Co to jest skumulowana metaanaliza?
Skumulowana metaanaliza (ang. cumulative meta-analysis) to seria metaanaliz, w której badania dodaje się po kolei – zwykle według roku publikacji – i po każdym dodaniu przelicza efekt łączny z przedziałem ufności. Wynik pokazuje się jak wykres lasu, ale każdy wiersz to nie pojedyncze badanie, tylko stan wiedzy „do tego roku”. Lau i in. (1992) zastosowali ją do 33 badań streptokinazy w zawale serca: istotne zmniejszenie śmiertelności było widoczne już w 1973 r., po ośmiu badaniach, a kolejne 25 badań prawie nie zmieniło ilorazu szans, tylko zawęziło przedział ufności.
Kiedy jej użyć
- Kiedy wynik się ustabilizował – od którego badania efekt łączny i jego przedział przestały się istotnie zmieniać.
- Czy efekt zmienia się w czasie – np. maleje, bo pierwsze badania były małe i optymistyczne. Taki obraz pasuje do efektu szuflady, ale może też wynikać ze zmiany populacji lub procedur.
- Inna kolejność – badania można dodawać według liczebności, jakości lub precyzji. Porządek od najbardziej precyzyjnych badań pokazuje, jak wynik zmieniają małe badania, i uzupełnia wykres lejkowy.
Przykład
Symulowano 12 badań nad treningiem z lat 2004–2024 (efekt jako d Cohena). Parametry ustawiono ręcznie: prawdziwy efekt malał z czasem od około 0.75 do 0.15, a późniejsze badania były większe; ziarna (763) nie zmieniano. Po dwóch badaniach (2006) efekt łączny wynosił d = 0.51, 95% CI [0.10, 0.93], p = .016. Po sześciu (2012) – d = 0.38, 95% CI [0.22, 0.54]. Po wszystkich 12 – d = 0.21, 95% CI [0.12, 0.30]. I² w kolejnych krokach wynosił 0–13%, więc zwykła miara heterogeniczności nie zdradziła zmiany w czasie.
Na rysunku
set.seed(763)).Co widać. W panelu A widać pojedyncze badania: wczesne mają szerokie przedziały i większe efekty, późniejsze – węższe przedziały i efekty bliżej zera. Panel B odpowiada na inne pytanie: co wiedzieliśmy po każdym roku. Romby przesuwają się w lewo, ku końcowemu d = 0.21 (linia przerywana), a przedziały się zawężają. Wczesne wyniki łączne leżą wyraźnie na prawo od końcowego.
Na co uważać. Wiersze panelu B nie są niezależne – każdy zawiera wszystkie poprzednie badania, więc przedział zawęża się już z samego przyrostu danych. Wykres pokazuje trend, ale nie jego przyczynę. Jeśli opisujesz moment, w którym wynik „stał się istotny”, pamiętaj o wielokrotnym testowaniu (zob. „Na co uważać” niżej).
Podpis do pracy:
Jak opisać w pracy
Podaj kryterium kolejności (ustalone przed analizą), model i kilka kluczowych kroków, a nie wszystkie wiersze.
Na co uważać
Przeliczanie testu po każdym nowym badaniu to wielokrotne testowanie. Wetterslev i in. (2008) pokazali, że skumulowane metaanalizy łatwo dają pozorne p < .05. Jeśli pytasz, czy dowodów jest już dość, użyj sekwencyjnej analizy metaanalizy (TSA) z granicami monitorowania, a nie samego wykresu.
Kolejność ustal przed analizą: dobranie porządku, który daje „ładny” trend, to ta sama pułapka co dobór analiz po wyniku. Malejący efekt nie dowodzi błędu publikacji – sprawdź też wykres lejkowy i opisy badań. Przy jednym–dwóch badaniach na początku ciągu wariancja między badaniami jest praktycznie nieoszacowalna, więc pierwszych wierszy nie interpretuj szczegółowo. Inne rysunki metaanalizy pokazuje wpis metaanaliza w obrazkach.
Skumulowana metaanaliza w R
Funkcja cumul() z pakietu metafor (Viechtbauer, 2010) przyjmuje model z rma() i kolejność badań (order), a zwraca efekt łączny, przedział i p po każdym kroku; gotowy wykres daje forest(cm). Tu oba panele rysujemy w ggplot2. Rysunek na stronie powstał z obiektu p1 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.
Skumulowany efekt po roku publikacji
R
# Skumulowana metaanaliza: 12 badań dodawanych w kolejności roku publikacji (dane symulowane)
suppressPackageStartupMessages({library(metafor); library(ggplot2); library(patchwork)})
kol <- c(badanie = "#0072B2", skumulowany = "#D55E00") # Okabe–Ito; różnią się też kształtem
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank())
set.seed(763) # 12 badań, d Cohena
k <- 12
rok <- sort(sample(2004:2024, k))
n <- round(15 + 6 * (rok - 2004) + runif(k, 0, 20)) # późniejsze badania są większe
theta <- 0.15 + 0.60 * exp(-(rok - 2004) / 4) # efekt maleje z czasem (ustawione ręcznie)
vi <- 2 / n + theta^2 / (4 * n)
yi <- rnorm(k, theta, sqrt(vi))
dat <- data.frame(badanie = paste0("B", 1:k, " (", rok, ")"), rok, n, yi = round(yi, 3), vi = round(vi, 4))
m <- rma(yi, vi, data = dat) # model efektów losowych, REML
cm <- cumul(m, order = dat$rok) # metaanaliza po każdym kolejnym badaniu
wyn <- data.frame(badanie = dat$badanie, k = 1:k, d = cm$estimate, dolna = cm$ci.lb, gorna = cm$ci.ub,
p = cm$pval, I2 = cm$I2)
dat$dolna <- dat$yi - 1.96 * sqrt(dat$vi); dat$gorna <- dat$yi + 1.96 * sqrt(dat$vi)
poz <- factor(dat$badanie, levels = rev(dat$badanie))
pA <- ggplot(dat, aes(yi, poz)) + geom_vline(xintercept = 0, colour = "grey40") +
geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, orientation = "y", colour = kol[["badanie"]]) +
geom_point(aes(size = 1 / vi), shape = 15, colour = kol[["badanie"]], show.legend = FALSE) +
scale_size(range = c(1.5, 4)) + coord_cartesian(xlim = c(-0.6, 1.6)) +
labs(title = "A. Każde badanie osobno", x = "d (95% CI)", y = NULL)
pB <- ggplot(wyn, aes(d, factor(badanie, levels = rev(badanie)))) + geom_vline(xintercept = 0, colour = "grey40") +
geom_vline(xintercept = coef(m), linetype = "dashed", colour = "grey40") + # wynik po wszystkich 12 badaniach
geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, orientation = "y", colour = kol[["skumulowany"]]) +
geom_point(shape = 18, size = 3.5, colour = kol[["skumulowany"]]) + coord_cartesian(xlim = c(-0.6, 1.6)) +
labs(title = "B. Skumulowana metaanaliza", x = "Efekt łączny do danego roku (95% CI)", y = NULL)
p1 <- (pA + pB) & motyw
print(dat[, c("badanie", "n", "yi", "vi")], row.names = FALSE)
w <- wyn; w[, 3:5] <- round(w[, 3:5], 2); w$p <- ifelse(w$p < .001, "<.001", sprintf("%.3f", w$p)); w$I2 <- round(w$I2, 1)
print(w[, -1], row.names = FALSE)
p1Wynik w R
badanie n yi vi
B1 (2004) 16 0.275 0.1338
B2 (2006) 30 0.636 0.0689
B3 (2008) 55 0.420 0.0370
B4 (2009) 56 0.322 0.0362
B5 (2011) 71 0.336 0.0284
B6 (2012) 80 0.363 0.0252
B7 (2014) 81 0.088 0.0248
B8 (2016) 91 0.093 0.0221
B9 (2017) 97 0.011 0.0207
B10 (2018) 99 0.212 0.0203
B11 (2022) 139 0.131 0.0144
B12 (2024) 140 0.208 0.0143
k d dolna gorna p I2
1 0.28 -0.44 0.99 0.452 0
2 0.51 0.10 0.93 0.016 0
3 0.46 0.18 0.74 0.001 0
4 0.41 0.19 0.64 <.001 0
5 0.39 0.20 0.57 <.001 0
6 0.38 0.22 0.54 <.001 0
7 0.32 0.18 0.46 <.001 0
8 0.28 0.15 0.40 <.001 0
9 0.24 0.11 0.36 <.001 13
10 0.23 0.12 0.34 <.001 0
11 0.21 0.11 0.31 <.001 0
12 0.21 0.12 0.30 <.001 0Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Czym skumulowany wykres lasu różni się od zwykłego?
Na zwykłym wykresie lasu każdy wiersz to jedno badanie. Na skumulowanym każdy wiersz to metaanaliza wszystkich badań do danego miejsca w kolejności, np. do danego roku – widać więc, jak zmieniał się efekt łączny i jego przedział.
Czy w skumulowanej metaanalizie trzeba korygować wartość p?
Tak, jeśli wyciągasz wnioski z p w kolejnych krokach – to wielokrotne testowanie, które łatwo daje pozorną istotność. Do pytania, czy dowodów jest już dość, służy sekwencyjna analiza metaanalizy (TSA) z granicami monitorowania.
Jak zrobić skumulowaną metaanalizę w R?
Dopasuj model funkcją rma() z pakietu metafor, a potem wywołaj cumul(model, order = rok). Wynik możesz od razu narysować funkcją forest() albo przenieść do ggplot2.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Metaanaliza – wizualizacja na obrazkach
Wykres lasu w dwóch modelach, I² ≈ 0/50/80%, przedział predykcji, lejek z selekcją i 1000 metaanaliz z błędem publikacji – pięć rysunków z kodem R.
Czytaj →PoradnikMetaanaliza krok po kroku
Od pytania do PRISMA 2020: g Hedgesa, model efektów losowych, heterogeniczność i przedział predykcji, moderatory, wykres lejkowy – z kodem metafor.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Lau, J., Antman, E. M., Jimenez-Silva, J., Kupelnick, B., Mosteller, F., & Chalmers, T. C. (1992). Cumulative meta-analysis of therapeutic trials for myocardial infarction. New England Journal of Medicine, 327(4), 248–254. https://doi.org/10.1056/nejm199207233270406 ● Otwarty dostęp
- 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 ● Otwarty dostęp
- Wetterslev, J., Thorlund, K., Brok, J., & Gluud, C. (2008). Trial sequential analysis may establish when firm evidence is reached in cumulative meta-analysis. Journal of Clinical Epidemiology, 61(1), 64–75. https://doi.org/10.1016/j.jclinepi.2007.03.013
Cytowania BibTeX
@article{lau1992cumulative, author={Lau, Joseph and Antman, Elliott M. and Jimenez-Silva, Jeanette and Kupelnick, Bruce and Mosteller, Frederick and Chalmers, Thomas C.}, title={{Cumulative meta-analysis of therapeutic trials for myocardial infarction}}, journal={New England Journal of Medicine}, year={1992}, volume={327}, number={4}, pages={248--254}, doi={10.1056/nejm199207233270406}}@article{viechtbauer2010conducting, author={Viechtbauer, Wolfgang}, title={{Conducting meta-analyses in R with the metafor package}}, journal={Journal of Statistical Software}, year={2010}, volume={36}, number={3}, pages={1--48}, doi={10.18637/jss.v036.i03}}@article{wetterslev2008trial, author={Wetterslev, Jørn and Thorlund, Kristian and Brok, Jesper and Gluud, Christian}, title={{Trial sequential analysis may establish when firm evidence is reached in cumulative meta-analysis}}, journal={Journal of Clinical Epidemiology}, year={2008}, volume={61}, number={1}, pages={64--75}, doi={10.1016/j.jclinepi.2007.03.013}}