Słownik metodologiczny · Wielkość efektu

Skumulowana metaanaliza – jak zmieniał się efekt z kolejnymi badaniami?

Skumulowana metaanaliza przelicza efekt łączny po każdym kolejnym badaniu. Pokazujemy, jak czytać skumulowany wykres lasu, kiedy wskazuje malejący efekt i dlaczego nie służy do ogłaszania istotności.

Strona główna / Słownik / Skumulowana metaanaliza
W skrócie: Skumulowana metaanaliza to seria metaanaliz, w której badania dodaje się po kolei (zwykle według roku) i po każdym kroku przelicza efekt łączny z przedziałem ufności. Pokazuje, kiedy wynik się ustabilizował i czy efekt zmieniał się w czasie. Nie używaj jej do ogłaszania istotności po każdym badaniu – to wielokrotne testowanie.

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

Dwa panele z 12 badaniami z lat 2004–2024. A: zwykły wykres lasu, efekty pojedynczych badań z przedziałami ufności, późniejsze badania mają mniejsze efekty i węższe przedziały. B: skumulowana metaanaliza – efekt łączny po dodaniu kolejnych badań przesuwa się z 0.51 w 2006 r. do 0.21 w 2024 r., a przedział ufności się zawęża
Rysunek 1. Ten sam zbiór 12 badań jako zwykły wykres lasu (A) i skumulowana metaanaliza w kolejności roku publikacji (B). Obliczenia: R, pakiety metafor, ggplot2 i patchwork (dane symulowane, 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:

Rysunek 1. Wyniki 12 badań (A) i skumulowana metaanaliza w kolejności roku publikacji (B). Uwaga. W panelu A kwadraty to d z 95% CI, wielkość kwadratu jest proporcjonalna do wagi badania; w panelu B romby to efekt łączny z modelu efektów losowych (REML) po dodaniu kolejnego badania, a linia przerywana – wynik po wszystkich badaniach.

Jak opisać w pracy

Podaj kryterium kolejności (ustalone przed analizą), model i kilka kluczowych kroków, a nie wszystkie wiersze.

Skumulowana metaanaliza w kolejności roku publikacji (Rysunek 1) wskazała, że efekt łączny malał wraz z kolejnymi badaniami: po dwóch pierwszych badaniach (2006) wynosił d = 0.51, 95% CI [0.10, 0.93], po sześciu (2012) d = 0.38, 95% CI [0.22, 0.54], a po wszystkich 12 badaniach d = 0.21, 95% CI [0.12, 0.30]. Wczesne, mniejsze badania dawały większe efekty niż późniejsze, większe.

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.

Przykład reprodukowalny

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

Dane wejściowe: 12 symulowanych badań z rokiem, liczebnością grupy, d Cohena i wariancją; efekt malejący w czasie ustawiony ręcznie (set.seed(763)).

Co odczytać: dane badań, a potem dla każdego kroku k: efekt łączny d, granice 95% CI, p i I². Ostatni wiersz to zwykła metaanaliza wszystkich badań (d = 0.21).

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)
p1
Wynik 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  0

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. 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

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. 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
  2. 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
  3. 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}}
R