Métodos Bayesianos em metanálise

Abstract

A presente monografia tem por principal objetivo fazer uma revisão de literatura sobre métodos bayesianos em metanálise com ênfase em metanálise de subgrupos. Entende-se por metanálise técnicas estatísticas adequadas para combinar quantitativamente informações de estudos independentes, mas que possuem o mesmo objetivo de pesquisa. Espera-se que esta monografia sirva como guia básico para quem se interessar em aprender um pouco sobre a metodologia bayesiana em metanálise de subgrupos. Para isto, apresenta-se uma breve introdução à metanálise sob enfoque clássico e uma discussão mais aprofundada sobre como desenvolvera metanálise sob enfoque bayesiano. A metodologia apresentada é ilustrada através de exemplos envolvendo dados reais sobre a eficácia do uso de estatinas na prevenção de eventos cardiovasculares, sendo que as análises são descritas passo a passo com a utilização do software WinBUGS. A abordagem bayesiana para inferência estatística possui a característica de considerar os parâmetros desconhecidos dos modelos como quantidades aleatórias e, desta forma, expressar a incerteza que se tem sobre estes parâmetros através de distribuições a priori de probabilidades. Através do uso do teorema de Bayes, a atualização da incerteza sobre os parâmetros pode ser feita de forma sequencial com a chegada de novas informações. Esta característica dinâmica da abordagem bayesiana acomoda mais confortavelmente as técnicas de metanálise onde a incerteza sobre o efeito de um tratamento, por exemplo, é atualizada sequencialmente com a execução de mais um estudo sobre o tema. Paralelamente, a abordagem bayesiana permite modelos mais flexíveis onde características individuais dos estudos podem ser facilmente incorporadas. Apesar destas vantagens, a abordagem bayesiana ainda é pouco utilizada na prática e pouco descrita nos textos mais metodológicos sobre metanálise. Esta escassez de literatura justifica esta monografia.

This monograph has as its principal objective to review the literature on bayesian methods in metanalysis with emphasis on metanalysis of subgroups. It is understood by metanalysis statistical techniques that combine quantitatively information from independent studies, with the same goal of research. It is hoped that this monograph will serve as a basic guide for anyone interested in learning about the bayesian approach in meta-analysis of subgroups. For this, this paper presents a brief introduction to the classical metanalysis and a deeper discussion on how to develop a meta-analysis under bayesian framework. The methodology is illustrated through examples involving real data about the efficacy of statins in preventing cardiovascular events, and the analysis are described step by step using the WinBUGS software. Bayesian approach to statistical inference has the feature of considering the unknown parameters of the models as random quantities and thus expresses the uncertainty about these parameters through a priori probability distribution. Through the use of Bayes' theorem the updating of uncertainty about the parameters can be done in sequence with the arrival of new information. This dynamic characteristic of the bayesian approach accommodates more comfortably the techniques of metanalysis where uncertainty about, for example, the effect of a treatment is sequentially updated with the execution of a further study on this topic. In parallel, the bayesian approach allows more flexible models where individual characteristics of the studies can be easily incorporated. Despite these advantages the bayesian approach is not widely used in practice and rarely described in methodological texts on metanalysis. This lack of literature justifies this monograph.