Meta-análise: modelo, heterogeneidade e forest plot

Por saudelaboratorial · CRBM-GO 5438

A meta-análise combina os resultados de estudos independentes em uma estimativa única com intervalo de confiança — mas a qualidade da síntese depende das decisões que antecedem o forest plot. Efeito fixo ou aleatório? Qual o I² que justifica preocupação? O que fazer quando os estudos divergem demais? Este texto foca a parte estatística: como escolher o modelo, ler os índices de heterogeneidade e reportar o resultado no padrão que periódicos e revisores aceitam.

Este texto é o par técnico do guia de meta-análise e revisão sistemática, que cobre o processo (PRISMA, seleção, extração). Aqui o foco é o momento em que os dados extraídos viram estimativa combinada.

Quando faz sentido fazer meta-análise

• Estudos comparáveis: população, intervenção e desfecho definidos de maneira semelhante
• Métricas de efeito extraíveis: cada estudo precisa reportar a mesma medida (OR, RR, DM, DMS)
• Quantidade mínima de estudos: com menos de 5–10 estudos as estimativas de heterogeneidade ficam pouco confiáveis

Efeito fixo ou efeitos aleatórios

• Efeito fixo: assume um único efeito verdadeiro. Faz sentido em réplicas quase idênticas — raras em ciências da saúde.
• Efeitos aleatórios: assume que cada estudo estima um efeito verdadeiro próprio. É o padrão da Cochrane para meta-análise clínica.

Regra prática: com estudos de origens e populações diferentes, comece por efeitos aleatórios. O modelo fixo entra como análise de sensibilidade.

Heterogeneidade: I², τ² e o intervalo de predição

• Q de Cochran: teste formal de homogeneidade. Não leia isoladamente.
• I²: percentual da variação atribuível à heterogeneidade. 0–40% pode não ser importante; 50–90% substancial; 75–100% considerável — interpretação depende do contexto clínico.
• τ²: variância entre estudos na escala do efeito. Não depende do tamanho dos estudos.
• Intervalo de predição (95% PI): onde o efeito de um novo estudo semelhante provavelmente estará. Mais informativo que o IC combinado — costuma ser bem mais largo.

Como ler um forest plot

1. Direção dos efeitos: estudos alinhados do mesmo lado reforçam a conclusão; lados opostos exigem discussão.
2. Sobreposição dos IC: ICs que não se sobrepõem entre estudos sinalizam heterogeneidade.
3. Diamante do efeito combinado: largura = IC 95%. Se cruza a linha nula, efeito combinado não significativo.

Meta-análise em R: exemplo mínimo

# Exemplo ilustrativo (dados fictícios)
library(meta)

m <- metabin(
  event.e = ev_int, n.e = n_int,     # eventos e n no grupo intervenção
  event.c = ev_ctrl, n.c = n_ctrl,   # eventos e n no grupo controle
  studlab = autor_ano, data = dados,
  sm = "OR", method = "MH",
  common = FALSE, random = TRUE,     # efeitos aleatórios
  method.tau = "REML",
  prediction = TRUE                  # intervalo de predição
)

summary(m)
forest(m)                            # forest plot
funnel(m)
metabias(m, method.bias = "Egger")  # viés de publicação

Erros comuns

• Combinar estudos clinicamente heterogêneos e discutir só heterogeneidade estatística
• Usar efeito fixo por padrão em estudos observacionais
• Reportar só o I² e ignorar τ² e intervalo de predição
• Fazer análise de subgrupos após ver os dados e apresentar como pré-especificada

Próximos passos

Uma meta-análise bem conduzida encerra com avaliação do risco de viés (GRADE) e relato conforme PRISMA 2020. O post sobre revisão sistemática e meta-análise em saúde cobre o processo completo, da pergunta PICO ao protocolo registrado.