R meta-analyse onderwijzen bij Cochrane Wenen — en de Hasselt-thesis waaruit het groeide

In oktober 2021 werd Philippe Tadger uitgenodigd om een R-dag te geven op het editorial meeting van de Cochrane Anaesthesia, Critical and Emergency Care Group in Wenen. De sessie begeleidde Cochrane-reviewers doorheen de praktische R-code om moderne random-effects meta-analyses uit te voeren — en te bekritiseren — inclusief de specifieke modellen voor diagnostische accuraatheid die het onderwerp waren van zijn Master-thesis aan de Universiteit Hasselt. Dit artikel vat samen wat werd onderwezen, waarom het belangrijk is voor klinische evidentie, en waar je de volledige methodologische achtergrond kunt nalezen.

Waarom meta-analyse een probleem is voor de clinicus

Elke keer dat een kinesitherapeut een behandeling kiest of een test aanvraagt, leunt hij of zij op evidentie die — ergens in de keten — is samengevat door een meta-analyse. Die synthese-methoden zijn niet uitwisselbaar. De keuze van het random-effects model, de manier waarop heterogeniteit wordt behandeld, de aannames achter een voorspellingsinterval, en de statistische machinerie voor het combineren van diagnostische studies bepalen mee de gepoolde schattingen die clinici uiteindelijk lezen in een richtlijn. Als de machinerie verkeerd is, is het klinisch antwoord ook verkeerd — precies daarom investeert Cochrane in interne statistische training voor zijn editors en auteurs.

Wat de sessie in Wenen behandelde

1. Zeven random-effects modellen, vergeleken

De sessie opende met de vergelijking van Jackson et al. (2018) tussen zeven random-effects modellen voor meta-analyse van binaire uitkomsten. In R liepen de deelnemers meerdere modellen naast elkaar op de klassieke Olkin (1995) dataset over trombolyse-therapie:

• Model 1 — DerSimonian–Laird en de REML-variant (metafor::rma.uni, meta::metabin met method.tau = "REML"). Eenvoudig, breed geïmplementeerd, de pragmatische standaardkeuze wanneer de data niet zeldzaam zijn.
• Model 4 — GLMM UM.FS (metafor::rma.glmm(..., model="UM.FS")). Een aangepaste versie van het Simmonds & Higgins-model die Jackson et al. aanbevelen als een serieus alternatief voor de conventionele aanpak.
• Model 5 — GLMM UM.RS met studie-specifieke random effects (model="UM.RS").
• Model 7 — CM.EL conditioneel hypergeometrisch-normaal (model="CM.EL") en de benaderende versie CM.AL, beide exacte-likelihood-benaderingen die de voorkeur genieten bij zeldzame events en wanneer statistische expertise aanwezig is.

De kernboodschap voor Cochrane-editors: het conventionele DerSimonian–Laird-model blijft bruikbaar omdat het eenvoudig en robuust is, maar zodra events zeldzaam worden of heterogeniteit extreem is, leveren Model 4 (UM.FS) of Model 7 (CM.EL) merkbaar betere schattingen. Elk voorbeeld werd getoond met de volledige R-code en een forest plot, zodat editors elke analyse in hun eigen reviews kunnen reproduceren.

2. Voorspellingsintervallen — en waarom normaliteit een probleem is

Een voorspellingsinterval beantwoordt de vraag die de meeste clinici echt stellen: “als ik deze behandeling toepas op mijn volgende patiënt, welke range van effecten kan ik verwachten?” Het conventionele voorspellingsinterval veronderstelt dat de verdeling van ware effecten normaal is — een aanname die instort in kleine of heterogene reviews. De sessie introduceerde het pimeta-pakket en zijn bootstrap-voorspellingsinterval, dat de normaliteitsaanname volledig omzeilt. Een uitgewerkt voorbeeld op de ThirdWave psychotherapie-dataset liet zien hoe je de bootstrap PI op een meta::metagen-model kunt enten zodat het finale forest plot een verdedigbare “Bootstrap PI”-lijn toont.

3. Bayesiaanse meta-analyse van diagnostische accuraatheid

Het technisch meest veeleisende deel van de sessie was de Bayesiaanse analyse van studies naar diagnostische testaccuraatheid (DTA). Drie modellen werden vergeleken op de klassieke Glas telomerase-dataset:

• Het normaal-normaal-model van Reitsma (mada::reitsma) — gepresenteerd als een historische referentie, in de praktijk niet aanbevolen omdat het een normaliteitsaanname oplegt die zelden vervuld is.
• Binomiaal-normaal bivariaat random-effects model (metafor::rma.mv op logit-getransformeerde sensitiviteiten en specificiteiten) — een frequentistische stap vooruit die de binomiale aard van de data respecteert.
• Bayesiaans binomiaal-normaal met bamdit — de voorkeursbenadering. Ze gebruikt de exacte binomiale verdeling, convergeert betrouwbaar en aanvaardt een binomiaal-mengsel-van-normalen als alternatief bij ernstige heterogeniteit. De voorbeeldcode draaide een JAGS-gebaseerde metadiag()-fit met informatieve priors op de correlatie, en plotte vervolgens de posterieure dichtheden voor de between-study varianties en de sensitiviteit-specificiteit-correlatie.

De visuele output omvatte een bivariaat forest plot via DTAplots, posterieure sensitiviteits- en specificiteitsdichtheden, en diagnostische traceplots via coda — een volledige Bayesiaanse DTA-workflow in één RStudio-sessie.

De link met de Master-thesis aan Hasselt

Het Bayesiaanse DTA-deel van de sessie in Wenen was geen losstaande lezing — het was een gecomprimeerde versie van het methodologisch werk dat Philippe aan de Universiteit Hasselt had afgerond voor zijn MSc Statistiek-thesis. Die thesis, getiteld “Meta-Research on Statistical Methods of Combining Diagnostic Studies”, vergelijkt systematisch de statistische machinerie die wordt gebruikt om diagnostische accuraatheidsstudies te poolen — de aannames, faalmodi en praktische richtlijnen om één model boven het andere te verkiezen. Wie dieper wil gaan dan een dagcursus toelaat, vindt in de thesis de volledige afleiding, simulatieresultaten en aanbevelingen.

→ Volledige thesis op de repository van de Universiteit Hasselt: hdl.handle.net/1942/32304

Download de presentatie van Wenen

De originele dia’s van de sessie in Wenen staan hieronder. Ze bevatten de hierboven besproken R-codeblokken, de uitgewerkte forest plots en de Bayesiaanse DTA-output. Het bestand is met een wachtwoord beveiligd; neem contact op als je de openingssleutel nodig hebt voor onderwijs.

Kernpunten

• Meta-analyse is geen enkele methode — het juiste random-effects model kiezen is belangrijk, vooral bij zeldzame events en hoge heterogeniteit.
• Voorspellingsintervallen zouden bootstrap-methoden moeten gebruiken wanneer normaliteit niet verdedigbaar is.
• Meta-analyse van diagnostische testaccuraatheid hoort thuis in de Bayesiaanse binomiaal-normaal familie, niet in het Reitsma normaal-normaal model.
• De redactionele training van Cochrane is echt werk, en statistische vaardigheid is deel van wat een systematische review betrouwbaar houdt.