Skip to content
بازگشت به نتایج جست‌وجو

مطالعه بوم‌شناختی فراتحلیلی — سنتز شواهد در سطح کلان

معرفی‌شده توسط
Morgenstern, Blettner, and colleagues in epidemiology methodology
سال
1990s
نوع
Quantitative synthesis design
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

یک مطالعه بوم‌شناختی فراتحلیلی داده‌ها را از چندین جمعیت یا واحد جغرافیایی — به جای بیماران فردی — برای تخمین ارتباط بین مواجهات و پیامدهای سلامتی سنتز می‌کند. با تجمیع آمارهای سطح کلان در مطالعات یا مناطق، دامنه استدلال بوم‌شناختی را به پایگاه شواهد گسترده‌تری گسترش می‌دهد و امکان تشخیص روابط مواجهه-پیامد را فراهم می‌کند که ممکن است تحلیل‌های بوم‌شناختی تک‌جمعیتی به دلیل محدودیت در تغییرپذیری یا حجم نمونه از دست بدهند.

شهود پشت روش

تصور کنید می‌خواهید بدانید آیا سطوح ملی فلوراید در آب آشامیدنی با نرخ پوسیدگی دندان مرتبط است یا خیر، اما هیچ کشوری به تنهایی تغییرپذیری کافی برای نتیجه‌گیری قاطع را فراهم نمی‌کند. یک مطالعه بوم‌شناختی فراتحلیلی داده‌های بوم‌شناختی را از بسیاری از کشورها جمع‌آوری می‌کند — هر کدام یک مواجهه میانگین جمعیتی و یک پیامد میانگین جمعیتی را ارائه می‌دهند — و آن‌ها را با استفاده از تکنیک‌های فراتحلیلی سنتز می‌کند. واحد تحلیل همچنان جمعیت یا گروه است، نه فرد. قدرت از قرض گرفتن تغییرپذیری در سراسر چندین محیط حاصل می‌شود، در حالی که محدودیت ذاتی این است که روابط در سطح فردی را نمی‌توان مستقیماً از انجمن‌های سطح گروه استنباط کرد.

تاریخ

طرح‌های مطالعه بوم‌شناختی از زمان نقشه‌برداری جان اسنو از موارد وبا در سال ۱۸۵۴ و تحلیل‌های کلاسیک جفری رز از رژیم غذایی ملی و مرگ و میر قلبی عروقی در دهه ۱۹۸۰ در اپیدمیولوژی استفاده شده‌اند. کاربرد رسمی روش‌های فراتحلیلی بر روی داده‌های بوم‌شناختی در دهه ۱۹۹۰ توسعه یافت زیرا محققان به دنبال سنتز یافته‌ها از چندین کشور یا منطقه بودند — به ویژه در اپیدمیولوژی تغذیه، محیطی و سرطان. کار روش‌شناختی هانس مورگنشترن در مورد اصول مطالعه بوم‌شناختی (۱۹۹۸) و بررسی رویکردهای فراتحلیلی در اپیدمیولوژی توسط بلتنر و همکاران (۱۹۹۹) پایه‌های روش‌شناختی کلیدی را برای طرح ترکیبی فراهم کرد.

چه زمانی استفاده شود

هنگامی که داده‌های سطح فردی در دسترس نیستند یا دستیابی به آن‌ها در سراسر جمعیت‌های مورد علاقه عملی نیست، اما داده‌های مواجهه در سطح گروه (مانند میانگین‌های ملی، نرخ‌های منطقه‌ای) از منابع متعدد در دسترس هستند، از مطالعه بوم‌شناختی فراتحلیلی استفاده کنید. این روش برای مطالعه مواجهات محیطی، تغذیه‌ای یا اجتماعی-اقتصادی که به طور معناداری بین جمعیت‌ها و نه در درون آن‌ها متغیر هستند — به عنوان مثال، فلورایداسیون آب و سلامت دندان، یا مصرف چربی غذایی ملی و مرگ و میر قلبی عروقی مناسب است. از این طرح زمانی که مخدوش‌سازی در سطح فردی قوی است و نمی‌توان آن را با کووریت‌های بوم‌شناختی موجود برطرف کرد، زمانی که مواجهه مورد علاقه عمدتاً در درون جمعیت‌ها و نه بین آن‌ها متغیر است، یا زمانی که مغالطه بوم‌شناختی به طور حیاتی استنتاج مورد نیاز برای اطلاع‌رسانی سیاست را تضعیف می‌کند، اجتناب کنید.

محدودیت‌ها و ملاحظات

  • مغالطه بوم‌شناختی (سوگیری تجمیع): انجمن‌های مشاهده شده در سطح گروه ممکن است در سطح فردی برقرار نباشند، و حتی ممکن است معکوس شوند — یک محدودیت اساسی و غیرقابل کاهش.
  • تخمین‌های تجمیع شده به عوامل مخدوش‌کننده اندازه‌گیری نشده در سطح بوم‌شناختی که به طور سیستماتیک در سراسر جمعیت‌ها متفاوت هستند، حساس هستند.
  • ناهمگونی در نحوه تعریف و اندازه‌گیری متغیرهای مواجهه و پیامد در سراسر مطالعات، تجمیع معنادار را پیچیده می‌کند.
  • نمی‌تواند علیت را در سطح فردی برقرار کند؛ یافته‌ها باید با شواهد اپیدمیولوژیک سطح فردی سه‌جانبه شوند.
  • محدود به کیفیت و کامل بودن داده‌های کلان موجود از سیستم‌های نظارتی و مطالعات بوم‌شناختی منتشر شده است.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • شواهد بوم‌شناختی را با تجمیع داده‌ها در سراسر چندین جمعیت گسترش می‌دهد و قدرت آماری را برای تشخیص انجمن‌ها به طور قابل توجهی افزایش می‌دهد.
  • زمانی که داده‌های سطح فردی از نظر اخلاقی در دسترس نیستند، جمع‌آوری آن‌ها پرهزینه است، یا هنوز در محدوده جغرافیایی یا زمانی مورد علاقه وجود ندارند، قابل اجرا است.
  • می‌تواند تعیین‌کننده‌های کلان سلامت (سیاست، محیط، زمینه اجتماعی-اقتصادی) را که طرح‌های سطح فردی قادر به ثبت آن‌ها نیستند، آشکار کند.
  • چارچوب فراتحلیلی امکان ارزیابی رسمی ناهمگونی و شناسایی عوامل تعدیل‌کننده در سراسر جمعیت‌ها را فراهم می‌کند.
  • برای تولید فرضیه‌هایی که در مطالعات سطح فردی آزمایش می‌شوند و برای اطلاع‌رسانی تصمیمات بهداشت عمومی در سطح جمعیت مفید است.

کاربردها

  • بررسی انجمن‌های بین الگوهای غذایی ملی یا منطقه‌ای و نرخ مرگ و میر بیماری‌های مزمن در سراسر کشورها.
  • سنتز داده‌های نظارتی چند کشوری در مورد سطوح آلودگی هوای محیطی و بروز بیماری‌های تنفسی یا قلبی عروقی.
  • تجمیع داده‌های منطقه‌ای در مورد شاخص‌های اجتماعی-اقتصادی و پیامدهای سلامت روان جمعیتی در سراسر سیستم‌های بهداشتی متنوع.
  • بررسی اینکه آیا سطوح فلوراید یا کلرینه شدن در آب آشامیدنی به طور بوم‌شناختی با پیامدهای دندانی یا سلامتی در سراسر چندین محیط مرتبط است یا خیر.
  • ارزیابی رابطه بوم‌شناختی بین نرخ پوشش واکسیناسیون و بروز بیماری‌های عفونی در سراسر کشورها یا مناطق.
  • بررسی انجمن‌های بین‌المللی بین متغیرهای سیاستی (مانند مالیات دخانیات، دسترسی به الکل) و پیامدهای سلامت جمعیتی.

چگونه کار می‌کند

چگونه کار می‌کند

1

متغیر مواجهه بوم‌شناختی (مانند شاخص آلودگی منطقه‌ای، میانگین مصرف غذایی ملی) و پیامد مورد علاقه (مانند شیوع بیماری، نرخ مرگ و میر) را تعریف کنید. جستجوی سیستماتیک مطالعات بوم‌شناختی منتشر شده یا پایگاه‌های داده نظارتی را که هر دو متغیر را در سطح گروه یا جمعیت گزارش می‌دهند، انجام دهید. معیارهای ورود از پیش تعیین شده را برای انتخاب واحدهای تحلیلی قابل مقایسه در سراسر مطالعات اعمال کنید.

2

از هر مطالعه یا منبع داده گنجانده شده، آمارهای خلاصه سطح گروه را استخراج کنید: معیار مواجهه بوم‌شناختی (میانگین، نرخ یا نسبت برای هر واحد جمعیتی) و معیار پیامد مربوطه، همراه با تعدیل‌کننده‌های سطح مطالعه مانند گروه درآمدی کشور، سال مطالعه، و عوامل مخدوش‌کننده کنترل شده در تحلیل اصلی. تخمین‌های دقت (خطاهای استاندارد، فواصل اطمینان، یا حجم نمونه واحدهای جمعیتی) را برای امکان تجمیع وزن‌دار ثبت کنید.

3

متریک‌های مواجهه و پیامد را در سراسر مطالعات هماهنگ کنید و در صورت لزوم به یک مقیاس مشترک تبدیل کنید. ناهمگونی در انجمن‌های بوم‌شناختی در سراسر مطالعات را با استفاده از آمارهای I² و Cochran's Q ارزیابی کنید. منابع بالقوه تغییرپذیری بین مطالعاتی — مانند تفاوت در نحوه اندازه‌گیری مواجهه، وضوح جغرافیایی واحدها، یا ویژگی‌های جمعیتی — را از طریق تحلیل‌های زیرگروهی یا فراتحلیل رگرسیون شناسایی کنید.

4

یک تخمین اثر بوم‌شناختی تجمیع شده (معمولاً یک ضریب رگرسیون، نسبت نرخ، یا همبستگی) را با استفاده از مدل‌های فراتحلیلی اثر ثابت یا اثرات تصادفی که با معکوس واریانس هر تخمین بوم‌شناختی وزن‌دهی شده‌اند، محاسبه کنید. مدل‌های اثرات تصادفی معمولاً زمانی ترجیح داده می‌شوند که ناهمگونی قابل توجهی بین مطالعات وجود داشته باشد. تحلیل‌های حساسیت باید تأثیر مطالعات فردی و مفروضات مربوط به مخدوش‌سازی در سطح بوم‌شناختی را بررسی کنند.

5

تخمین تجمیع شده را به عنوان یک انجمن بوم‌شناختی بین مواجهه میانگین جمعیتی و پیامد میانگین جمعیتی تفسیر کنید. خطر مغالطه بوم‌شناختی را به طور انتقادی ارزیابی کنید: انجمن گروهی تجمیع شده ممکن است رابطه سطح فردی را به دقت منعکس نکند. مخدوش‌سازی بالقوه توسط ویژگی‌های جمعیتی اندازه‌گیری نشده را ارزیابی کنید و یافته‌ها را در برابر شواهد سطح فردی از مطالعات کوهورت یا مورد-شاهدی قرار دهید.

دام‌های رایج

  • رفتار با تخمین اثر بوم‌شناختی تجمیع شده به گونه‌ای که گویی یک اثر در سطح فردی است — مغالطه بوم‌شناختی مخرب‌ترین خطا در این طرح است.
  • تجمیع واحدهای بوم‌شناختی غیرقابل مقایسه: مخلوط کردن کشورها با شهرها، یا سال‌های مختلف بدون در نظر گرفتن روند زمانی، ناهمگونی جدی ایجاد می‌کند که دقت ظاهری را افزایش می‌دهد.
  • نادیده گرفتن تغییرات درون گروهی در مواجهه: اگر مواجهه به طور قابل توجهی در درون جمعیت‌ها متغیر باشد اما فقط میانگین گروه استفاده شود، طبقه‌بندی نادرست مواجهه، انجمن بوم‌شناختی مشاهده شده را تضعیف می‌کند.
  • عدم انجام تحلیل‌های حساسیت برای مطالعات تأثیرگذار یا مدل‌های فراتحلیلی جایگزین، که منجر به نتایج شکننده می‌شود.
  • ترکیب این طرح با یک فراتحلیل استاندارد مطالعات سطح فردی — منطق تحلیلی و استنتاجی به طور اساسی متفاوت است و باید به طور شفاف گزارش شود.

پرسش‌های متداول

مغالطه بوم‌شناختی چیست و چرا در اینجا اهمیت دارد؟

مغالطه بوم‌شناختی خطای استنتاج روابط در سطح فردی از داده‌های سطح گروه است. در یک مطالعه بوم‌شناختی فراتحلیلی، حتی یک تخمین تجمیع شده بسیار دقیق نیز در مورد انجمن بین میانگین‌های جمعیتی به شما می‌گوید — نه در مورد آنچه در درون افراد اتفاق می‌افتد. به عنوان مثال، جمعیت‌هایی با میانگین مصرف چربی بالاتر ممکن است مرگ و میر قلبی عروقی بالاتری داشته باشند، اما در درون آن جمعیت‌ها افرادی که چربی بیشتری مصرف می‌کنند ممکن است در معرض خطر شخصی بالاتری نباشند. هرگونه تفسیر سیاستی یا بالینی باید به صراحت این محدودیت را بپذیرد.

این با یک فراتحلیل استاندارد چه تفاوتی دارد؟

یک فراتحلیل استاندارد، تخمین‌های اثر مشتق شده از مطالعات سطح فردی (مانند خطرات نسبی از مطالعات کوهورت) را تجمیع می‌کند. یک مطالعه بوم‌شناختی فراتحلیلی، انجمن‌های بوم‌شناختی را تجمیع می‌کند — هر نقطه داده یک واحد جمعیتی یا جغرافیایی است، نه یک فرد. ماشین‌آلات آماری فراتحلیل (تجمیع وزن‌دار، آمارهای ناهمگونی، نمودارهای جنگلی) مشترک هستند، اما واحد تحلیل، دامنه استنتاج و سوگیری‌های خاص به طور اساسی متفاوت هستند.

چه زمانی باید یک تحلیل تجمیع شده را به این طرح ترجیح دهم؟

اگر می‌توانید داده‌های سطح فردی را از مطالعات اصلی — سوابق بیمار یا مجموعه داده‌های سطح شرکت‌کننده — به دست آورید، یک تحلیل تجمیع شده (فراتحلیل IPD) به شدت ترجیح داده می‌شود. این از مغالطه بوم‌شناختی اجتناب می‌کند، امکان تنظیم کووریت در سطح فردی را فراهم می‌کند و از تحلیل‌های زیرگروهی دقیق‌تر پشتیبانی می‌کند. طرح بوم‌شناختی فراتحلیلی تنها زمانی جایگزین مناسب است که داده‌های سطح فردی واقعاً غیرقابل دسترس باشند.

چگونه ناهمگونی بین جمعیت‌ها را مدیریت کنم؟

ناهمگونی را با I² و Cochran's Q ارزیابی کنید. اگر I² از ۵۰ تا ۷۵ درصد تجاوز کند، جمعیت‌ها احتمالاً برای یک تخمین تجمیع شده واحد که معنادار باشد، بیش از حد متنوع هستند. از مدل‌های اثرات تصادفی استفاده کنید، فراتحلیل رگرسیون را برای توضیح ناهمگونی با تعدیل‌کننده‌های سطح مطالعه (مانند سطح درآمد، منطقه جغرافیایی، روش اندازه‌گیری) انجام دهید و تحلیل‌های زیرگروهی را اجرا کنید. بازه پیش‌بینی را در کنار تخمین نقطه گزارش دهید تا دامنه واقعی انجمن‌های بوم‌شناختی در سراسر محیط‌ها را منتقل کنید.

آیا باید نمودار جریان PRISMA را گزارش دهم؟

بله، اگر مطالعات بوم‌شناختی منتشر شده به طور سیستماتیک جستجو و انتخاب شوند. از دستورالعمل‌های PRISMA (موارد گزارش‌دهی ترجیحی برای مرورهای سیستماتیک و فراتحلیل‌ها) برای فرآیند جستجو و انتخاب ادبیات پیروی کنید. اگر داده‌های بوم‌شناختی از پایگاه‌های داده نظارتی به جای مطالعات منتشر شده به دست آمده‌اند، منابع داده، قوانین استخراج و معیارهای ورود را با شفافیت معادل مستند کنید.

روش‌های مرتبط

منابع

  1. Blettner, M., Sauerbrei, W., Schlehofer, B., Scheuchenpflug, T., & Friedenreich, C. (1999). Traditional reviews, meta-analyses and pooled analyses in epidemiology. International Journal of Epidemiology, 28(1), 1–9.

    باز کردن مرجع DOI
    کپی شد.
  2. Morgenstern, H. (1998). Ecologic studies in epidemiology: concepts, principles, and methods. Annual Review of Public Health, 19, 61–87.

    باز کردن مرجع انتشار
    کپی شد.