CAPÍTULO 7 - META-ANÁLISE DE DESFECHOS BINÁRIOS

Instalando e Carregando o Pacote meta

Antes de começar, precisamos instalar e carregar o pacote meta, que contém as funções necessárias para realizar metanálises.

Passo 1: Instalar e carregar o pacote meta

install.packages("meta")  # Instalar o pacote

library(meta)             # Carregar o pacote

Preparando seu Conjunto de Dados

Antes de iniciar sua metanálise, é essencial garantir que os dados estejam organizados corretamente. Isso evita erros e facilita a compatibilidade com as funções do R.

Abaixo está um exemplo de como estruturar seu conjunto de dados no Microsoft Excel antes de importá-lo para o R.

📌 (Inserir imagem ilustrando a estrutura do dataset no Excel.)

Após organizar seu conjunto de dados, importe-o para o R, converta-o para um data frame e atribua o nome acm, referente ao desfecho All-Cause Mortality.

Criando sua Metanálise

A função metabin() é utilizada para realizar metanálises de desfechos binários, ou seja, situações em que existem apenas dois possíveis resultados (por exemplo: vivo/morto, sucesso/fracasso ou sim/não).

Principais argumentos da função metabin()

  • event.e → Número de eventos no grupo experimental.

  • n.e → Número total de participantes no grupo experimental.

  • event.c → Número de eventos no grupo controle.

  • n.c → Número total de participantes no grupo controle.

  • data → Nome do data frame contendo os dados da metanálise (neste exemplo, acm).

  • method → Método utilizado para combinar os estudos. O padrão é "MH" (Mantel-Haenszel).

  • method.tau → Método utilizado para estimar a variância entre os estudos. O padrão é "DL" (DerSimonian-Laird).

  • sm → Medida de efeito utilizada. As opções mais comuns são "RR" (Risk Ratio) e "OR" (Odds Ratio).

  • hakn → Define se será utilizado o ajuste de Hartung-Knapp (TRUE ou FALSE). O padrão é FALSE.

  • studlab → Nome da coluna contendo a identificação dos estudos (por exemplo, Author).

Exemplo de Código

m.acm <- metabin(
  event.e,
  n.e,
  event.c,
  n.c,
  data = acm,
  method = "MH",
  method.tau = "DL",
  sm = "OR",
  hakn = FALSE,
  studlab = Author
)

O que acontece aqui?

O comando acima cria um novo objeto chamado m.acm, que armazenará todos os resultados da metanálise referente ao desfecho All-Cause Mortality (ACM).

Esse objeto conterá informações como:

Visualizando os Resultados da Metanálise

Após executar a função metabin(), podemos visualizar um resumo estatístico utilizando a função summary().

Código

summary(m.acm)

📌 (Inserir imagem mostrando a saída do comando summary(m.acm) no console do RStudio.)

O que o summary() mostra?

A função summary() fornece um resumo completo da metanálise, incluindo:

Após criar a metanálise e armazenar seus resultados no objeto m.acm, podemos visualizar os resultados graficamente utilizando a função forest().

O que é um Forest Plot?

O Forest Plot é o gráfico mais utilizado em metanálises. Ele apresenta, de forma visual, o efeito individual de cada estudo incluído na análise, bem como a estimativa combinada de todos os estudos.

Cada estudo é representado por um quadrado, cujo tamanho é proporcional ao seu peso na metanálise, acompanhado por uma linha horizontal correspondente ao intervalo de confiança de 95%. Ao final do gráfico, o efeito combinado é representado por um diamante.

Código para gerar o Forest Plot

forest(
  m.acm,
  layout = "Revman5",
  sortvar = studlab,
  lab.e = "Pretreatment",
  lab.c = "No Pretreatment",
  label.left = "Favors Pretreatment",
  col.label.left = "black",
  ff.lr = "bold",
  label.right = "Favors No Pretreatment",
  col.label.right = "black",
  leftcols = c(
    "studlab",
    "Year",
    "event.e",
    "n.e",
    "event.c",
    "n.c",
    "w.random",
    "effect",
    "ci"
  ),
  rightcols = FALSE,
  pooled.events = TRUE,
  pooled.totals = TRUE,
  random = TRUE,
  common = FALSE,
  diamond.random = TRUE,
  fs.heading = 12,
  fs.study = 12,
  fs.hetstat = 12,
  colgap = "6mm",
  digits = 2,
  digits.pval = 3,
  col.square = "darkblue",
  col.square.lines = "black",
  col.diamond = "black",
  col.diamond.lines = "black",
  print.Q = TRUE,
  print.pval.Q = TRUE,
  print.tau.ci = TRUE,
  test.overall.random = TRUE,
  overall.hetstat = TRUE
)

📌 (Inserir imagem mostrando o Forest Plot gerado no RStudio.)

Principais Argumentos da Função forest()

A função forest() possui diversas opções de personalização. A seguir, são apresentados os argumentos mais importantes utilizados neste tutorial.

sortvar

Define a ordem em que os estudos serão apresentados no gráfico.

Neste exemplo, os estudos são ordenados pela variável studlab, correspondente ao nome dos autores.

lab.e e lab.c

Definem os nomes que serão exibidos para os grupos experimental e controle.

lab.e = "Pretreatment"

lab.c = "No Pretreatment"

label.left e label.right

Adicionam rótulos indicando a direção do efeito observado.

Esses textos auxiliam na interpretação do gráfico, indicando qual intervenção é favorecida conforme a posição do efeito em relação à linha de nulidade.

leftcols

Define quais informações serão exibidas na tabela localizada à esquerda do gráfico.

Neste exemplo são apresentados:

  • Nome do estudo;
  • Ano de publicação;
  • Número de eventos no grupo experimental;
  • Número total de participantes do grupo experimental;
  • Número de eventos no grupo controle;
  • Número total de participantes do grupo controle;
  • Peso do estudo;
  • Medida de efeito;
  • Intervalo de confiança.

random e common

Esses argumentos definem qual modelo estatístico será utilizado.

random = TRUE
common = FALSE

Nesse exemplo, será utilizado o modelo de efeitos aleatórios, enquanto o modelo de efeitos fixos não será exibido.

w.random

Quando utilizado em leftcols, exibe o peso de cada estudo considerando o modelo de efeitos aleatórios.

Caso seja utilizado um modelo de efeitos fixos, normalmente utiliza-se w.common.

pooled.events e pooled.totals

Esses argumentos adicionam ao gráfico o número total de eventos e o número total de participantes de cada grupo após o agrupamento dos estudos.

col.square e col.diamond

Permitem personalizar as cores utilizadas no gráfico.

Neste exemplo:

  • os quadrados dos estudos são exibidos em azul escuro;
  • o diamante correspondente ao efeito combinado é exibido em preto.

digits e digits.pval

Controlam o número de casas decimais exibidas para as medidas de efeito e para os valores de p.

overall.hetstat

Quando definido como TRUE, exibe automaticamente as principais estatísticas de heterogeneidade da metanálise, incluindo:

  • Estatística Q de Cochran;
  • Valor de p da heterogeneidade;
  • I²;
  • Tau².

Essas informações auxiliam na interpretação da consistência entre os estudos incluídos.

Interpretando o Forest Plot

Após a geração do gráfico, é possível identificar rapidamente:

A interpretação conjunta dessas informações permite avaliar não apenas a magnitude do efeito observado, mas também a consistência dos resultados disponíveis na literatura.

Resumo do Tutorial

Ao final deste capítulo, aprendemos como realizar uma metanálise de desfechos binários utilizando o pacote meta.

Em resumo: