# Carregar os pacotes necessário (se ainda não o tiver instalado, faça-o antes!)
library(meta) 
Laboratório de Neurofisiologia do Exercício - LaNEx.
Entendendo a Revisão Sitemática e Meta-Análise: Uma breve descrição com simulação de dados para a construção de um forest plot
Resumo
Este documento tem finalidade didática e acadêmica para uso do Grupo de Pesquisa do Laboratório de Neurofisiologia do Exercício (LaNEx) da Universidade do Estado do Rio Grande do Norte (UERN) e seus respectvos integrantes. Ressaltamos que a linguagem R é uma ferramenta gratuita usada para organizar, analisar e visualizar dados de forma prática e confiável, sendo muito utilizada em pesquisas e na área da saúde. Por ser distribuída sob uma licença livre (Licença Pública Geral GNU), qualquer pessoa pode utilizar, modificar e compartilhar o R sem pagar nada por isso. Isso facilita o acesso de estudantes, professores e profissionais a recursos de análise de dados de alta qualidade, permitindo que mais pessoas possam aprender, aplicar estatística em suas pesquisas e tomar decisões baseadas em dados de forma independente e ética.
1 Revisão Sistemática.
1.1 O Que é?
A revisão sistemática com meta-análise surgiu como resposta à necessidade de integrar, de forma crítica e metodológica, evidências dispersas de estudos primários para fornecer uma síntese quantitativa confiável sobre uma pergunta de pesquisa específica. O termo meta-análise foi utilizado pela primeira vez em 1976 por Gene V. Glass ao descrever métodos estatísticos para combinar resultados de estudos independentes, propondo que “meta-análise é a análise de análises” (Nazareth, 2020).
Imagine que você está tentando resolver um quebra-cabeça gigante sobre um tópico específico. Uma Revisão Sistemática é como coletar todas as peças disponíveis desse quebra-cabeça (que são estudos e pesquisas) de uma maneira metodicamente organizada. Obviamente você sabe que nem todos os quebra-cabeças tem o mesmo tamanho de peças. Desse modo você vai procurar em todas as peças (estudos) seguindo um plano pré-definido, para garantir que não está perdendo nada importante (peças adequadas ao seu quebra-cabeças) ou tomando alguma peça que não vai se encaixar no seu esquema (estudos ruins ou com critérios divergentes do que você planejou).
Contudo, o embasamento metodológico para revisões sistemáticas pode ser rastreado desde o movimento da Medicina Baseada em Evidências (MBE), iniciado nas décadas de 1970 e 1980, culminando com o desenvolvimento da Cochrane Collaboration em 1993, que consolidou protocolos rigorosos de revisão sistemática, padronizando a busca, a extração e a síntese de dados para reduzir vieses e aumentar a reprodutibilidade das conclusões (JPTTJ et al., 2024).
Pontos Fortes.
Fornece uma visão abrangente e objetiva de toda a pesquisa disponível sobre um tópico, ajudando a obter uma compreensão mais completa.
Pontos Fracos.
Pode ser limitada pela qualidade e quantidade dos estudos existentes. Além disso, requer muito tempo e esforço para ser feita corretamente.
1.2 Aplicação.
Sua aplicação se dá quando quisermos uma visão completa sobre um tópico, especialmente em campos onde há muita pesquisa disponível. Isso tem implicações nas tomadas de decisões, avaliação de práticas terapêuticas e verificação da realidade para apoiar certas crenças ou “verdades empíricas” .
2 Meta-Análise.
2.1 O Que é?
Agora, imagine que você está tentando ver o quadro geral que essas peças do quebra-cabeça (estudos) formam. A Meta-Análise é como pegar todas essas peças e tentar montá-las para ver a imagem. Nesse processo, você usa estatísticas para combinar os resultados de diferentes estudos, buscando padrões ou conclusões gerais. Em outras palavras é quase uma “prova dos nove” à luz das informações existentes sobre o que está em análise.
As revisões sistemáticas com meta-análise evoluíram para incluir diferentes abordagens, como meta-análises em rede e meta-regressões, permitindo comparações indiretas e exploração de heterogeneidade entre estudos (Borenstein et al., 2009). Este desenvolvimento foi fundamental para que se tornassem uma ferramenta central em diretrizes clínicas, políticas de saúde e tomadas de decisão baseadas em evidências, consolidando-se como o nível mais alto na hierarquia de evidências científicas (Silva; Livramento Fortes Figueiredo; Carvalho Mendes, 2014).
Pontos Fortes.
Permite uma análise quantitativa e objetiva dos dados, podendo revelar tendências ou efeitos que não são óbvios em estudos individuais.
Pontos Fracos.
A qualidade da meta-análise é altamente dependente da qualidade dos estudos incluídos. Além disso, há o risco de viés de publicação (tendência de publicar apenas estudos com resultados significativos).
2.2 Aplicação
É mais útil quando os estudos individuais não são conclusivos ou quando há resultados contraditórios entre eles.
Em resumo, tanto a Revisão Sistemática quanto a Meta-Análise são maneiras de olhar para um monte de experimentos e tentar entender o que, no geral, eles estão nos dizendo. Não é apenas olhar para um estudo e dizer “Eureka!”, mas olhar para muitos deles, entender suas diferenças e semelhanças, e então chegar a uma conclusão mais fundamentada. É um pouco como ser um detetive em uma cena de crime cheia de pistas; você não pode simplesmente escolher uma e ignorar as outras. Você precisa olhar para todas elas e ver como se conectam para entender verdadeiramente o que aconteceu.
Para criar um gráfico de revisão sistemática com meta-análise, vamos simular um cenário comum neste tipo de estudo. Tipicamente, uma meta-análise compila os resultados de vários estudos e calcula uma medida agregada, como a diferença média padronizada ou a razão de chances. Aqui, usaremos a diferença média padronizada como exemplo.
Em ambiente R, primeiro simularemos dados para um conjunto hipotético de estudos. Cada estudo terá uma diferença média padronizada (effect size), um erro padrão dessa diferença e um peso para a meta-análise. Depois, usaremos o pacote meta para realizar a meta-análise e gerar o gráfico correspondente.
Simulação de Dados
Vamos criar um dataframe com os seguintes campos para cada estudo:
study: Nome do estudo
effectSize: Diferença média padronizada (simulada)
se: Erro padrão da diferença média padronizada (simulada)
Eventualmente pode ser que o R peça que o pacote nloptr também esteja instalado. Desse modo, caso aconteça, prossiga com install.packages("nloptr").
Agora vamos simular os dados para criar o gráfico. Obviamente, se você realmente realizou uma revisão sistemática, terá em mãos as informações dos artigos necessárias à construção de um data frame contendo os tamanhos de efeito e erros padrão.
set.seed(123) # Para reprodutibilidade
n_studies = 10 # Número de estudos
study_names = paste("Estudo", 1:n_studies)
# Simular diferenças médias padronizadas
effect_sizes = rnorm(n_studies, mean = 0, sd = 0.2)
# Simular erros padrões
se = runif(n_studies, min = 0.1, max = 0.2)
# Criando um data frame com as informações (simuladas ou coletadas)
data = data.frame(study = study_names, effectSize = effect_sizes, se = se)Criado o data frame com as informações extraídas dos artigos (simuladas neste exemplo) ficará fácil criar o gráfico.
# Criando o objeto contendo a Meta-análise
meta_analysis = metagen(
TE = effectSize, # variável contendo o tamanho do efeito
seTE = se, # variável contendo o erro padrão
studlab = study, # variável contendo o nome dos estudos
data = data, # O data frame contendo as informações
sm = "SMD" # Diferença de Média padronizada
)O objeto criado será do tipo lista e poderá ser usado como parâmetro para a função forest() para a geração do forest plot
# Gerar gráfico de floresta
forest(meta_analysis)
2.3 Considerações Finais.
Este script simula dados para 10 estudos e realiza uma meta-análise usando o pacote meta em R. O gráfico resultante, conhecido como gráfico de floresta (forest plot), mostrará a diferença de média padronizada de cada estudo, junto com o intervalo de confiança e a medida agregada de todos os estudos. Note que os dados são simulados e, portanto, os resultados são apenas ilustrativos e não refletem nenhuma meta-análise real.
Referências
JPTTJ, Higgins et al. cochrane handbook for systematic reviews of interventions version 6.4 (updated August 2023). cochrane, 2023., 2024.
NAZARETH, Camila Cristine Gomes. REVISÃO DE LITERATURA E REVISÃO SISTEMÁTICA: UMA ANÁLISE OBJETIVA. 2020.
SILVA, M.; LIVRAMENTO FORTES FIGUEIREDO, Maria do; CARVALHO MENDES, Walkiria de. REVISÃO SISTEMÁTICA: UM CAMINHO PARA EVIDÊNCIAS NA PRODUÇÃO CIENTÍFICA DE ENFERMAGEM/SYSTEMATIC REVIEW: A WAY FOR EVIDENCE IN SCIENTIFIC PRODUCTION OF NURSING. v. 1, p. 72–81, 2014.