Forest plots e metanálise: um guia prático
Um forest plot mostra o tamanho de efeito de cada estudo com seu intervalo de confiança e um losango para a estimativa combinada, para você ver em uma só figura se os estudos concordam e qual é o tamanho do efeito conjunto. Este guia trata dos dados necessários, efeitos fixos versus aleatórios, heterogeneidade e efeitos de estudos pequenos, e de como fazer o gráfico de graça no LabTools.
Neste guia
- O que um forest plot mostra
- Os dados de que você precisa
- Efeito fixo ou efeitos aleatórios
- Faça um forest plot no LabTools
- Efeitos de estudos pequenos e viés de publicação
- O que relatar
- Perguntas frequentes
Oito estudos, odds ratios com IC de 95%; a odds ratio combinada de efeito fixo é 0.74 (IC 95% 0.68–0.80). Ver o exemplo completo
O que um forest plot mostra
Cada linha é um estudo: um marcador na estimativa do efeito e uma linha horizontal para o intervalo de confiança. Uma linha vertical de ausência de efeito fica em 1 para razões (odds ratio, risco relativo, hazard ratio) ou em 0 para diferenças (diferença de médias, diferença de médias padronizada, diferença de risco). Embaixo, um losango mostra a estimativa combinada: o centro é o efeito conjunto e a largura é o intervalo de confiança.
As razões são desenhadas em eixo logarítmico, porque uma odds ratio de 0.5 está tão longe da ausência de efeito quanto uma de 2, e a combinação é feita em escala logarítmica.
Os dados de que você precisa
Uma linha por estudo com o tamanho de efeito e os limites inferior e superior do intervalo de confiança, como relatados em cada artigo. Uma coluna de pesos é opcional: sem ela, os pesos são calculados a partir da largura dos intervalos (inverso da variância), de modo que estudos mais precisos contam mais.
O exemplo de forest plot tem oito estudos com odds ratios e um CSV para baixar e acompanhar.
Efeito fixo ou efeitos aleatórios
Um modelo de efeito fixo supõe que todos os estudos estimam um único efeito verdadeiro e diferem só por acaso. Um modelo de efeitos aleatórios supõe que o efeito verdadeiro varia entre os estudos, estima essa variância (τ²) e dá um intervalo mais largo e cauteloso. Quando os estudos diferem em população, dose ou desenho, efeitos aleatórios costuma ser a escolha honesta. Desenhar os dois losangos mostra o quanto a escolha importa.
A heterogeneidade é resumida pelo Q de Cochran (um teste de se os estudos discordam mais do que o acaso permite), pelo I² (a parcela da variação devida a diferenças reais, 0–100%) e pelo τ² (a própria variância entre estudos).
Faça um forest plot no LabTools
- Em Charts & Plots clique em Upload File e carregue sua tabela (CSV ou Excel), ou cole com Paste Data.
- No chip Chart escolha Forest Plot.
- Em Columns escolha Study/Label Column, Effect Size Column, CI Lower Bound Column e CI Upper Bound Column (e, se quiser, uma Weight Column). Por enquanto a lista de estudos só mostra colunas numéricas, então numere seus estudos.
- Em Statistical Analysis defina o Effect Size Type (OR, RR e HR passam para eixo logarítmico com a linha em 1), o Meta-Analysis Model (Fixed Effects, Random Effects ou Both) e o Confidence Level.
- Em Layout & Typography defina os rótulos “Favours” e Sort Studies By; em Publication Features escolha um Journal Style (APA, Nature, JAMA ou Cochrane) e onde fica a tabela de estatística.
- Use Export (Ctrl+E) para salvar como PNG, SVG ou PDF.
O gráfico combina efeitos aleatórios com DerSimonian–Laird. Para REML, um intervalo de predição e o teste de Egger, rode labtools stats meta na linha de comando ou peça a um assistente de IA conectado ao LabTools por MCP.
Efeitos de estudos pequenos e viés de publicação
Se estudos pequenos relatam efeitos maiores que os grandes, a estimativa combinada pode estar inflada, muitas vezes porque resultados nulos pequenos não são publicados. Um gráfico de funil (funnel plot) mostra isso visualmente; uma correlação de postos entre o tamanho do estudo e o efeito, ou o teste de regressão de Egger, dá um número. No exemplo, o τ de Kendall entre o tamanho do estudo e log(OR) é 0.143 (p = 0.62): nenhum sinal de efeitos de estudos pequenos, embora com oito estudos esses testes tenham pouco poder.
O que relatar
- A medida de efeito e a escala (por exemplo, odds ratio, combinada em escala logarítmica).
- O modelo (efeito fixo ou efeitos aleatórios) e o estimador de τ².
- A estimativa combinada com seu intervalo de confiança, e Q, I² e τ².
- Qualquer avaliação de efeitos de estudos pequenos ou de viés de publicação, e em quantos estudos ela se baseou.
Perguntas frequentes
Para que serve um forest plot?
Para mostrar lado a lado os resultados de vários estudos sobre a mesma pergunta: o tamanho de efeito e o intervalo de confiança de cada estudo em uma linha, e a estimativa combinada (metanalítica) como um losango embaixo. É a figura padrão de uma metanálise e de revisões sistemáticas.
Como ler um forest plot?
Cada linha é um estudo: o marcador é a estimativa e a linha horizontal, o intervalo de confiança. A linha vertical é a “ausência de efeito” (1 para razões, 0 para diferenças); um intervalo que a cruza não é significativo por si só. O losango é a estimativa combinada, e sua largura é o intervalo de confiança.
Como obter o erro padrão a partir de um intervalo de confiança?
Para um IC de 95% de uma diferença: EP = (superior − inferior) / (2 × 1.96). Para uma razão (OR, RR, HR), faça em escala logarítmica: EP = (ln(superior) − ln(inferior)) / (2 × 1.96). O LabTools aceita o intervalo diretamente e faz essa conta para você.
O que significa um I² alto?
Que a maior parte da dispersão entre os resultados dos estudos reflete diferenças reais entre eles (populações, doses, métodos), e não o acaso. Em torno de 75% ou mais costuma ser considerado alto. Relate a estimativa de efeitos aleatórios, procure a origem da heterogeneidade e considere um intervalo de predição, que mostra onde o efeito de um novo estudo provavelmente cairia.
DerSimonian–Laird ou REML?
Os dois estimam a variância entre estudos τ² para um modelo de efeitos aleatórios. DerSimonian–Laird é o padrão clássico (usado pelo RevMan); REML costuma ser preferido, sobretudo com poucos estudos. O forest plot do LabTools usa DerSimonian–Laird; labtools stats meta oferece os dois, com um intervalo de predição e o teste de Egger.