Enseñando Meta-análisis en R en Cochrane Viena — y la Tesis de Hasselt de la que surgió

En octubre de 2021, Philippe Tadger fue invitado a impartir una sesión de un día sobre el software R en la reunión editorial del Cochrane Anaesthesia, Critical and Emergency Care Group en Viena. La sesión guió a los revisores de Cochrane a través del código R práctico necesario para ejecutar — y para criticar — los meta-análisis de efectos aleatorios modernos, incluidos los modelos específicos de exactitud de pruebas diagnósticas que fueron el objeto de su tesis de máster en la Universidad de Hasselt. Este artículo resume lo que se enseñó, por qué es relevante para la evidencia clínica, y dónde leer el contexto metodológico completo.

Por qué el meta-análisis es un problema del clínico

Cada vez que un fisioterapeuta elige un tratamiento o prescribe una prueba, se apoya en evidencia que generalmente fue sintetizada — en algún punto de la cadena — por un meta-análisis. Esos métodos de síntesis no son intercambiables. La elección del modelo de efectos aleatorios, la forma en que se gestiona la heterogeneidad, los supuestos detrás de un intervalo de predicción y la maquinaria estadística para combinar estudios diagnósticos dan forma a las estimaciones agrupadas que los profesionales acaban leyendo en una guía clínica. Cuando la maquinaria es incorrecta, la respuesta clínica también lo es — que es exactamente por qué Cochrane invierte en formación estadística interna para sus editores y autores.

Contenido de la sesión de Viena

1. Siete modelos de efectos aleatorios, comparados

La sesión comenzó con la comparación de Jackson et al. (2018) de siete modelos de efectos aleatorios para el meta-análisis de resultados binarios. En R, los asistentes ejecutaron varios de ellos en paralelo sobre el clásico conjunto de datos de tratamiento trombolítico de Olkin (1995):

• Modelo 1 — DerSimonian–Laird y su contraparte REML (metafor::rma.uni, meta::metabin con method.tau = "REML"). Simple, ampliamente implementado, el estándar pragmático cuando los datos no son raros.
• Modelo 4 — UM.FS GLMM (metafor::rma.glmm(..., model="UM.FS")). Un modelo modificado de Simmonds & Higgins que Jackson et al. recomiendan como alternativa seria al enfoque convencional.
• Modelo 5 — UM.RS GLMM con efectos aleatorios específicos por estudio (model="UM.RS").
• Modelo 7 — CM.EL condicional hipergeométrico-normal (model="CM.EL") y su versión aproximada CM.AL, ambos enfoques de verosimilitud exacta preferidos para eventos raros y cuando se dispone de experiencia estadística.

La conclusión para los editores de Cochrane: el modelo convencional DerSimonian–Laird sigue siendo útil porque es simple y robusto, pero cuando los eventos se vuelven raros o la heterogeneidad se vuelve extrema, el Modelo 4 (UM.FS) o el Modelo 7 (CM.EL) ofrecen estimaciones materialmente mejores. Cada ejemplo se mostró con el código R completo y un forest plot, para que los editores pudieran reproducir cada análisis en sus propias revisiones.

2. Intervalos de predicción — y por qué la normalidad es un problema

Un intervalo de predicción responde a la pregunta que más le importa al clínico: «si aplico este tratamiento a mi próximo paciente, ¿qué rango de efectos puedo esperar?» El intervalo de predicción convencional asume que la distribución de los efectos verdaderos es normal — un supuesto que se rompe en revisiones pequeñas o heterogéneas. La sesión presentó el paquete pimeta y su intervalo de predicción bootstrap, que elude por completo el supuesto de normalidad. Un ejemplo trabajado con el conjunto de datos de psicoterapia ThirdWave mostró cómo injerta el IP bootstrap sobre un modelo meta::metagen para que el forest plot final muestre una línea «Bootstrap PI» defendible.

3. Meta-análisis bayesiano de exactitud de pruebas diagnósticas

La sección técnicamente más exigente de la sesión fue el análisis bayesiano de estudios de exactitud de pruebas diagnósticas (DTA). Se compararon tres modelos sobre el clásico conjunto de datos de telomerasa de Glas:

• El modelo normal–normal de Reitsma (mada::reitsma) — presentado como referencia histórica, no recomendado en la práctica porque impone un supuesto de normalidad que rara vez se cumple.
• Modelo bivariante de efectos aleatorios binomial-normal (metafor::rma.mv sobre sensibilidades y especificidades transformadas en logit) — un paso frecuentista que respeta la naturaleza binomial de los datos.
• Binomial-normal bayesiano con bamdit — el enfoque preferido. Utiliza la distribución binomial exacta, converge de forma fiable, y acepta una alternativa de mezcla binomial de normales para heterogeneidad severa. El código de ejemplo ejecutó un ajuste de metadiag() respaldado por JAGS con priors informativos sobre la correlación, y luego trazó densidades posteriores para las varianzas entre estudios y la correlación sensibilidad–especificidad.

El resultado visual fue un forest plot bivariante mediante DTAplots, densidades posteriores de sensibilidad/especificidad, y traceplots de diagnóstico mediante coda — un flujo de trabajo DTA bayesiano completo en una única sesión de RStudio.

Conexión con la tesis de máster de Hasselt

La sección DTA bayesiana de la sesión de Viena no fue una conferencia puntual — fue una versión condensada del trabajo metodológico que Philippe había completado en la Universidad de Hasselt para su tesis de Máster en Estadística. Esa tesis, titulada «Meta-Research on Statistical Methods of Combining Diagnostic Studies», compara sistemáticamente la maquinaria estadística utilizada para combinar estudios de exactitud diagnóstica — los supuestos, los modos de fallo y la orientación práctica para elegir un modelo sobre otro. Para quien desee profundizar más de lo que permite un curso de un día, la tesis es el lugar donde leer la derivación completa, los resultados de simulación y las recomendaciones.

→ Tesis completa en el repositorio de la Universidad de Hasselt: hdl.handle.net/1942/32304

Descargar las diapositivas de Viena

Las diapositivas originales de la sesión de Viena están disponibles a continuación. Contienen los bloques de código R tratados anteriormente junto con los forest plots resueltos y el resultado DTA bayesiano. El archivo tiene control de acceso; póngase en contacto si necesita la clave de apertura para uso en clase.

Conclusiones

• El meta-análisis no es un método único — elegir el modelo de efectos aleatorios adecuado importa, especialmente para eventos raros y alta heterogeneidad.
• Los intervalos de predicción deben usar métodos bootstrap cuando no se puede defender la normalidad.
• El meta-análisis de exactitud de pruebas diagnósticas pertenece a la familia binomial-normal bayesiana, no al modelo normal-normal de Reitsma.
• La formación editorial de Cochrane es trabajo real, y la fluidez estadística es parte de lo que mantiene a una revisión sistemática digna de confianza.