
Stefano Daniele
Per leggere in modo critico una metanalisi non basta l’abstract: osservando il forest plot, ovvero la rappresentazione grafica dello studio, è possibile valutare la natura dei dati utilizzati e la loro capacità di offrire una risposta al quesito clinico
La metanalisi è una valutazione di tipo statistico in grado di combinare i risultati di più studi scientifici da un punto di vista puramente quantitativo, vale a dire con dati di tipo numerico.
L’aspetto quantitativo differenzia la metanalisi dalla revisione sistematica che, invece, è un’analisi qualitativa che riporta delle conclusioni di evidenza scientifica senza però riportare dati numerici.
La metanalisi considera più studi scientifici che valutano u medesimo risultato (outcome), sommando di fatto il numero di campioni dei singoli studi inclusi nel lavoro. Questa procedura permette di avere una stima più precisa del risultato finale e restringere l’intervallo di valori numerici dove è più probabile trovare il risultato veritiero dell’analisi (si parla a questo proposito di valore puntiforme e intervallo di confidenza).
La metanalisi beneficia quindi di una maggior potenza statistica rispetto ai singoli studi primari inclusi e tale aspetto appare particolarmente utile quando gli studi primari non forniscono risultati concordanti tra loro, generando quindi incertezza.
La peculiarità che distingue la metanalisi da altre analisi statistiche risiede nel fatto che il confronto tra i singoli studi è una media ponderata, nel senso che non tutti gli studi inclusi sono considerati alla stessa maniera. Gli studi con un campione più ampio e con un ristretto intervallo di confidenza, infatti, hanno un peso maggiore all’interno della metanalisi e questo aspetto porta ad attribuire un peso individuale a ogni singolo studio invece che restituire una semplice media matematica dei dati.
Forest plot, misura dell’outcome, valore puntiforme e intervallo di confidenza
Il forest plot è la rappresentazione grafica della metanalisi che permette di visualizzare, in maniera intuitiva e immediata, i risultati deviranti dall’analisi (ponderata) degli studi inclusi nella valutazione.
Il forest plot è un grafico con un asse verticale delle ordinate, posto al centro del grafico, che indica il valore zero (nessun effetto) e un asse delle orizzontale ascisse che permette di attribuire un valore numerico a favore (a sinistra) oppure a sfavore (a destra) rispetto all’outcome considerato. L’outcome considerato può essere diverso e comprendere l’efficacia di un trattamento per una patologia oppure il rapporto di associazione tra due fattori correlati tra loro (ad esempio un agente patogeno e l’insorgenza della malattia).
Il valore attribuito a ogni singolo studio incluso nella metanalisi è rappresentato da un quadrato, che può trovarsi alla destra oppure alla sinistra rispetto al punto zero (asse delle ordinate) e che rappresenta la misura dell’outcome in questione. Questa rappresentazione grafica (quadrato), alla quale corrisponde un valore numerico, è denominato valore puntiforme di ogni singolo studio considerato. La forma del quadrato può essere più o meno grande in base al peso ponderato che lo studio ha all’interno della metanalisi.
Ad ogni valore puntiforme è associato un intervallo di confidenza, rappresentato con una linea che attraversa il quadrato, che stima, con una confidenza del 95%, la possibilità di trovare l’effetto o il risultato all’interno di quell’intervallo.
L’intervallo di confidenza è espresso con un valore numerico puntuale (positivo o negativo a seconda se è a favore oppure a sfavore dell’outcome) e un intervallo numerico incluso tra le parentesi che indica i singoli estremi dell’intervallo stesso, ad esempio: -0.05 (-0.50, 0.40). Se l’intervallo di confidenza è ristretto, l’effetto stimato (il valore puntiforme) è più preciso e probabilmente più vicino al vero effetto sulla popolazione (nel nostro esempio, lo studio 2). In alcuni casi l’intervallo di confidenza è talmente ampio da estendersi notevolmente sia alla destra sia alla sinistra rispetto al valore zero dell’asse delle ordinate e, di conseguenza, non in grado di fornire una interpretazione precisa (a favore oppure a sfavore) della misura dell’outcome (nel nostro esempio, lo studio 1).
La misura dell’outcome deve prendere in considerazione una metodologia statistica adeguata e tra queste quella più impiegata è l’odds ratio, che rappresenta il rapporto di associazione statistica tra due fattori (ad esempio esposizione al fluoro topico e insorgenza della lesione cariosa) oppure, in epidemiologia, la correlazione tra un fattore di rischio e una malattia (ad esempio consumo di zuccheri aggiunti e comparsa della lesioni cariosa).
Tutti i dati dei singoli studi inclusi nel forest plot sono riassunti nella parte bassa dello stesso, dove sono indicati un valore puntiforme a forma di rombo e un intervallo di confidenza al 95% riassuntivi e che rappresentano la reale stima dell’effetto dell’outcome considerato in seguito all’analisi statistica ponderata di tutti gli studi inclusi nell’analisi.

Rappresentazione grafica del forest plot di una metanalisi e relativi parametri descritti nel testo
L’eterogeneità degli studi inclusi nella metanalisi
Il valore puntiforme e l’intervallo di confidenza al 95% non sono gli unici fattori da considerare per valutare la misura ponderata dell’effetto dell’outcome in oggetto, ma è necessario prendere in considerazione anche l’eterogeneità degli studi inclusi nella metanalisi. Difatti il valore numerico (rombo conclusivo) della metanalisi è un dato spurio, che non tiene conto delle differenze di metodologia dei vari studi inclusi, anche se considerano lo stesso outcome, e l’errore casuale. Si parla quindi di eterogeneità degli studi inclusi ed errore casuale.
Ogni metanalisi infatti non può prescindere da una valutazione statistica delle differenze tra i singoli studi inclusi e dunque è necessario capire se i valori puntiformi e il relativo intervallo di confidenza finale, che fa il riassunto del confronto ponderato tra i singoli studi, ha confrontato studi non particolarmente omogenei tra loro per metodologia oppure no. Ovvero, in termini semplici, se la metanalisi ha incluso studi troppo eterogenei tra loro, unendo “le mele con le arance” nel risultato finale.
Facciamo un esempio pratico e clinico. Uno studio dice che un farmaco per una malattia riduce la mortalità del 30% in tutti i pazienti, mentre un secondo studio afferma che lo stesso farmaco riduce la mortalità in una media del 30%, ma con un effetto che va dallo 0% in alcuni pazienti al 60% in altri. Se i due studi sono inseriti all’interno di una metanalisi non sono, ovviamente, sovrapponibili in quanto esiste eterogeneità tra gli stessi e questo aspetto deve essere considerato nelle conclusioni, nell’effetto del risultato e nelle raccomandazioni cliniche derivanti dalla metanalisi.
Dal punto di vista statistico la quantificazione dell’eterogeneità degli studi inclusi nella metanalisi è espressa in forma numerica attraverso il parametro p oppure il parametro I2, che viene riportato al di sotto del forest plot.
Un valore di p<0.10 (non di 0.05 come per la significatività statistica) indica la presenza di eterogeneità degli studi inclusi nella metanalisi, mentre un valore di I2 pari al 25% indica una bassa eterogeneità degli studi inclusi, un I2 pari al 50% un valore moderato, mentre un valore di I2 pari o superiore al 75% è da interpretare come un’alta eterogeneità degli studi considerati. Nel nostro esempio abbiamo un valore medio di eterogeneità indicato da un p=0.03 e un I2=59,5%.
In conclusione, la valutazione del valore di eterogeneità degli studi inclusi nella metanalisi è un parametro sempre da integrare al valore puntiforme e all’intervallo di confidenza conclusivi, per trarre una conclusione sulla stima dell’effetto dell’analisi statistica sull’outcome in questione e la sua possibile ricaduta sulla partica clinica.
Stefano Daniele
Odontoiatra





