Słownik metodologiczny · Wielkość efektu

Wykres L’Abbégo: ryzyko w grupie leczonej a w kontrolnej

Wykres L’Abbégo pokazuje każde badanie metaanalizy z wynikiem binarnym jako punkt: ryzyko w grupie kontrolnej na osi X, w grupie leczonej na osi Y. Wyjaśniamy, jak czytać położenie względem przekątnej, przykład w R i typowe pułapki.

Strona główna / Słownik / Wykres L’Abbégo
W skrócie: Wykres L’Abbégo przedstawia badania metaanalizy z wynikiem binarnym jako punkty: X = odsetek zdarzeń w grupie kontrolnej, Y = w grupie leczonej. Przekątna oznacza brak efektu, a rozrzut punktów wokół linii wyniku łącznego pokazuje heterogeniczność i rolę ryzyka wyjściowego.

Co to jest wykres L’Abbégo?

Wykres L’Abbégo (ang. L’Abbé plot) służy w metaanalizie badań z wynikiem binarnym. Każde badanie jest punktem: na osi X odsetek zdarzeń w grupie kontrolnej, na osi Y w grupie leczonej, a wielkość punktu odpowiada liczebności lub wadze badania. Przekątna y = x oznacza brak efektu. Nazwa pochodzi od pierwszej autorki przeglądu L’Abbé i in. (1987), w którym omówiono m.in. ocenę spójności (homogeniczności) wyników badań.

Gdy badania szacują wspólny iloraz ryzyka, punkty skupiają się wokół prostej przez początek układu o nachyleniu RR. Duży rozrzut wokół tej linii to obraz heterogeniczności. Song (1999) pokazał, że wykres wskazuje nie tylko badania odstające, ale też ramię, które odpowiada za różnicę.

Przykład

W danych dat.bcg (13 badań szczepionki BCG) ryzyko gruźlicy w grupach kontrolnych wynosi od 1.3 do 256.4 na 1000 osób. Pod przekątną leży 11 z 13 punktów. Nad nią są TPT Madras (5.65 wobec 5.71 na 1000) i Comstock & Webster (1.28 wobec 2.00). Model efektów losowych daje RR = 0.489, ale τ² = 0.313 i I² = 92.2%. Wykres od razu pokazuje, że badania różnią się ryzykiem wyjściowym o dwa rzędy wielkości. To sygnał, by szukać wyjaśnienia w cechach badań, np. w metaregresji.

Jak opisać w pracy

Na wykresie L’Abbégo 11 z 13 badań leżało pod przekątną (mniej zachorowań wśród zaszczepionych). Badania znacznie różniły się ryzykiem w grupie kontrolnej (od 1.3 do 256.4 na 1000), a łączny RR wyniósł 0.49 przy dużej heterogeniczności (I² = 92%).

Na co uważać

  • Ryzyko wyjściowe a efekt. Ryzyko w grupie kontrolnej jest szacowane z błędem, który trafia też do miary efektu. Zwykła korelacja obu wielkości jest przez to obciążona (regresja do średniej) i nie dowodzi, że efekt zależy od ryzyka wyjściowego.
  • Odstające z przypadku. Song (1999) w symulacji pokazał, że badania z odsetkiem zdarzeń bliskim 50% częściej wyglądają na odstające z powodów czysto losowych. Różne metody wskazują też różne badania jako odstające, więc porównaj wykres z wykresem Galbraitha i wykresem Baujata.
  • Potrzebne są dane z obu ramion. Wykresu nie narysujesz z samych gotowych efektów, takich jak korelacje czy d Cohena.
Przykład reprodukowalny

Wykres L’Abbégo w R

Kod dopasowuje model efektów losowych dla log RR wprost z liczebności tabel 2 × 2 (tak, by labbe() miała dane z ramion), liczy ryzyka w obu grupach i rysuje wykres. Liczby w tekście pochodzą z tego kodu.

Ryzyko w grupach i położenie względem przekątnej

Dane wejściowe: dat.bcg z pakietu metadat – 13 badań szczepionki BCG (gruźlica w grupie szczepionej i kontrolnej).

Co odczytać: kontrola i szczepieni – zachorowania na 1000 osób; pod przekątną 11 z 13 badań; RR = 0.489, τ² = 0.313, I² = 92.2%.

R
library(metafor)                                   # dane dat.bcg (pakiet metadat): 13 badań szczepionki BCG
res <- rma(measure = "RR", ai = tpos, bi = tneg, ci = cpos, di = cneg,
           data = dat.bcg)                         # model efektów losowych (REML), log RR
p_szczep <- with(dat.bcg, tpos / (tpos + tneg)) * 1000 # gruźlica na 1000 zaszczepionych (oś Y)
p_kontr  <- with(dat.bcg, cpos / (cpos + cneg)) * 1000 # gruźlica na 1000 w grupie kontrolnej (oś X)
print(data.frame(badanie = dat.bcg$author, kontrola = round(p_kontr, 2),
                 szczepieni = round(p_szczep, 2), pod_przekatna = p_szczep < p_kontr))
round(c(RR = exp(unname(coef(res))), tau2 = res$tau2, I2 = res$I2,
        pod_przekatna = sum(p_szczep < p_kontr)), 3)
pdf(NULL); labbe(res)                              # wykres L'Abbégo z metafor
Wynik w R
                badanie kontrola szczepieni pod_przekatna
1               Aronson    79.14      32.52          TRUE
2      Ferguson & Simes    95.71      19.61          TRUE
3       Rosenthal et al    50.00      12.99          TRUE
4     Hart & Sutherland    19.27       4.56          TRUE
5  Frimodt-Moller et al     8.09       6.51          TRUE
6       Stein & Aronson   256.37     116.81          TRUE
7      Vandiviere et al    15.90       3.14          TRUE
8            TPT Madras     5.65       5.71         FALSE
9      Coetzee & Berjak     6.18       3.87          TRUE
10      Rosenthal et al    39.04       9.91          TRUE
11       Comstock et al     5.16       3.67          TRUE
12   Comstock & Webster     1.28       2.00         FALSE
13       Comstock et al     1.62       1.60          TRUE
           RR          tau2            I2 pod_przekatna 
        0.489         0.313        92.221        11.000 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem metafor 5.2-1 (dane dat.bcg z pakietu metadat 1.6-0). 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

Najczęstsze pytania

Co oznacza punkt leżący na przekątnej?

Odsetek zdarzeń był w obu grupach taki sam, więc badanie nie pokazało efektu. Gdy zdarzenie jest niekorzystne (zachorowanie, zgon), punkty pod przekątną oznaczają korzyść z interwencji, a nad nią – szkodę.

Czy wykres L’Abbégo zależy od miary efektu?

Punkty nie zależą: to zawsze ryzyka w obu grupach. Od miary zależy linia wyniku łącznego. Stały iloraz ryzyka to prosta przez początek układu, stała różnica ryzyk – prosta równoległa do przekątnej, a stały iloraz szans – krzywa. Funkcja labbe() z metafor rysuje linię dla miary użytej w modelu.

Kiedy wybrać wykres L’Abbégo zamiast wykresu Galbraitha?

Gdy wynik jest binarny i chcesz zobaczyć ramiona badań osobno. Song (1999) zauważył, że wykres L’Abbégo wskazuje nie tylko badania odbiegające od reszty, ale też ramię, które za to odpowiada. Wykres Galbraitha działa dla każdej miary efektu, lecz pokazuje tylko efekt badania.

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. L’Abbé, K. A., Detsky, A. S., & O’Rourke, K. (1987). Meta-analysis in clinical research. Annals of Internal Medicine, 107(2), 224–233. https://doi.org/10.7326/0003-4819-107-2-224
  2. Song, F. (1999). Exploring heterogeneity in meta-analysis: is the L'Abbé plot useful? Journal of Clinical Epidemiology, 52(8), 725–730. https://doi.org/10.1016/s0895-4356(99)00066-9

Cytowania BibTeX

@article{labbe1987meta, author={L'Abbé, Kristan A. and Detsky, Allan S. and O'Rourke, Keith}, title={{Meta-analysis in clinical research}}, journal={Annals of Internal Medicine}, year={1987}, volume={107}, number={2}, pages={224--233}, doi={10.7326/0003-4819-107-2-224}}
@article{song1999exploring, author={Song, Fujian}, title={{Exploring heterogeneity in meta-analysis: is the L'Abbé plot useful?}}, journal={Journal of Clinical Epidemiology}, year={1999}, volume={52}, number={8}, pages={725--730}, doi={10.1016/s0895-4356(99)00066-9}}
R