Meta-análise em saúde: guia prático e passo a passo

Por saudelaboratorial · CRBM-GO 5438

A meta-análise é a etapa em que os resultados de vários estudos primários deixam de ser lidos um a um e passam a ser combinados em uma única estimativa quantitativa, com intervalo de confiança. Ela quase sempre nasce dentro de uma revisão sistemática e é hoje uma das evidências de maior peso na pesquisa em saúde — o que também a torna uma das análises mais cobradas por bancas e revisores. Fazer errado costuma custar a submissão. Para as etapas anteriores à síntese quantitativa, consulte o roteiro de revisão sistemática. A leitura dos resultados também exige distinguir intervalo de confiança e valor-p.

Este guia percorre o caminho na ordem em que ele realmente acontece: da pergunta e do protocolo até a leitura do forest plot e a resposta aos revisores. Os números usados como exemplo são ilustrativos e servem apenas para mostrar a lógica de interpretação.

O que é uma meta-análise e quando ela faz sentido?

Meta-análise é o conjunto de métodos estatísticos que combina os efeitos observados em estudos independentes que responderam a uma mesma pergunta. O produto é um efeito combinado — por exemplo, uma razão de chances (odds ratio), um risco relativo, uma diferença de médias ou uma diferença padronizada de médias — acompanhado de um intervalo de confiança que reflete a precisão do conjunto.

Ela faz sentido quando os estudos são clinicamente comparáveis: população parecida, intervenção (ou exposição) definida da mesma forma e desfecho medido de maneira compatível. Quando essa comparabilidade não existe, combinar números gera uma média que não representa nada — o clássico problema de somar laranjas com maçãs.

Qual a diferença entre revisão sistemática e meta-análise?

São coisas diferentes que costumam aparecer juntas. A revisão sistemática é o processo reproduzível de formular a pergunta, buscar em bases, selecionar estudos, extrair dados e avaliar risco de viés. A meta-análise é a síntese estatística que pode (ou não) fechar esse processo. Existem revisões sistemáticas sem meta-análise — e é correto que seja assim quando os estudos são heterogêneos demais para serem somados.

O relato de todo esse percurso segue hoje o PRISMA 2020, que padroniza desde o fluxograma de seleção até os itens obrigatórios do texto. Muitos periódicos exigem o checklist preenchido na submissão.

Como escolher entre efeito fixo e modelo de efeitos aleatórios?

Essa é a decisão que mais gera confusão. O modelo de efeito fixo assume que todos os estudos estimam o mesmo efeito verdadeiro e que a variação entre eles é apenas erro amostral. O modelo de efeitos aleatórios assume que o efeito verdadeiro varia de estudo para estudo, em torno de uma média — e incorpora essa variação (o parâmetro tau²) ao cálculo.

Na pesquisa clínica e epidemiológica, populações, protocolos e contextos quase nunca são idênticos, então o modelo de efeitos aleatórios costuma ser o padrão mais defensável. A escolha, porém, deve ser justificada a priori no protocolo, e não decidida depois de olhar o resultado que “fica melhor”.

Está montando essa análise para uma banca ou submissão e quer segurança de que o método está correto? Fale com a consultoria e peça um orçamento — entregamos análise reproduzível em R, com relatório e código.

O que é heterogeneidade e como interpretar o I²?

Heterogeneidade é o grau em que os efeitos dos estudos diferem além do acaso. A estatística I² expressa a proporção da variação total atribuível a diferenças reais entre estudos, e não ao erro amostral. Uma leitura ilustrativa e amplamente citada: valores em torno de 25% sugerem heterogeneidade baixa, perto de 50% moderada e acima de 75% alta. Esses cortes são orientativos, não regras rígidas.

I² alto não invalida a revisão — ele sinaliza que a pergunta certa passou a ser por que os estudos diferem. É aí que entram a análise de subgrupos e a meta-regressão, sempre planejadas com parcimônia para não caçar significância em dezenas de recortes.

E o viés de publicação?

Estudos com resultados “positivos” são publicados com mais facilidade, o que pode inflar o efeito combinado. O funnel plot e testes de assimetria ajudam a levantar a suspeita, mas têm baixo poder quando há poucos estudos — motivo pelo qual sua interpretação precisa ser prudente.

Como ler um forest plot?

O forest plot é a figura-síntese da meta-análise. Cada linha traz o efeito de um estudo (o quadrado, cujo tamanho reflete o peso) e seu intervalo de confiança (a barra horizontal). O losango na base representa o efeito combinado. Se o losango cruza a linha de nulidade (1 para razões, 0 para diferenças), o efeito conjunto não é estatisticamente significativo naquele nível.

Um detalhe que muitos autores esquecem: significância estatística não é o mesmo que relevância clínica. Um efeito combinado pequeno, ainda que significativo por causa do grande tamanho amostral acumulado, pode não ter importância prática — discussão que se conecta diretamente ao significado do valor de p e ao tamanho de efeito.

Quais erros mais reprovam uma meta-análise na revisão?

Os problemas recorrentes são conhecidos: protocolo não registrado, ausência do checklist PRISMA, escolha do modelo sem justificativa, tratar I² alto como detalhe, combinar desfechos medidos de formas incompatíveis e concluir “não há efeito” quando o intervalo de confiança é apenas largo demais (falta de poder, não ausência de efeito). Vários desses pontos se resolvem ainda no planejamento — inclusive com um bom dimensionamento e leitura de precisão.

Quando a revisão é de acurácia diagnóstica, há um ramo próprio, com modelos hierárquicos e curvas específicas; vale conhecer a lógica da curva ROC e da acurácia diagnóstica antes de partir para a síntese.

Por que fazer em R e de forma reproduzível?

Conduzir a meta-análise em R (com pacotes consolidados de síntese) permite versionar cada decisão, refazer a análise quando um estudo entra ou sai e responder aos revisores em horas, não em semanas. Essa é a base do nosso trabalho de análise reproduzível em R: script, dados e relatório caminham juntos.

Precisa de ajuda com essa análise?

Errar o método aqui custa caro: retrabalho, atraso na defesa e pedidos de reanálise dos revisores. A Estatística para Pesquisa faz a análise completa, reproduzível em R, com relatório interpretado e código versionado. Veja quanto custa uma consultoria estatística ou solicite um orçamento agora.

Referências

• Page MJ et al. The PRISMA 2020 statement. BMJ. 2021;372:n71. (https://www.prisma-statement.org/)
• Higgins JPT, Thomas J et al. Cochrane Handbook for Systematic Reviews of Interventions (versão corrente). (https://training.cochrane.org/handbook/current)
• Sousa MR, Ribeiro ALP. Revisão sistemática e meta-análise de estudos de diagnóstico e prognóstico: um tutorial. Arq Bras Cardiol. 2009;92(3):241-251. (https://www.scielo.br/j/abc/a/fM7by9YHVXjb3GbdnnMcdJv/?lang=pt)

Perguntas frequentes

Toda revisão sistemática termina em meta-análise?

Não. A meta-análise só é apropriada quando os estudos são suficientemente semelhantes em população, intervenção e desfecho. Quando a heterogeneidade clínica ou metodológica é grande, a síntese quantitativa pode ser enganosa e a recomendação é uma síntese narrativa estruturada.

Quantos estudos são necessários para fazer uma meta-análise?

Não existe número mínimo consagrado. Tecnicamente é possível combinar dois estudos, mas estimativas de heterogeneidade e testes de viés de publicação ficam pouco confiáveis com poucos estudos. Interpretar o resultado exige cautela quando há menos de cerca de dez estudos.

Vocês fazem a meta-análise ou só orientam?

Os dois formatos. Podemos conduzir a extração, a modelagem e o forest plot em R de forma reproduzível, ou orientar sua equipe em pontos específicos, como escolha do modelo, avaliação de heterogeneidade e resposta aos revisores.