Meta Analyse Der Inzidenzraten In Der Devisenforschung

9.4.8 160 Metaanalyse von Zählungen und Raten Die Ergebnisse können als Zähldaten ausgedrückt werden, wenn jeder Teilnehmer ein Ereignis erleben kann und es mehr als einmal erleben kann (siehe Abschnitt 9.2.5). Zum Beispiel zählen die Anzahl der Schlaganfälle oder die Anzahl der Krankenhausbesuche. Diese Ereignisse können nicht passieren, aber wenn sie passieren, gibt es keine theoretische maximale Anzahl von Vorkommnissen für eine Person. Wie in Kapitel 7 (Abschnitt 7.7.5) beschrieben, können die Zähldaten mit Methoden für dichotome (siehe Abschnitt 9.4.4), kontinuierliche (siehe Abschnitt 9.4.5) und Zeit-zu-Ereignis-Daten (siehe Abschnitt 9.4.9) analysiert werden ) Als auch als Ratendaten analysiert. Rate Daten auftreten, wenn Zählungen für jeden Teilnehmer zusammen mit der Zeit gemessen werden, über die sie beobachtet werden. Dies ist besonders geeignet, wenn die gezählten Ereignisse selten sind. Zum Beispiel kann eine Frau zwei Schlaganfälle während einer Follow-up-Zeitraum von zwei Jahren erleben. Ihre Rate von Schlaganfällen ist eine pro Jahr der Follow-up (oder, äquivalent 0,083 pro Monat der Follow-up). Die Preise werden auf Gruppenebene konventionell zusammengefasst. Zum Beispiel können Teilnehmer in der Kontrollgruppe einer klinischen Studie 85 Schlaganfälle während einer Gesamtzahl von 2836 Personenjahren von Follow-up erfahren. Eine zugrunde liegende Annahme, die mit der Verwendung von Sätzen verbunden ist, besteht darin, dass das Risiko eines Ereignisses über die Teilnehmer und über die Zeit konstant ist. Diese Annahme sollte sorgfältig für jede Situation betrachtet werden. Zum Beispiel, in Verhütungsstudien wurden Raten (Pearl-Indizes genannt) verwendet, um die Anzahl der Schwangerschaften pro 100 Frauen-Jahre Follow-up zu beschreiben. Dies wird jetzt als unangebracht, da Paare unterschiedliche Risiken der Empfängnis haben, und das Risiko für jede Frau im Laufe der Zeit verändert. Schwangerschaften werden nun häufiger mit Lebenstabellen oder Zeit-zu-Ereignis-Methoden untersucht, die die Zeit vor der ersten Schwangerschaft untersuchen. Das Analysieren von Zähldaten als Raten ist nicht immer der geeignetste Ansatz und ist in der Praxis ungewöhnlich. Dies liegt daran, dass die Annahme eines konstanten zugrunde liegenden Risikos möglicherweise nicht geeignet ist und statistische Methoden nicht so gut entwickelt sind wie für andere Arten von Daten. Die Ergebnisse einer Studie können als Ratenverhältnis ausgedrückt werden. Das ist das Verhältnis der Rate in der experimentellen Interventionsgruppe zur Rate in der Kontrollgruppe. Angenommen, E E-Ereignisse traten während der T E-Teilnehmer-Jahre des Follow-up in der experimentellen Interventionsgruppe und E C-Ereignisse während der T C-Teilnehmerjahre in der Kontroll-Interventionsgruppe auf. Das Ratenverhältnis Die (natürlichen) Logarithmen der Ratenverhältnisse können über Studien mit dem generischen Invers-Varianz-Verfahren kombiniert werden (siehe Abschnitt 9.4.3.2). Ein angenäherter Standardfehler des Log-Rate-Verhältnisses ist gegeben durch A kann eine Korrektur von 0,5 zu jeder Zählung bei Null-Ereignissen hinzugefügt werden. Es ist anzumerken, daß die Wahl der Zeiteinheit (d. h. Patientenmonate, Frauenjahre usw.) irrelevant ist, da sie aus dem Ratenverhältnis herausgenommen wird und nicht in dem Standardfehler abgebildet ist. Allerdings sollten die Einheiten immer noch angezeigt werden, wenn die Ergebnisse der Studie. Ein alternatives Mittel zur Schätzung des Ratenverhältnisses ist der Ansatz von Whitehead und Whitehead (Whitehead 1991). In einer randomisierten Studie können Ratenverhältnisse oft sehr ähnlich zu relativen Risiken, die nach der Dichotomisierung der Teilnehmer, da die durchschnittliche Dauer der Follow-up sollte in allen Interventionsgruppen ähnlich sein. Ratenverhältnisse und relative Risiken unterscheiden sich jedoch, wenn eine Intervention die Wahrscheinlichkeit von einigen Teilnehmern mit mehreren Ereignissen beeinflusst. Es ist auch möglich, die Aufmerksamkeit auf die Ratenunterschiede zu richten, ein angenäherter Standardfehler für die Ratendifferenz. Die Analyse erfordert wiederum die Verwendung der generischen inversen Varianz-Methode in RevMan. Eine der wenigen Diskussionen, die noch relativ kurz sind, ist die von Hasselblad und McCrory (Hasselblad 1995). Es gibt verschiedene Ansätze, aber die grundlegende Untermauerung kumuliert natürlich die Daten aus getrennten Studien. In erster Linie hängt alles davon ab, ob Sie unangepasste oder angepasste Effektschätzungen zusammenfassen möchten. Wenn Sie angepasst werden wollen, dann müssen Sie wahrscheinlich Protokoll-transformierten angepasst Hazard-Verhältnisse (jeweils gewichtet umgekehrt zu seiner Varianz) Pool. Dies kann in den meisten Paketen ganz einfach gemacht werden (auch mit RevMan). Wenn Sie mit unangemessenen Risikoschätzungen zufrieden sind, dann sind mehrere Methoden und Modelle in einer Reihe von statistischen Software zur Verfügung, aber ich würde empfehlen, Meta und Meta für Pakete in R. Beachten Sie, dass die tatsächliche Häufigkeit von Ereignissen wichtig sein wird (mit seltenen Ereignissen eine Poisson Modell ist wahrscheinlich besser), und ob Sie 0 Zellen, die eine Art von transformartion. Darüber hinaus denken Sie daran, dass Sie das Verhältnis von Ereignissen Patienten im Risikofaktor in Gefahr (z. B. 4 Ereignisse von 8 Patienten jeweils für 2 Jahre gefolgt von 4 Ereignissen aus 16 PatientenJahre). Beantwortet Mar 9 16 am 22:24