 5=
(c+1) j M
/ 2 2 2
exp 4 + 2
: 2 2 ;
j=1
ou seja,
0 1
J 2
J X j M
2
j c; d; y; ; M GI @c + ; + dA : (6.5)
2 j=1 2
2 2
Se assumirmos uma distribuição a priori uniforme para ; U nif orme
(c; d) ; c e d conhecidos, temos
2 1 2
= I(c;d) :
d c
2
A distribuição condicional a posteriori para para um M …xo é
2
j y; ; M / f (y j ) j M; 2 2
8 2 39
J
< XJ 2 = 1
j M
/ 2 2
exp 4 5 2
I(c;d) 2
:
: 2 2 ; d c
j=1
6.2. MODELO BAYESIANO DE EFEITOS ALEATÓRIOS 65
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)
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
O viés de publicação
69
70 CAPÍTULO 7. O VIÉS DE PUBLICAÇÃO
bj bM
b = ;
j
ej
onde
J b
P j
j=1 e2j
bM =
PJ 1
2
j=1 e j
7.2. TESTE DE BEGG 71
P Q
K=r
J(J 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.
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")
b = + sj 1
j
75
76 REFERÊNCIAS BIBLIOGRÁFICAS
[14] BLAND, J. M.; ALTMAN, D. G. Statistics notes. The odds ratio. British
Medical Journal, v. 320, n. 7247, p.1468, 2000.
[17] BRIDGE, J.A.; IYENGAR, S.; SALARY, C.B.; BARBE, R. P.; BIRMA-
HER, B.; PINCUS, H.A.; REN, L.; BRENT, D. A. Clinical response and
risk for reported suicidal ideation and suicide attempts in pediatric an-
tidepressant treatment: a meta-analysis of randomized controlled trials.
Journal of the American Medical Association, v. 297, n. 15, p. 1663-1669,
2007.
[20] CASELLA, G.; GEORGE, E. I. Explaining the Gibbs sampler. The Amer-
ican Statistician, v. 46, n. 3, p.167-174, 1992.
[31] DEKKER, A.; BULLEY, S.; BEYENE, J.; DUPUIS, L. L.; DOYLE, J.
J.; SUNG, L. Meta-analysis of randomized controlled trials of prophy-
lactic granulocyte colony-stimulating factor and granulocyte-macrophage
colony-stimulating factor after autologous and allogeneic stem cell trans-
plantation. Journal of Clinical Oncology, v. 24, n. 33, p. 5207-5215, 2006.
[33] DEVEREAUX, P. J.; MANNS, B. J.; GHALI, W.A.; QUAN, H.; LAC-
CHETTI, C.; MONTORI, V.M.; BHANDARI, M.; GUYATT, G.H. Physi-
cian interpretations and textbook de…nitions of blinding terminology in
randomized controlled trials. Journal of the American Medical Associa-
tion, 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.
[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 Jour-
nal, v. 315, n. 7109, p. 629-634, 1997
[39] ENGELS, E.A.; SCHMID, C.H.; TERRIN, N.; OLKIN, I.; LAU, J. Het-
erogeneity and statistical signi…cance in meta-analysis. Statistics in analy-
sis: an empirical study of 125 meta-analyses. Statistics in Medicine, v. 19,
n. 13, p. 1707-1728, 2000.
[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.
[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.
[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.
[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.
[101] SIMON, S. D. Understanding the odds ratio and the relative risk. Journal
of Andrology, v. 22, n. 4, p.533-536, 2001
[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
[109] TIERNEY, L.; KADANE, J.B. Accurate approximations for posterior mo-
ments and marginal densities. Journal of the American Statistical Associ-
ation, v. 81, p.82-86, 1986.
[114] XU, H.; PLATT, R. W.; LUO, Z. C.; WEI, S.; FRASER, W. D. Ex-
ploring 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 ran-
domized 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.
[119] WONG, W. H.; LI, B. Laplace expansion for posterior densities of non-
linear functions of parameters. Biometrika, v. 79, p. 393-398, 1992.