ارزیابی مرور سیستماتیک در برابر متاآنالیز: چه زمانی داده‌ها را تجمیع کنیم و چه زمانی به سنتز کیفی بسنده کنیم؟

نویسندگان دانشگاهی، روزنامه‌نگاران پزشکی و داوران همتا اغلب با «مرور سیستماتیک» و «متاآنالیز» به عنوان اصطلاحاتی مترادف برخورد می‌کنند و فرض را بر این می‌گذارند که متاآنالیز صرفاً همان مرور سیستماتیک است که توانسته با موفقیت یک نمودار جنگلی (forest plot) تولید کند. ادعای غالب در سمینارهای پژوهشی دانشگاه‌ها و روزنامه‌نگاری علمی این است که مرور سیستماتیکِ بدون متاآنالیز، یک پروژه ناقص است؛ یعنی شکستی در رسیدن به بالاترین سطح مطلق در سلسله‌مراتب شواهد.

از آنجا که این دو اصطلاح در عناوین مقالات مهم پزشکی اغلب با یک حرف ربط به هم متصل می‌شوند، خوانندگان عادی و حتی پزشکان بالینی معمولاً تصور می‌کنند که هر دو دقیقاً یک فرآیند را توصیف می‌کنند. این درهم‌آمیختگی، ساختار انگیزشی خطرناکی در نشر علمی ایجاد می‌کند؛ جایی که پژوهشگران احساس می‌کنند تحت فشارند تا یک عدد واحد و قطعی تولید کنند، حتی زمانی که داده‌های پایه در برابر ترکیب شدن مقاومت می‌کنند.[3]

اما متون بنیادین پزشکیِ مبتنی بر شواهد مستقیماً این سلسله‌مراتب را نقض کرده و این دو مفهوم را هم از نظر عملکرد و هم از نظر توالی از یکدیگر جدا می‌کنند. همکاری کاکرین (Cochrane) و دستورالعمل‌های ۲۰۲۱ PRISMA (موارد گزارش‌دهی ترجیحی برای مرورهای سیستماتیک و متاآنالیزها) خطی سخت و ساختاری بین روش‌شناسی و ریاضیات رسم می‌کنند.

مرور سیستماتیک یک روش‌شناسی پژوهشی جامع است که برای حذف سوگیری انتخاب از طریق گردآوری تمام مطالعات مرتبط با یک موضوع طراحی شده است. در مقابل، متاآنالیز صرفاً یک تکنیک آماری است که برای تجمیع اعداد استخراج‌شده در طول آن مرور استفاده می‌شود. اعمال این تکنیک آماری روی مجموعه داده‌های اشتباه، پژوهش را به استاندارد بالاتری ارتقا نمی‌دهد؛ بلکه با ایجاد یک اجماع کاذب از نقاط داده‌های ناسازگار، اعتبار یافته‌ها را از نظر ریاضی کاملاً نابود می‌کند.[2][4]

این سردرگمی از آنجا ناشی می‌شود که این دو فرآیند در ادبیات پزشکی اغلب به‌صورت متوالی اجرا می‌شوند. یک مرور سیستماتیک، که تحت استانداردهای گزارش‌دهی سخت‌گیرانه به‌روزرسانی ۲۰۲۱ PRISMA اداره می‌شود، به ۶ تا ۱۸ ماه کار بسیار ساختاریافته نیاز دارد. یک تیم پژوهشی پروتکل دقیقی را تعریف می‌کند، پایگاه‌های داده دانشگاهی متعددی را جستجو می‌کند و به‌طور مستقل هزاران چکیده را غربال می‌کند تا هر قطعه از شواهدی را که به یک پرسش بالینی خاص پاسخ می‌دهد، به دست آورد.

این فرآیند طاقت‌فرسا — یعنی خود مرور سیستماتیک — همان چیزی است که در واقع مقاله نهایی را از دست‌چین کردن داده‌ها (cherry-picking) و سوگیری انتشار محافظت می‌کند. این فرآیند مرزهای پایگاه شواهد را تعیین می‌کند، کیفیت روش‌شناختی هر کارآزمایی واردشده را می‌سنجد و مشخص می‌کند که آیا مطالعات گردآوری‌شده واقعاً در حال اندازه‌گیری پدیده یکسانی به روشی قابل‌مقایسه هستند یا خیر.[3][4]

پس از آنکه مرور سیستماتیک مطالعات معتبر را جدا کرد، پژوهشگران باید تصمیم بگیرند که چگونه داده‌های استخراج‌شده را سنتز کنند. اگر مطالعات واردشده دقیقاً مداخله یکسانی را در برابر پیامد یکسانی با استفاده از مقیاس‌های سازگار اندازه‌گیری کرده باشند، تیم می‌تواند یک متاآنالیز را پیاده‌سازی کند. این عملیات آماری یک اندازه اثر تجمیعی را محاسبه می‌کند و در واقع چندین کارآزمایی کوچک و کم‌توان را به یک کارآزمایی مجازی عظیم و پرتوان تبدیل می‌کند.

با تجمیع حجم نمونه ۱۰ مطالعه که هر کدام ۱۰۰ بیمار دارند، متاآنالیز قطعیت آماری یک کارآزمایی ۱۰۰۰ بیماری را تولید می‌کند. این تکنیک فاصله اطمینان را محدود کرده و به پزشکان برآورد بسیار دقیقی از میزان اثربخشی واقعی یک دارو یا مداخله در یک جمعیت گسترده ارائه می‌دهد.[1]

خطر زمانی بروز می‌کند که پژوهشگران خروجی آماری را بر پایه روش‌شناختی ترجیح دهند و متاآنالیز را در جایی که به آن تعلق ندارد، تحمیل کنند. نسخه ۲۰۲۴ کتابچه راهنمای کاکرین برای مرورهای سیستماتیک مداخلات، فصل ۱۰ را کاملاً به متاآنالیز اختصاص داده است، اما این بخش را با یک هشدار تند و پررنگ آغاز می‌کند: «از اینجا شروع نکنید!»

این راهنما صراحتاً هشدار می‌دهد که تولید یک لوزی در پایین نمودار جنگلی لحظه هیجان‌انگیزی برای نویسندگان است، اما اگر داده‌های پایه فاقد یکنواختی باشند، نتایج می‌توانند کاملاً گمراه‌کننده باشند. متاآنالیز نمی‌تواند داده‌های بد را اصلاح کند؛ بلکه فقط آن‌ها را تقویت می‌کند. اگر مرور سیستماتیک کارآزمایی‌هایی با نقص‌های روش‌شناختی شدید یا جمعیت‌های بیمار بسیار متفاوت را کشف کند، اجرای آن اعداد در یک الگوریتم تجمیع آماری، تنها یک خطای دقیقاً محاسبه‌شده تولید می‌کند.[2]

سد ریاضی در برابر این وسوسه، شاخص I-squared است که میزان ناهمگنی آماری را در سراسر شواهد جمع‌آوری‌شده اندازه‌گیری می‌کند. فرمول I-squared به جای اندازه‌گیری خود اثر درمان، درصد تغییرپذیری در مطالعات واردشده را محاسبه می‌کند که ناشی از تفاوت‌های واقعی و بنیادین در پژوهش است، نه صرفاً شانس نمونه‌گیری.

مقدار I-squared بین ۰ تا ۲۵ درصد نشان‌دهنده ناهمگنی پایین است، به این معنی که مطالعات در رفتار خود تقریباً یکسان هستند و برای تجمیع آماری کاملاً مناسب‌اند. نمره بین ۲۵ تا ۵۰ درصد نشان‌دهنده ناهمگنی متوسط است که پژوهشگران معمولاً می‌توانند آن را از طریق تحلیل‌های زیرگروهی یا مدل‌های اثرات تصادفی که تغییرات جزئی در نحوه انجام کارآزمایی‌ها را در نظر می‌گیرند، مدیریت کنند.[3]

با بالاتر رفتن مقدار I-squared، توجیه علمی برای انجام متاآنالیز کاملاً فرو می‌ریزد. وقتی ناهمگنی از مرز ۷۵ درصد عبور می‌کند، مطالعات رسماً به عنوان دارای «ناهمگنی قابل‌توجه» طبقه‌بندی می‌شوند. در این سطح، جمعیت‌ها، دوزهای دارویی یا معیارهای اندازه‌گیری به قدری متفاوت هستند که تجمیع نتایج آن‌ها یک افسانه ریاضی خلق می‌کند.

ترکیب مطالعه‌ای روی نوجوانانی که داروی خوراکی با دوز پایین مصرف می‌کنند با مطالعه‌ای روی بیماران مسن که انفوزیون وریدی با دوز بالا دریافت می‌کنند، ممکن است یک عدد میانگین واحد به دست دهد، اما آن عدد نمایانگر سناریوی درمانی است که در دنیای واقعی اصلاً وجود ندارد. در این موقعیت‌های با ناهمگنی بالا، دستورالعمل‌های PRISMA حکم می‌کنند که تجمیع آماری باید کنار گذاشته شود.[3][5]

با درک این محدودیت دقیق ریاضی، بالاترین مراجع در سنتز شواهد به‌طور معمول مرورهای سیستماتیک را بدون هیچ‌گونه تجمیع آماری منتشر می‌کنند. بر اساس ابتکار «سنتز بدون متاآنالیز» (SWiM) دانشگاه گلاسکو در سال ۲۰۲۳، تقریباً ۱۶ درصد از تمام مرورهای کاکرین متاآنالیز را کاملاً کنار می‌گذارند.

در عوض، این مقالات به سنتز روایتی ساختاریافته تکیه می‌کنند و جهت و بزرگی اثرات را با استفاده از متن و جداول به‌طور سیستماتیک مقایسه می‌کنند، بدون اینکه اعداد ناسازگار را به زور در یک معادله واحد بگنجانند. با حفظ پروتکل‌های دقیق جستجو و غربالگریِ یک مرور سیستماتیک و در عین حال امتناع از محاسبه اندازه اثر تجمیعی، پژوهشگران یکپارچگی شواهد را حفظ کرده و ثابت می‌کنند که یک خلاصه کیفی شفاف، بسیار برتر از یک میانگین ریاضیِ معیوب است.