چگونه آماره I² درصد تغییرات ناشی از ناهمگنی را در یک متاآنالیز کمّی می‌کند

پژوهشگران پزشکی و سردبیران مجلات معمولاً با دیدن آماره I² معادل ۷۵ درصد در یک متاآنالیز، نتیجه می‌گیرند که مطالعات پایه بیش از حد متناقض‌اند و نمی‌توان به آن‌ها اعتماد کرد. دو دهه است که جامعه علمی برای تصمیم‌گیری درباره اینکه آیا می‌توان کارآزمایی‌های بالینی را با خیال راحت ترکیب کرد یا خیر، به آستانه‌هایی سفت‌وسخت تکیه کرده است: ۲۵ درصد برای ناهمگنی کم، ۵۰ درصد برای متوسط و ۷۵ درصد برای زیاد. اما روش‌شناسان آماری هشدار می‌دهند که این رویکرد، اساساً ماهیت محاسباتی این شاخص را اشتباه تفسیر می‌کند. همان‌طور که دستورالعمل‌های همکاری کاکرین (Cochrane) و مرورهای روش‌شناختی نشان می‌دهند، I² اندازه مطلق تفاوت‌های میان مطالعات را نمی‌سنجد. در عوض، یک نسبت را اندازه‌گیری می‌کند. اگر مطالعاتِ گنجانده‌شده بسیار بزرگ و دقیق باشند، حتی یک تفاوت بی‌اهمیت از نظر بالینی میان آن‌ها، از نظر ریاضی آماره I² را به سمت ۱۰۰ درصد سوق می‌دهد.[1][2]

برای درک اینکه این آماره چگونه ما را به اشتباه می‌اندازد، باید ببینیم برای جایگزینی چه چیزی ساخته شده است. پیش از سال ۲۰۰۲، پژوهشگران عمدتاً به آزمون کیو کوکران (Cochran's Q) متکی بودند؛ آزمونی که در سال ۱۹۵۴ برای تشخیص اینکه آیا تغییرات بین مطالعات فراتر از حد تصادف است یا خیر، توسعه یافت. اما آزمون کیو کوکران به‌شدت به تعداد مطالعات حساس است؛ یک متاآنالیز با ۴۰ مطالعه تقریباً همیشه یک Q از نظر آماری معنادار تولید می‌کند، درحالی‌که متاآنالیزی با ۴ مطالعه تقریباً هرگز چنین نمی‌کند. برای حل این مشکل، آماردانان جولیان هیگینز (Julian Higgins) و سایمون تامپسون (Simon Thompson) آماره I² را معرفی کردند. همان‌طور که راهنمای روش‌شناختی MDPI توضیح می‌دهد: «I² نشان‌دهنده نسبتی از پراکندگی مشاهده‌شده است که واقعی است، نه تصادفی.»[1][4]

فرمول I² به‌شکلی ظریف ساده است: درجات آزادی را از کیو کوکران کم می‌کند، بر Q تقسیم می‌کند و در ۱۰۰ ضرب می‌کند تا درصدی بین ۰ تا ۱۰۰ ایجاد شود. از نظر مفهومی، این شاخص نشان‌دهنده واریانس واقعی بین مطالعات تقسیم بر واریانس کل (که همان واریانس واقعی به‌علاوه خطای نمونه‌گیری است) می‌باشد. همین موضوع یک تله ریاضی ایجاد می‌کند. از آنجا که I² کسری است که خطای نمونه‌گیری در مخرج آن قرار دارد، هرگونه کاهش در خطای نمونه‌گیری به‌طور خودکار درصد نهایی را متورم می‌کند، حتی اگر تفاوت بالینی واقعی بین مطالعات کاملاً ثابت بماند.[1][5]

این پویایی، پارادوکس «کارآزمایی عظیم» را به وجود می‌آورد. متاآنالیزی را تصور کنید که پنج کارآزمایی قلب و عروق را که هر کدام ۵۰,۰۰۰ بیمار دارند، ترکیب می‌کند. از آنجا که حجم نمونه‌ها بسیار بزرگ است، خطای نمونه‌گیری (نویز تصادفی در داده‌ها) به صفر میل می‌کند. در نتیجه، حتی اگر این پنج کارآزمایی فواید تقریباً یکسانی برای یک دارو پیدا کرده باشند، همان تفاوت مطلق و ناچیز بین آن‌ها، تقریباً ۱۰۰ درصد از کل واریانس را تشکیل خواهد داد. در این حالت، آماره I² مقداری معادل ۹۸ یا ۹۹ درصد را نشان می‌دهد. یک خواننده بالینی با دیدن این ۹۹ درصد فرض می‌کند که مطالعات با یکدیگر در تناقض‌اند، درحالی‌که در واقعیت، آن‌ها عملاً یکسان هستند. این آماره صرفاً به این دلیل که مطالعات دقیق هستند، فریاد «ناهمگنی بالا» سر می‌دهد.[2][6]

حالت معکوس آن نیز به همان اندازه خطرناک است. وقتی یک متاآنالیز مطالعات کوچک و کم‌توان را با ۳۰ یا ۴۰ بیمار در هر کدام ترکیب می‌کند، خطای نمونه‌گیری بسیار بزرگ است. اثرات واقعی دارو در این مطالعات می‌تواند به‌شدت متفاوت باشد؛ یکی فایده‌ای عظیم نشان دهد و دیگری آسیب جدی. اما چون نویز تصادفی بسیار زیاد است، واریانس واقعی تنها بخش کوچکی از واریانس کل را تشکیل می‌دهد. در این حالت، آماره I² ممکن است روی ۲۰ درصد ثبت شود. پژوهشگری که به آستانه استاندارد ۲۵ درصد تکیه می‌کند، به‌اشتباه نتیجه می‌گیرد که مطالعات بسیار همسو هستند و کورکورانه به برآورد ترکیبی اعتماد می‌کند که تناقضات عظیم دنیای واقعی را پنهان کرده است.[3][6]

به‌دلیل همین واقعیت‌های ریاضی، روش‌شناسان به‌طور فزاینده‌ای از جامعه علمی می‌خواهند که آستانه‌های درصدی سفت‌وسخت را کنار بگذارند. نویسندگان MDPI خاطرنشان می‌کنند: «هیچ آماره واحدی نمی‌تواند پیچیدگی کامل ناهمگنی را در بر بگیرد.» آماردانان به‌جای تکیه صرف بر I²، گزارش دادن τ² (تائو-دو) را توصیه می‌کنند. درحالی‌که I² یک نسبت نسبی را می‌سنجد، τ² اندازه مطلق واریانس بین مطالعات را در مقیاس واقعی اندازه اثر، مانند نسبت شانس لگاریتمی یا تفاوت میانگین، اندازه‌گیری می‌کند. این شاخص به پژوهشگر دقیقاً می‌گوید که نتایج مطالعه در واقعیت چقدر از هم فاصله دارند و از اثرات تحریف‌کننده حجم نمونه مصون است.[4][5]

برای اینکه τ² از نظر بالینی قابل تفسیر باشد، دستورالعمل‌های مدرن محاسبه یک «بازه پیش‌بینی» (prediction interval) را توصیه می‌کنند. یک بازه اطمینان ۹۵ درصدی استاندارد، تنها تخمین می‌زند که میانگین اثر ترکیبی در کجا قرار دارد. در مقابل، یک بازه پیش‌بینی، هم اثر ترکیبی و هم ناهمگنی مطلق (τ²) را در نظر می‌گیرد تا تخمین بزند که اثر واقعی یک مطالعه مشابه در آینده احتمالاً در چه محدوده‌ای قرار خواهد گرفت. اگر بازه اطمینان ۹۵ درصدی یک دارو فایده واضحی را نشان دهد، اما بازه پیش‌بینی ۹۵ درصدی آن از صفر عبور کرده و به محدوده آسیب برسد، پزشک بالینی متوجه می‌شود که اثر درمانی در دنیای واقعی بسیار متغیر است، فارغ از اینکه I² عدد ۱۰ درصد را نشان دهد یا ۹۰ درصد.[3][4]

کتابچه راهنمای کاکرین برای مرورهای سیستماتیک مداخلات، اکنون صراحتاً نسبت به استفاده از آستانه‌های I² به‌تنهایی هشدار می‌دهد. تفسیر این آماره باید همیشه به اندازه و دقت مطالعات گنجانده‌شده، تعداد مطالعات در متاآنالیز و بستر بالینی اندازه اثر بستگی داشته باشد. یک I² معادل ۵۰ درصد در متاآنالیزی از مطالعات کوچک و پرخطا، نشان‌دهنده طیف مهمی از اثرات واقعی از نظر بالینی است، درحالی‌که یک I² معادل ۵۰ درصد در متاآنالیزی از کارآزمایی‌های بسیار دقیق، نشان‌دهنده مقدار ناچیزی از ناهمگنی مطلق در عرصه بالینی است.[2]

اهمیت این ظرافت آماری برای پزشکی مبتنی بر شواهد بسیار بالاست. تکیه صرف بر درصد I² منجر به دو شکست متمایز در ادبیات بالینی می‌شود. اول، باعث می‌شود پژوهشگران متاآنالیزهای معتبر و بسیار دقیق را به‌خاطر امتیاز ناهمگنی که از نظر ریاضی متورم شده است، دور بیندازند. دوم، به برآوردهای ترکیبی به‌دست‌آمده از مطالعات پرخطا و کم‌توان، ظاهری کاذب از همسویی می‌بخشد. گذر از یک نسبت نسبی به معیارهای مطلقی مانند τ² و بازه‌های پیش‌بینی، پژوهشگران را مجبور می‌کند تا به‌جای پنهان شدن پشت یک درصدِ بدفهمیده‌شده، به پراکندگی بالینی واقعی داده‌ها نگاه کنند.[4][6]