ফরেস্ট প্লট ও মেটা-অ্যানালিসিস: একটি ব্যবহারিক গাইড
ফরেস্ট প্লট প্রতিটি স্টাডির effect size তার confidence interval সহ দেখায়, আর pooled estimate-এর জন্য একটি ডায়মন্ড, যাতে একটি ফিগারেই দেখা যায় স্টাডিগুলি একমত কি না এবং সম্মিলিত effect কত বড়। এই গাইডে আছে কী ডেটা লাগে, fixed বনাম random effects, heterogeneity ও small-study effects, এবং কীভাবে LabTools-এ বিনামূল্যে প্লটটি আঁকবেন।
এই গাইডে
- ফরেস্ট প্লট কী দেখায়
- যে ডেটা লাগবে
- Fixed effect, না random effects
- LabTools-এ ফরেস্ট প্লট বানান
- Small-study effects ও publication bias
- কী রিপোর্ট করবেন
- প্রায়শই জিজ্ঞাসিত প্রশ্ন
আটটি স্টাডি, 95% CI সহ odds ratio; pooled fixed-effect odds ratio 0.74 (95% CI 0.68–0.80)। সম্পূর্ণ উদাহরণটি দেখুন
ফরেস্ট প্লট কী দেখায়
প্রতিটি সারি একটি স্টাডি: তার effect estimate-এ একটি মার্কার আর confidence interval-এর জন্য একটি অনুভূমিক রেখা। একটি উল্লম্ব no-effect রেখা থাকে ratio-র (odds ratio, risk ratio, hazard ratio) ক্ষেত্রে 1-এ, অথবা difference-এর (mean difference, standardised mean difference, risk difference) ক্ষেত্রে 0-তে। নিচে একটি ডায়মন্ড pooled estimate দেখায়: তার কেন্দ্র সম্মিলিত effect আর প্রস্থ confidence interval।
Ratio আঁকা হয় log অক্ষে, কারণ 0.5 odds ratio no effect থেকে ঠিক ততটাই দূরে যতটা 2, আর pooling-ও করা হয় log স্কেলে।
যে ডেটা লাগবে
প্রতিটি স্টাডির জন্য একটি সারি, তাতে effect size এবং তার confidence interval-এর নিচের ও উপরের সীমা, যেমন প্রতিটি পেপারে রিপোর্ট করা হয়েছে। weight কলাম ঐচ্ছিক: না থাকলে interval-এর প্রস্থ থেকে weight হিসাব করা হয় (inverse variance), ফলে নিখুঁত স্টাডিগুলির গুরুত্ব বেশি হয়।
ফরেস্ট প্লট উদাহরণে odds ratio সহ আটটি স্টাডি আছে, সঙ্গে একটি ডাউনলোডযোগ্য CSV যা দিয়ে ধাপগুলি অনুসরণ করতে পারেন।
Fixed effect, না random effects
একটি fixed-effect মডেল ধরে নেয় যে সব স্টাডি একটিই প্রকৃত effect মাপছে এবং পার্থক্য শুধু দৈবক্রমে। একটি random-effects মডেল ধরে নেয় যে প্রকৃত effect স্টাডিভেদে বদলায়, সেই variance (τ²) অনুমান করে এবং একটি চওড়া, বেশি সতর্ক interval দেয়। স্টাডিগুলি যখন population, dose বা design-এ আলাদা, তখন random effects-ই সাধারণত সৎ পছন্দ। দুটো ডায়মন্ডই আঁকলে বোঝা যায় পছন্দটি কতটা গুরুত্বপূর্ণ।
Heterogeneity-র সারসংক্ষেপ দেয় Cochran's Q (স্টাডিগুলি দৈবক্রমের চেয়ে বেশি অমিল কি না তার টেস্ট), I² (প্রকৃত পার্থক্যের কারণে variation-এর অংশ, 0–100%) এবং τ² (স্টাডিগুলির মধ্যকার variance নিজেই)।
LabTools-এ ফরেস্ট প্লট বানান
- Charts & Plots-এ Upload File-এ ক্লিক করে আপনার টেবিল (CSV বা Excel) লোড করুন, অথবা Paste Data দিয়ে পেস্ট করুন।
- Chart চিপে Forest Plot বেছে নিন।
- Columns-এ বেছে নিন Study/Label Column, Effect Size Column, CI Lower Bound Column ও CI Upper Bound Column (চাইলে একটি Weight Column-ও)। স্টাডির ড্রপ-ডাউনে আপাতত শুধু সংখ্যাসূচক কলাম দেখায়, তাই স্টাডিগুলিকে নম্বর দিন।
- Statistical Analysis-এ ঠিক করুন Effect Size Type (OR, RR ও HR log অক্ষে চলে যায়, রেখা থাকে 1-এ), Meta-Analysis Model (Fixed Effects, Random Effects বা Both) এবং Confidence Level।
- Layout & Typography-তে “Favours” লেবেল ও Sort Studies By ঠিক করুন; Publication Features-এ একটি Journal Style (APA, Nature, JAMA বা Cochrane) এবং স্ট্যাটিস্টিক্স টেবিল কোথায় বসবে তা বেছে নিন।
- PNG, SVG বা PDF হিসেবে Export (Ctrl+E) করুন।
প্লটটি DerSimonian–Laird দিয়ে random effects pool করে। REML, prediction interval ও Egger's test-এর জন্য কমান্ড লাইন থেকে labtools stats meta চালান, অথবা MCP-র মাধ্যমে LabTools-এর সঙ্গে যুক্ত কোনো AI অ্যাসিস্ট্যান্টকে বলুন।
Small-study effects ও publication bias
ছোট স্টাডিগুলি যদি বড়গুলির চেয়ে বেশি effect রিপোর্ট করে, তাহলে pooled estimate বাড়িয়ে দেখানো হতে পারে, প্রায়ই কারণ ছোট null ফলাফলগুলি প্রকাশিত হয় না। funnel plot এটি চোখে দেখায়; স্টাডির আকার ও effect-এর মধ্যে rank correlation, বা Egger's regression test, এটিকে সংখ্যায় প্রকাশ করে। উদাহরণে স্টাডির আকার ও log(OR)-এর মধ্যে Kendall's τ হলো 0.143 (p = 0.62): small-study effects-এর কোনো লক্ষণ নেই, যদিও আটটি স্টাডিতে এই টেস্টগুলির power কম।
কী রিপোর্ট করবেন
- Effect measure ও স্কেল (যেমন odds ratio, log স্কেলে pooled)।
- মডেল (fixed বা random effects) এবং τ² estimator।
- Confidence interval সহ pooled estimate, এবং Q, I² ও τ²।
- Small-study বা publication-bias-এর কোনো মূল্যায়ন, এবং সেটি কতগুলি স্টাডির উপর ভিত্তি করে।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
ফরেস্ট প্লট কীসের জন্য ব্যবহার হয়?
একই প্রশ্নে কয়েকটি স্টাডির ফলাফল পাশাপাশি দেখাতে: প্রতিটি সারিতে একটি স্টাডির effect size ও confidence interval, আর নিচে ডায়মন্ড হিসেবে pooled (meta-analytic) estimate। এটি মেটা-অ্যানালিসিস ও systematic review-এর আদর্শ ফিগার।
ফরেস্ট প্লট কীভাবে পড়ব?
প্রতিটি সারি একটি স্টাডি: মার্কারটি তার estimate, অনুভূমিক রেখাটি তার confidence interval। উল্লম্ব রেখাটি হলো “no effect” (ratio-র ক্ষেত্রে 1, difference-এর ক্ষেত্রে 0); যে interval এটিকে অতিক্রম করে তা নিজে significant নয়। ডায়মন্ডটি pooled estimate, এবং তার প্রস্থ তার confidence interval।
Confidence interval থেকে standard error কীভাবে পাব?
difference-এর 95% CI-র ক্ষেত্রে: SE = (upper − lower) / (2 × 1.96)। ratio-র (OR, RR, HR) ক্ষেত্রে log স্কেলে করুন: SE = (ln(upper) − ln(lower)) / (2 × 1.96)। LabTools সরাসরি interval নেয় এবং এটি আপনার হয়ে করে দেয়।
উচ্চ I² মানে কী?
এর মানে স্টাডিগুলির ফলাফলের ছড়ানোর বেশিরভাগই স্টাডিগুলির প্রকৃত পার্থক্য (population, dose, পদ্ধতি) প্রতিফলিত করে, দৈবক্রম নয়। সাধারণত 75% বা তার বেশিকে উচ্চ বলা হয়। random-effects estimate রিপোর্ট করুন, heterogeneity-র উৎস খুঁজুন, এবং একটি prediction interval বিবেচনা করুন, যা দেখায় নতুন একটি স্টাডির effect সম্ভবত কোথায় পড়বে।
DerSimonian–Laird, না REML?
দুটোই random-effects মডেলের জন্য স্টাডিগুলির মধ্যকার variance τ² অনুমান করে। DerSimonian–Laird হলো ক্লাসিক ডিফল্ট (RevMan এটি ব্যবহার করে); REML প্রায়ই বেশি পছন্দ করা হয়, বিশেষ করে স্টাডি কম হলে। LabTools ফরেস্ট প্লট DerSimonian–Laird ব্যবহার করে; labtools stats meta দুটোই দেয়, সঙ্গে prediction interval ও Egger's test।