Słownik metodologiczny · Wielkość efektu

Metaanaliza danych indywidualnych (IPD): podejście jedno- i dwuetapowe

Metaanaliza IPD łączy surowe dane uczestników z wielu badań zamiast opublikowanych wyników. Pokazujemy podejście dwuetapowe i jednoetapowe, przykład w R oraz badanie modyfikatorów efektu.

Strona główna / Słownik / Metaanaliza IPD
W skrócie: Metaanaliza danych indywidualnych (IPD) łączy surowe dane każdego uczestnika z kilku badań, a nie tylko opublikowane wyniki zbiorcze. Można ją prowadzić dwuetapowo (efekt w każdym badaniu, potem klasyczna metaanaliza) albo jednoetapowo, w jednym modelu wielopoziomowym.

Co to jest metaanaliza danych indywidualnych?

Metaanaliza danych indywidualnych (ang. individual participant data meta-analysis, IPD) łączy surowe dane każdego uczestnika z kilku badań, a nie tylko opublikowane wyniki zbiorcze (średnie, ilorazy szans, błędy standardowe), jak w klasycznej metaanalizie. Riley i in. (2010) opisują ją jako podejście o wielu potencjalnych przewagach statystycznych i klinicznych. W praktyce zespół może ujednolicić definicje wyników i zmiennych, sprawdzić dane i przeprowadzić analizę według jednego planu. Burke i in. (2017) dodają, że IPD uniezależnia syntezę od opublikowanych wyników i pozwala badać interakcje na poziomie osoby, np. modyfikatory efektu leczenia.

Podejście dwuetapowe i jednoetapowe

  • Dwuetapowe: najpierw w każdym badaniu osobno liczy się efekt i jego błąd standardowy, a potem łączy je zwykłym modelem metaanalizy, np. z efektami losowymi (τ² i I²).
  • Jednoetapowe: wszystkie dane analizuje się naraz w modelu wielopoziomowym, w którym uczestnicy są zagnieżdżeni w badaniach, a efekt interwencji może się między nimi losowo różnić.

Burke i in. (2017) podają dziesięć powodów, dla których oba podejścia mogą dać różne wyniki, i wskazują, że większość różnic wynika z odmiennych założeń modelu, a nie z samej liczby etapów.

Przykład

W sześciu symulowanych badaniach (łącznie 600 osób) efekty interwencji wahały się od 1.81 do 7.22 punktu. Podejście dwuetapowe dało efekt 4.44 (95% CI [2.99, 5.89]), τ² = 1.80, I² = 54.8%, a jednoetapowy model mieszany – 4.49 (SE = 0.74). Dopiero dane indywidualne pozwoliły oszacować interakcję interwencji z wiekiem centrowanym w badaniach: 0.15 punktu na rok (SE = 0.048, t = 3.13).

Jak opisać w pracy

Przeprowadzono metaanalizę danych indywidualnych sześciu badań (N = 600). W podejściu dwuetapowym efekt interwencji wyniósł 4.44 punktu (95% CI [2.99, 5.89]; τ² = 1.80; I² = 54.8%), a w modelu jednoetapowym z losowym efektem interwencji 4.49 (SE = 0.74). Interakcję interwencji z wiekiem oszacowano wewnątrz badań (0.15 punktu na rok, SE = 0.048).

Na co uważać

  • Interakcje licz wewnątrz badań. Berlin i in. (2002) pokazali, że analiza danych indywidualnych wykryła modyfikator efektu, którego metaregresja na danych zbiorczych nie wychwyciła; dane zbiorcze grożą błędem ekologicznym.
  • Nie łącz danych jak jednego badania. Pominięcie podziału na badania miesza efekty między- i wewnątrzbadaniowe.
  • Brakujące dane też są stronnicze. Jeśli część autorów nie udostępni danych, wynik może być obciążony podobnie jak przy błędzie publikacji.
  • Protokół i wyszukiwanie opisz jak w przeglądzie systematycznym, a plan analizy zarejestruj z góry (PROSPERO).
Przykład reprodukowalny

Metaanaliza IPD w R

Kod symuluje dane indywidualne z sześciu badań, liczy efekt w każdym badaniu i łączy wyniki funkcją metafor::rma(), a potem dopasowuje model jednoetapowy lme4::lmer() i interakcję interwencji z wiekiem. Liczby w tekście pochodzą z tego kodu.

Podejście dwuetapowe, jednoetapowe i interakcja

Dane wejściowe: 6 badań (od 60 do 150 osób, łącznie 600), losowy przydział do interwencji, wiek i wynik ciągły z różnym prawdziwym efektem w każdym badaniu (dane symulowane, set.seed(6980)).

Co odczytać: efekty i SE z sześciu badań; zbiorczy efekt dwuetapowy 4.44 (95% CI 2.99–5.89, τ² = 1.80, I² = 54.83%); efekt jednoetapowy 4.49 (SE 0.74, τ² = 1.77); interakcję grupa × wiek 0.150 (SE 0.048, t = 3.132).

R
set.seed(6980)
k <- 6                                               # 6 badań z danymi indywidualnymi
n <- c(60, 80, 100, 120, 90, 150)                    # liczebności badań
ipd <- do.call(rbind, lapply(1:k, function(s) {
  grupa <- rbinom(n[s], 1, 0.5)                      # 1 = interwencja, 0 = kontrola
  wiek <- round(rnorm(n[s], 40 + 3 * s, 10))         # średni wiek różni się między badaniami
  efekt <- 3 + rnorm(1, 0, 1)                        # prawdziwy efekt badania (heterogeniczność)
  y <- 20 + 2 * s + efekt * grupa + 0.1 * (wiek - 45) * grupa + rnorm(n[s], 0, 6)
  data.frame(badanie = factor(s), grupa, wiek, y)
}))
# Etap 1 (podejście dwuetapowe): efekt i jego SE w każdym badaniu osobno
etap1 <- t(sapply(split(ipd, ipd$badanie), function(d)
  summary(lm(y ~ grupa, data = d))$coefficients["grupa", 1:2]))
round(etap1, 2)
# Etap 2: klasyczna metaanaliza z efektami losowymi (REML)
dwuetap <- metafor::rma(yi = etap1[, 1], sei = etap1[, 2], method = "REML")
round(c(efekt = dwuetap$b[1], se = dwuetap$se, ci.lb = dwuetap$ci.lb,
        ci.ub = dwuetap$ci.ub, tau2 = dwuetap$tau2, I2 = dwuetap$I2), 2)
# Podejście jednoetapowe: model wielopoziomowy, osobny wyraz wolny dla badania,
# losowy efekt interwencji między badaniami
jednoetap <- lme4::lmer(y ~ 0 + badanie + grupa + (0 + grupa | badanie), data = ipd, REML = TRUE)
round(c(efekt = lme4::fixef(jednoetap)[["grupa"]],
        se = sqrt(diag(as.matrix(vcov(jednoetap))))[["grupa"]],
        tau2 = as.numeric(lme4::VarCorr(jednoetap)$badanie)), 2)
# Modyfikator efektu na poziomie osoby: interakcja grupa × wiek wewnątrz badań
ipd$wiek_c <- ipd$wiek - ave(ipd$wiek, ipd$badanie)  # wiek centrowany w badaniu
inter <- lme4::lmer(y ~ 0 + badanie + grupa * wiek_c + (0 + grupa | badanie), data = ipd)
round(summary(inter)$coefficients[c("grupa", "grupa:wiek_c"), ], 3)
Wynik w R
  Estimate Std. Error
1     1.81       1.45
2     4.76       1.38
3     3.78       1.17
4     3.73       1.17
5     4.60       1.22
6     7.22       1.03
efekt    se ci.lb ci.ub  tau2    I2 
 4.44  0.74  2.99  5.89  1.80 54.83 
efekt    se  tau2 
 4.49  0.74  1.77 
             Estimate Std. Error t value
grupa           4.441      0.744   5.968
grupa:wiek_c    0.150      0.048   3.132

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety metafor i lme4). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. metafor (wersja 5.2.1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
  3. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01

Najczęstsze pytania

Czym metaanaliza IPD różni się od zwykłej metaanalizy?

Zwykła metaanaliza łączy wyniki zbiorcze z publikacji. Metaanaliza IPD zbiera surowe dane uczestników, więc można ujednolicić definicje zmiennych, sprawdzić dane i analizować cechy osób, np. wiek jako modyfikator efektu.

Czy podejście jednoetapowe jest zawsze lepsze od dwuetapowego?

Nie. Przy podobnych założeniach oba dają zwykle zbliżone wyniki. Różnice biorą się najczęściej z innych założeń modelu, np. sposobu ujęcia wyrazu wolnego badania lub wariancji reszt, dlatego w pracy warto opisać wybrany model.

Co zrobić, gdy nie wszyscy autorzy udostępnią dane?

Opisz, ile badań i uczestników pozyskano, i porównaj wynik z metaanalizą danych zbiorczych z badań, których surowych danych nie uzyskano. Jeśli brakujące badania różnią się wynikami, wniosek może być obciążony.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Berlin, J. A., Santanna, J., Schmid, C. H., Szczech, L. A., & Feldman, H. I. (2002). Individual patient- versus group-level data meta-regressions for the investigation of treatment effect modifiers: Ecological bias rears its ugly head. Statistics in Medicine, 21(3), 371–387. https://doi.org/10.1002/sim.1023
  2. Burke, D. L., Ensor, J., & Riley, R. D. (2017). Meta-analysis using individual participant data: One-stage and two-stage approaches, and why they may differ. Statistics in Medicine, 36(5), 855–875. https://doi.org/10.1002/sim.7141 ● Otwarty dostęp
  3. Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: Rationale, conduct, and reporting. BMJ, 340, Article c221. https://doi.org/10.1136/bmj.c221 ● Otwarty dostęp

Cytowania BibTeX

@article{berlin2002individual, author={Berlin, Jesse A. and Santanna, Jill and Schmid, Christopher H. and Szczech, Lynda A. and Feldman, Harold I.}, title={{Individual patient- versus group-level data meta-regressions for the investigation of treatment effect modifiers: Ecological bias rears its ugly head}}, journal={Statistics in Medicine}, year={2002}, volume={21}, number={3}, pages={371--387}, doi={10.1002/sim.1023}}
@article{burke2017metaanalysis, author={Burke, Danielle L. and Ensor, Joie and Riley, Richard D.}, title={{Meta-analysis using individual participant data: One-stage and two-stage approaches, and why they may differ}}, journal={Statistics in Medicine}, year={2017}, volume={36}, number={5}, pages={855--875}, doi={10.1002/sim.7141}}
@article{riley2010metaanalysis, author={Riley, R. D. and Lambert, P. C. and Abo-Zaid, G.}, title={{Meta-analysis of individual participant data: Rationale, conduct, and reporting}}, journal={BMJ}, year={2010}, volume={340}, eid={c221}, doi={10.1136/bmj.c221}}
R