Sintesis Bukti dan Meta-Analisis

Mengapa ini penting dalam ekonomi kesehatan

Setiap evaluasi ekonomi bertumpu pada input yang harus berasal dari suatu tempat: efek relatif pengobatan, tingkat perkembangan penyakit, bobot kualitas-hidup keadaan kesehatan, kemungkinan kejadian buruk. Ini adalah angka yang mendorong rasio efektivitas-biaya inkremental, dan dari mana mereka berasal memutuskan apakah rasio dapat dipercaya. Model keputusan (lihat Topik 2.2 — Pemodelan) hanya sebaik parameter yang dimasukkan ke dalamnya, dan parameter itu adalah produk sintesis — pengumpulan sengaja seluruh literatur — bukan dari uji coba tunggal mana pun. Ini adalah topik yang memiliki "dari mana angka dalam model berasal".

Bagi seorang direktur, taruhannya adalah bahwa sintesis dapat secara diam-diam memutuskan pertanyaan pendanaan bahkan sebelum ekonomi dijalankan. Jika tinjauan memilih-cherry uji coba yang menguntungkan, mengubur hasil nol, atau merata-ratakan di seluruh studi yang tidak pernah dapat dibandingkan, perkiraan efek yang dihasilkannya akan salah dalam arah spesifik, dan setiap perhitungan hilir mewarisi kesalahan itu dengan lapisan rigor. Badan penilaian teknologi kesehatan (HTA) di seluruh dunia — Institut Nasional untuk Keunggulan Kesehatan dan Perawatan (NICE) Inggris, IQWiG Jerman, panel pedoman Organisasi Kesehatan Dunia (WHO) — membangun rekomendasi mereka pada sintesis tepatnya karena satu studi terlalu rapuh untuk menanggung berat keputusan nasional.

Taruhannya juga etis dan tentang kepercayaan publik. Tinjauan sistematis yang dilakukan dengan baik adalah pertahanan terkuat yang dimiliki badan publik terhadap tertangkap oleh siapa pun yang menjalankan uji coba paling berkesan atau berteriak paling keras. Ini adalah metode transparan dan dapat direproduksi untuk membiarkan seluruh basis bukti berbicara, termasuk bagian yang tidak nyaman. Ketika pembayar dapat menunjukkan bahwa keputusannya mengikuti sintesis yang pra-ditentukan, komprehensif, dan dinilai secara kritis, ia dapat mempertahankan keputusan itu kepada klinisi, pasien, industri, dan pengadilan. Ketika tidak bisa, keputusan terlihat sewenang-wenang — dan dalam kesehatan, keputusan sewenang-wenang tentang siapa yang dirawat mengikis kepercayaan dengan cepat.

Konsep inti

Tinjauan sistematis adalah metode terstruktur untuk menemukan, menilai, dan meringkas semua studi yang berkaitan dengan pertanyaan spesifik, menggunakan protokol pra-registrasi sehingga proses dapat direproduksi dan tahan bias. Ini dibedakan dari tinjauan naratif tradisional oleh strategi pencariannya eksplisit, kriteria inklusi dan eksklusi yang dinyatakan, dan penilaian kritis setiap studi yang termasuk. Standar pelaporan yang sekarang diikuti sebagian besar tinjauan adalah PRISMA (Item Pelaporan Pilihan untuk Tinjauan Sistematis dan Meta-Analisis), yang meminta penulis mendokumentasikan setiap langkah dari pencarian hingga sintesis sehingga pembaca dapat memeriksa apa yang dilakukan.

Meta-analisis adalah bagian statistik dari proses itu: pengumpulan kuantitatif hasil dari beberapa studi menjadi satu perkiraan gabungan, biasanya ukuran efek seperti risiko relatif, rasio odds, atau perbedaan mean. Tidak setiap tinjauan sistematis mengandung meta-analisis — pengumpulan hanya sah ketika studi cukup mirip untuk digabungkan — tetapi di mana itu tepat, ia meningkatkan presisi dan dapat mengungkapkan efek yang dilewatkan studi individu berdaya-rendah. Cara kanonik menampilkannya adalah plot hutan: setiap studi garis horizontal yang menunjukkan perkiraan dan interval kepercayaannya, hasil terkumpul berlian di kaki.

Dua model statistik berada di belakang perkiraan terkumpul. Model efek-tetap mengasumsikan setiap studi memperkirakan satu efek benar tunggal, dan perbedaan antara mereka hanya derau sampling. Model efek-acak mengasumsikan efek benar sebenarnya bervariasi di seluruh studi — karena populasi, dosis, dan pengaturan berbeda — dan memperkirakan rata-rata distribusi itu, memberikan bobot lebih pada studi lebih kecil dan ketidakpastian lebih lebar dan lebih jujur. Pilihan di antara mereka bukan kosmetik: ia mengubah interval kepercayaan dan kadang kesimpulannya.

Alasan pilihan itu penting adalah heterogenitas — sejauh mana hasil studi berbeda lebih dari yang dapat dijelaskan kebetulan. Heterogenitas klinis (pasien atau pengobatan berbeda), heterogenitas metodologis (desain atau kualitas studi berbeda), dan heterogenitas statistik (hasil tersebar) semua mengancam makna angka terkumpul. Menggabungkan studi yang benar-benar heterogen menghasilkan rata-rata yang tidak menggambarkan populasi nyata mana pun — setara statistik dari orang dengan satu kaki di es dan satu di api "rata-rata nyaman". Menyelidiki heterogenitas, bukan merata-ratakannya, sering di mana pembelajaran nyata hidup.

Tidak semua bukti sama, dan bidang ini mengorganisirnya ke dalam hierarki bukti: tinjauan sistematis uji coba acak di puncak, kemudian uji coba terkontrol acak individual, kemudian studi observasional, kemudian seri kasus dan pendapat ahli. Hierarki adalah aturan bolak tentang risiko bias dalam desain studi, bukan jaminan — uji coba yang dijalankan buruk dapat lebih buruk daripada studi kohort yang baik. Penyempurnaan modern adalah GRADE (Grading of Recommendations Assessment, Development and Evaluation), yang menilai kepastian bukti untuk setiap hasil sebagai tinggi, sedang, rendah, atau sangat rendah, dan dapat menurunkan bahkan bukti uji coba untuk risiko bias, ketidakkonsistenan, ketidaklangsungan, ketidaktepatan, dan bias publikasi — atau meningkatkan bukti observasional kuat. GRADE sekarang digunakan WHO, Cochrane, dan badan pedoman di seluruh dunia tepatnya karena membuat penalaran di balik peringkat kepastian eksplisit dan dapat diaudit.

Di mana uji coba berhadapan-langsung tidak ada — B tidak pernah diuji terhadap C, hanya masing-masing terhadap plasebo — meta-analisis jaringan (juga disebut meta-analisis pengobatan-campuran atau perbandingan-tidak-langsung) menggabungkan bukti langsung dan tidak langsung di seluruh jaringan pengobatan yang terhubung untuk memperkirakan semua perbandingan, termasuk yang tidak pernah dipelajari secara langsung. Ini tak tergantikan untuk HTA, di mana obat baru harus dibandingkan dengan beberapa opsi yang ada sekaligus, tetapi bertumpu pada asumsi kuat — bahwa uji coba cukup mirip agar perbandingan tidak langsung valid — yang harus diperiksa, bukan diasumsikan.

Dua gagasan tambahan membentuk apakah sintesis dapat dipercaya. Bias publikasi adalah kecenderungan studi dengan hasil positif dan signifikan untuk dipublikasikan, dan yang negatif duduk di laci — sehingga literatur yang terlihat secara sistematis melebih-lebihkan efek. Ini sering disaring dengan plot corong, asimetrinya dapat menandakan studi negatif kecil yang hilang, dan ini adalah salah satu alasan reviewer mencari registri uji coba dan literatur abu-abu — tesis, laporan, data tidak dipublikasikan — bukan hanya jurnal. Terakhir, karena bukti terus tiba, praktik yang berkembang adalah tinjauan hidup: sintesis yang dijaga terus diperbarui saat studi baru muncul, sehingga panduan tidak pernah melayang bertahun-tahun di belakang sains. Kolaborasi Cochrane (Cochrane) tetap menjadi titik referensi internasional untuk metode tinjauan-sistematis, dan Handbook-nya adalah manual standar bidang ini.

Praktik terbaik

1. Tulis dan registrasi protokol sebelum Anda mencari. Kredibilitas tinjauan sistematis datang dari memutuskan pertanyaan, kriteria inklusi, hasil, dan rencana analisis sebelum melihat hasil, kemudian mendaftarkan protokol itu secara publik (misalnya dalam PROSPERO). Ini adalah penjaga tunggal terkuat terhadap reviewer secara tidak sadar membentuk tinjauan ke jawaban yang disukai. Ketika Anda mengomisikan sintesis, bersikeraslah pada protokol terdaftar dan perlakukan ketidakhadirannya sebagai peringatan bahwa kesimpulan mungkin telah dipilih terlebih dahulu.

2. Cari secara komprehensif, termasuk studi yang tidak pernah dipublikasikan siapa pun. Pencarian yang dibatasi pada beberapa database dan jurnal berbahasa-Inggris akan melewatkan uji coba dan akan condong ke hasil positif. Sintesis komprehensif mencari beberapa database, registri uji coba, abstrak konferensi, dosir regulatori, dan literatur abu-abu, dan mengejar data tidak dipublikasikan dari investigator dan produsen. Poinnya bukan keluasan demi dirinya sendiri tetapi menetralisir bias publikasi di sumbernya — studi yang hilang secara tidak proporsional adalah yang negatif.

3. Nilai risiko bias dalam setiap studi yang termasuk, dan biarkan itu mengubah bobot yang Anda berikan pada hasilnya. Inklusi bukan dukungan; setiap studi harus dinilai untuk cara spesifik yang bisa menyesatkan — randomisasi tidak memadai, penilaian hasil tidak-blind, pelaporan selektif, atrisi. Sintesis yang mengumpulkan studi kuat dan lemah dengan bobot sama mencuci bias yang lemah menjadi rata-rata yang terlihat otoritatif. Gunakan alat penilaian yang diakui, laporkan penilaian secara transparan, dan jalankan analisis dengan studi berisiko-tinggi dikecualikan untuk melihat apakah kesimpulan bertahan.

4. Putuskan apakah pengumpulan bahkan sah sebelum Anda menghitung angka terkumpul. Meta-analisis hanya bermakna ketika studi cukup mirip dalam populasi, intervensi, pembanding, dan hasil untuk memperkirakan efek yang dapat dibandingkan. Jika tidak, output jujurnya adalah sintesis naratif terstruktur, bukan angka tunggal yang palsu. Tanyakan "apakah studi ini menjawab pertanyaan yang sama?" sebelum bertanya "apa perkiraan gabungannya?" — rata-rata yang tepat dari hal-hal yang tidak dapat dibandingkan lebih buruk daripada tidak ada rata-rata sama sekali.

5. Pilih model efek-tetap atau efek-acak dengan sengaja, dan justifikasikan. Model efek-acak biasanya default yang lebih jujur dalam kesehatan, di mana studi sebenarnya berbeda, karena menghasilkan interval lebih lebar yang mencerminkan variasi dunia-nyata. Tetapi ia memberi bobot tidak proporsional pada studi kecil, jadi di mana bias publikasi dicurigai ia dapat memperkuat bias yang Anda takutkan. Nyatakan model mana yang Anda gunakan dan mengapa, dan tunjukkan bagaimana perkiraan terkumpul bergerak di bawah alternatif; kesimpulan yang membalik antara keduanya tidak kuat.

6. Selidiki heterogenitas daripada merata-ratakannya. Ketika hasil studi menyimpang lebih dari yang dijelaskan kebetulan, divergensi itu adalah informasi — mungkin berarti pengobatan berfungsi dalam satu subkelompok dan bukan yang lain, atau bahwa kualitas mendorong efek yang tampak. Jelajahi dengan analisis subkelompok dan meta-regresi pra-ditentukan, tetapi perlakukan subkelompok post-hoc dengan skeptis karena mudah ditemukan dan sulit dipercaya. Perkiraan terkumpul yang disajikan tanpa pemeriksaan apa pun mengapa studi tidak sepakat menyembunyikan bagian paling berguna dari data.

7. Saring bias publikasi dan pelaporan secara eksplisit. Bandingkan literatur yang dipublikasikan terhadap registri uji coba untuk menemukan studi yang dijalankan tetapi tidak pernah dilaporkan, periksa asimetri plot-corong di mana cukup studi ada, dan pertimbangkan apakah efek menyusut seiring ukuran studi tumbuh. Tidak satu pun tes ini konklusif, tetapi ketidakhadirannya seharusnya menurunkan kepercayaan Anda pada hasil positif yang rapi. Arah bias publikasi hampir selalu sama — ia menggembungkan manfaat yang tampak — jadi sintesis yang tidak disaring harus dibaca sebagai batas atas.

8. Gunakan meta-analisis jaringan ketika keputusan memiliki banyak pembanding, dan periksa asumsi intinya. Keputusan pendanaan nyata jarang mengadu satu obat melawan plasebo; mereka memilih di antara beberapa opsi aktif, sebagian besar tidak pernah diuji berhadapan-langsung. Meta-analisis jaringan mengisi kesenjangan itu, tetapi hanya jika uji coba cukup mirip untuk perbandingan tidak-langsung — asumsi "transitivitas" — dan jika bukti langsung dan tidak langsung sepakat di mana keduanya ada. Tuntut analis menunjukkan jaringan, menguji konsistensi, dan jujur tentang perbandingan yang bertumpu pada rantai tidak-langsung tipis.

9. Nilai kepastian bukti, bukan hanya ukuran efek. Efek besar dari bukti kepastian-rendah adalah dasar yang lebih lemah untuk membelanjakan uang publik daripada efek sederhana dari bukti kepastian-tinggi. GRADE memisahkan pertanyaan-pertanyaan ini dengan menilai kepastian per hasil dan mendokumentasikan mengapa ia diturunkan atau ditingkatkan, mengubah "buktinya kuat" dari penegasan menjadi penilaian yang diaudit. Bersikeraslah bahwa sintesis yang memberi makan keputusan membawa peringkat kepastian eksplisit untuk setiap hasil yang penting, bukan satu vonis global.

10. Laporkan sintesis sehingga skeptis dapat mereproduksinya. Ikuti standar pelaporan yang diakui seperti PRISMA: berikan strategi pencarian lengkap, alur studi dari diidentifikasi hingga termasuk, studi yang dikecualikan dengan alasan, penilaian risiko-bias, dan data di balik setiap perkiraan terkumpul. Transparansi adalah mekanisme di mana kesalahan dan pilihan selektif ditangkap sebelum mereka menggerakkan anggaran. Sintesis yang pencariannya tidak dapat dijalankan ulang atau yang eksklusinya tidak dijelaskan tidak boleh menjadi jangkar keputusan, betapapun percaya diri abstraknya.

11. Jaga sintesis taruhan-tinggi tetap hidup di mana bukti bergerak cepat. Dalam bidang yang berubah cepat — kelas obat baru, patogen yang muncul, teknologi yang diuji-coba-cepat — tinjauan sudah usang pada saat dipublikasikan, dan bukti basi secara diam-diam salah mengarahkan uang dan perawatan. Tinjauan hidup diperbarui terus-menerus terhadap studi baru, dengan aturan yang disepakati sebelumnya untuk kapan uji coba baru mengubah kesimpulan. Cadangkan usaha untuk keputusan yang cukup besar dan volatil untuk membenarkannya, dan eksplisit tentang tanggal mata uang sintesis apa pun yang Anda andalkan.

12. Cocokkan sintesis dengan parameter yang benar-benar dibutuhkan model. Model keputusan membutuhkan input spesifik — efek relatif untuk kasus dasar, risiko dasar untuk populasi lokal, bobot utilitas — dan masing-masing mungkin membutuhkan sintesisnya sendiri dengan kriteria inklusinya sendiri. Menarik efek relatif dari uji coba acak tetapi risiko dasar dari registri lokal adalah sah dan umum; menyembunyikan bahwa keduanya berasal dari badan bukti berbeda tidak. Selaraskan setiap input yang disintesis dengan bagaimana ia akan digunakan hilir, dan referensi silang evaluasi yang dimberi makannya (lihat Topik 2.1 — Evaluasi Ekonomi).

Pertanyaan untuk didiskusikan dengan tim Anda

1. Ketika kita menerima perkiraan efek sebagai final, apakah kita tahu apakah itu berasal dari seluruh literatur atau hanya bagian terlihat dan melumasi? Pertanyaan ini menargetkan bias publikasi dan pelaporan selektif, kegagalan yang membuat sintesis salah dalam arah yang dapat diprediksi. Realitas tidak nyamannya adalah bahwa uji coba positif dipublikasikan lebih cepat, lebih sering, dan lebih menonjol daripada yang negatif, jadi tinjauan yang terbatas pada jurnal akan cenderung melebih-lebihkan manfaat bahkan ketika setiap studi yang termasuk jujur. Dorong diskusi ke provenans konkret: apakah registri uji coba dicari untuk studi yang dijalankan tetapi tidak pernah dilaporkan, apakah data tidak dipublikasikan dicari dari produsen, apakah plot corong atau pemeriksaan sebanding dilakukan? Ketegangannya adalah bahwa pencarian komprehensif mahal dan lambat, dan selalu ada tekanan untuk menerima perkiraan yang dipublikasikan bersih dan melanjutkan. Jawaban yang jujur tidak mengklaim pencarian sempurna; ia menyatakan seberapa keras tinjauan mencari studi yang hilang dan memperlakukan hasil positif tidak-disaring sebagai kemungkinan batas atas daripada kebenaran.

2. Apakah studi yang kita kumpulkan sebenarnya menjawab pertanyaan yang sama, atau kita telah membuat rata-rata rapi dari hal-hal yang tidak cocok bersama? Ini adalah pertanyaan heterogenitas, dan itu memutuskan apakah angka terkumpul berarti apa pun sama sekali. Sudut yang layak dimunculkan adalah klinis (pasien, dosis, atau pembanding berbeda), metodologis (uji coba dicampur dengan studi observasional lemah), dan statistik (hasil tidak sepakat lebih dari kebetulan). Kegagalan yang menggoda adalah bahwa perangkat lunak akan selalu mengembalikan perkiraan terkumpul dengan interval kepercayaan yang terlihat percaya diri, apakah studi yang mendasarinya dapat dibandingkan atau tidak — presisi angka tidak mengatakan apa pun tentang validitasnya. Diskusikan apakah tinjauan menyelidiki mengapa studi tidak sepakat atau hanya merata-ratakannya, dan apakah perbedaan subkelompok apa pun pra-ditentukan atau dicari setelah fakta. Jawaban yang jujur bersedia menyimpulkan bahwa pengumpulan tidak tepat dan sintesis naratif terstruktur akan menjadi output yang lebih jujur.

3. Seberapa terkini bukti ini, dan apa yang harus ditunjukkan studi baru untuk mengubah keputusan kita? Sintesis memiliki masa simpan, dan bahayanya adalah bertindak atas tinjauan yang pencariannya ditutup bertahun-tahun lalu sementara bidang bergerak maju. Sebutkan tanggal mata uang secara eksplisit dan tanyakan apa yang telah dipublikasikan sejak itu, terutama untuk teknologi bergerak-cepat di mana satu uji coba besar dapat membalikkan perkiraan terkumpul. Disiplin yang lebih dalam adalah memutuskan, sebelumnya, temuan apa yang akan mengubah pikiran Anda — ambang yang mengubah "terus mengawasi literatur" dari niat samar menjadi pemicu operasional untuk pembaruan hidup. Ketegangannya antara biaya menjaga sintesis tetap hidup dan biaya keputusan yang diam-diam berjalan pada bukti basi; tidak setiap pertanyaan membenarkan tinjauan hidup, tetapi setiap yang taruhan-tinggi dan volatil melakukannya. Jawaban yang jujur menyatakan tanggal mata uang, menyebutkan apa yang akan membalikkan kesimpulan, dan menugaskan tanggung jawab untuk memperhatikan ketika itu tiba.

4. Apakah pertanyaan, dan analisis yang akan menjawabnya, ditetapkan sebelum siapa pun melihat hasilnya — atau apakah tinjauan bisa dibentuk menuju kesimpulan yang disukai? Ini menargetkan penjaga tunggal terkuat dalam seluruh disiplin: protokol terdaftar sebelumnya, dengan kriteria inklusi, hasil, dan rencana pengumpulan diselesaikan sebelum data dapat memengaruhi mereka. Kegagalan yang dijaganya halus karena jarang disengaja — reviewer yang melihat hasil terlebih dahulu dapat, dengan itikad baik, menyesuaikan batas inklusi, mempromosikan hasil sekunder, atau mengubah pilihan model dengan cara yang semuanya kebetulan menguntungkan jawaban tertentu. Tanyakan apakah protokol ada dalam registri publik seperti PROSPERO, apakah tinjauan final cocok dengannya, dan apakah penyimpangan apa pun dinyatakan dan dijustifikasi daripada dibuat diam-diam. Ketegangannya adalah bahwa pra-registrasi tidak nyaman — ia melarang fleksibilitas "kami belajar saat kami pergi" yang terasa seperti sains yang baik — dan ketidakhadirannya mudah dimaafkan. Jawaban yang jujur dapat menunjuk pada protokol terdaftar, menjelaskan di mana tinjauan menyimpang darinya dan mengapa, dan memperlakukan sintesis tidak terdaftar sebagai satu yang kesimpulannya mungkin dipilih sebelum bukti masuk.

5. Ketika keputusan mencakup beberapa pengobatan yang tidak pernah diuji satu sama lain, apakah kita mempercayai perbandingan tidak-langsung yang menjahit mereka bersama? Pilihan pendanaan nyata biasanya mengadu beberapa opsi aktif satu sama lain, sebagian besar tidak pernah diuji berhadapan-langsung, jadi sintesis bersandar pada meta-analisis jaringan yang meminjam kekuatan melalui pembanding bersama. Sudut yang harus dimunculkan adalah apakah analis benar-benar menunjukkan jaringan uji coba, apakah asumsi "transitivitas" bertahan — bahwa populasi uji coba dan perawatan latar belakang cukup mirip agar perbandingan tidak-langsung berarti apa pun — dan apakah bukti langsung dan tidak langsung sepakat di mana keduanya ada. Kegagalan yang menggoda adalah bahwa perangkat lunak akan mengembalikan seperangkat lengkap perkiraan berpasangan betapapun tipis atau tidak dapat dibandingkan rantai yang mendasarinya, memberikan hasil tidak-langsung rapuh otoritas yang sama dengan yang langsung kuat. Diskusikan kontras mana yang bertumpu pada satu tautan tidak-langsung lemah dan apakah itu justru perbandingan yang mendorong rekomendasi. Jawaban yang jujur membedakan perbandingan yang terhubung-baik dan diuji-konsistensi dari yang tipis, dan membawa yang terakhir sebagai kepastian rendah daripada menguburnya dalam tabel liga yang rapi.

6. Apakah kita memperlakukan efek besar dan efek pasti sebagai hal yang sama, padahal mereka tidak? Ini memisahkan ukuran perkiraan dari kepercayaan yang berhak kita miliki di dalamnya — perbedaan yang ada untuk dibuat eksplisit GRADE. Ketegangannya adalah bahwa perkiraan titik besar persuasif dan mudah dibelanjakan uang, sementara kepastian di baliknya mungkin rendah karena bukti tidak konsisten, tidak tepat, tidak langsung, atau dibayangi bias publikasi. Tanyakan apakah setiap hasil yang penting membawa peringkat kepastiannya sendiri, mengapa itu diturunkan atau ditingkatkan, dan apakah rekomendasi didorong oleh ukuran efek atau oleh pembacaan jujur seberapa banyak bukti dapat menanggung. Kasus yang tidak nyaman adalah manfaat sederhana tetapi kepastian-tinggi bersaing melawan yang dramatis tetapi kepastian-rendah: disiplinnya adalah lebih suka bukti yang dapat Anda percaya daripada angka yang melumasi. Jawaban yang jujur menolak meruntuhkan "besar" dan "pasti" menjadi satu vonis, dan membiarkan peringkat kepastian, bukan hanya perkiraan titik, mengatur berapa banyak bobot yang diletakkan keputusan pada hasil.

Dalam praktik: sebuah contoh ekonomi kesehatan

Komite Obat dan Teknologi Kesehatan Nasional Maridia — negara berpenghasilan menengah-bawah fiktif yang membangun daftar obat esensialnya — harus memutuskan kelas obat penurun tekanan-darah mana yang direkomendasikan sebagai lini-pertama untuk hipertensi tidak-rumit dalam perawatan primer. Empat kelas adalah kandidat, semua lepas-paten dan terjangkau, tetapi pertanyaan klinisnya adalah mana yang mencegah paling banyak stroke dan serangan jantung per pasien yang dirawat. Komite tidak dapat menjalankan uji cobanya sendiri; ia harus mensintesis apa yang sudah diketahui dunia, kemudian menyerahkan perkiraan efek-relatif kepada tim ekonominya untuk digabungkan dengan biaya lokal dan tingkat kejadian.

Unit bukti komite dimulai dengan protokol terdaftar: pertanyaan, empat pembanding, hasil (kejadian kardiovaskular dan mortalitas semua-sebab), kriteria inklusi, dan rencana analisis, semua ditetapkan sebelum mencari. Pencarian mencakup beberapa database, dua registri uji coba, dan literatur regional WHO yang mengindeks uji coba dari pengaturan seperti Maridia sendiri, karena mengandalkan hanya jurnal negara-berpenghasilan-tinggi akan mengimpor populasi yang mungkin tidak cocok. Alurnya didokumentasikan gaya-PRISMA: beberapa ribu catatan diidentifikasi, sebagian besar dikecualikan pada judul, beberapa lusin uji coba acak termasuk, masing-masing dinilai untuk risiko bias. Tiga uji coba besar yang didanai industri ditemukan telah melaporkan secara selektif; unit menandai mereka dan merencanakan analisis sensitivitas tanpa mereka.

Kesulitan intinya adalah bahwa hampir tidak ada uji coba yang membandingkan empat kelas berhadapan-langsung — sebagian besar menguji satu obat terhadap plasebo atau terhadap satu alternatif. Meta-analisis berpasangan sederhana hanya dapat menjawab sebagian kecil perbandingan yang sebenarnya dihadapi komite. Jadi unit membangun meta-analisis jaringan, menghubungkan kelas melalui pembanding bersama mereka, dan memperkirakan semua enam kontras berpasangan sekaligus. Sebelum mempercayainya, mereka memeriksa transitivitas jaringan — apakah populasi uji coba dan perawatan latar belakang cukup mirip untuk perbandingan tidak-langsung? — dan menguji apakah bukti langsung dan tidak langsung sepakat di mana keduanya ada. Mereka sepakat, sebagian besar; satu kontras bertumpu pada rantai tidak-langsung tipis, yang ditandai unit sebagai kepastian rendah.

Heterogenitasnya nyata dan informatif. Uji coba dalam populasi lebih tua dan berisiko-lebih-tinggi menunjukkan manfaat absolut lebih besar daripada uji coba dalam kohort lebih muda, yang penting karena populasi dirawat Maridia akan condong lebih muda daripada rata-rata uji coba. Daripada mengumpulkan secara buta, unit menjalankan analisis subkelompok dan meta-regresi pra-ditentukan dan melaporkan efek dikondisikan pada risiko dasar. Plot corong pada perbandingan terbesar menunjukkan asimetri ringan, konsisten dengan beberapa studi negatif kecil yang hilang; dikombinasikan dengan uji coba pelaporan-selektif, ini membuat mereka memperlakukan keunggulan kelas paling menguntungkan dengan hati-hati. Di bawah model efek-acak perbedaan antara tiga dari empat kelas kecil dan interval kepercayaan mereka tumpang tindih berat.

Unit menilai setiap hasil dengan GRADE. Bukti bahwa keempat kelas mengalahkan tidak-ada-pengobatan adalah kepastian tinggi; bukti bahwa satu kelas mana pun jelas superior atas yang lain hanya rendah-hingga-sedang, diturunkan untuk ketidakkonsistenan, ketidaktepatan, dan bias publikasi yang dicurigai. Perbedaan itu adalah keputusannya. Komite menyimpulkan bahwa, karena kelas-kelas secara klinis dekat dan semua murah, ekonomi harus didorong oleh harga, toleransi, dan keamanan pasokan daripada oleh klaim rapuh superioritas klinis — kesimpulan yang hanya menjadi terlihat karena sintesis memisahkan ukuran efek dari kepastian. Ini menyerahkan tim ekonomi perkiraan efek-relatif dengan ketidakpastian eksplisit, untuk diubah menjadi biaya-per-kejadian-dihindari (lihat Topik 2.1 — Evaluasi Ekonomi), dan mengomisikan pembaruan hidup: jika uji coba pragmatis besar yang jatuh tempo dalam dua tahun menggeser kontras yang ditentukan melampaui margin yang disepakati sebelumnya, rekomendasi dibuka kembali. Penalaran kausal studi-tunggal di dalam setiap uji coba — apakah perkiraan efeknya sendiri dapat dipercaya — dimiliki Topik 2.3 — Ekonometrika Kesehatan; tugas komite ini adalah mengumpulkan mereka dengan baik.

Empat lensa sektor

Startup

Startup kesehatan digital atau perangkat jarang mengomisikan tinjauan sistematis penuh, tetapi ia menemui sintesis dari sisi lain — sebagai pihak yang satu studi menjanjikannya harus bertahan dari sintesis badan HTA terhadap bidang yang lebih luas. Godaannya adalah bersandar pada satu uji coba yang melumasi dan tinjauan naratif dari makalah pendukung yang dipilih tangan, yang akan segera dilihat penilai serius. Gerakan yang lebih bijaksana adalah memetakan basis bukti yang ada secara jujur dan awal, sehingga startup tahu di mana produknya berada dalam hierarki dan perbandingan mana yang akan dituntut pembayar. Perusahaan kecil yang menyajikan buktinya dalam konteks sintesis yang adil, dan jujur tentang kepastian datanya sendiri, mendapat lebih banyak kredibilitas daripada yang menjual berlebihan hasil terisolasi.

Bisnis kecil

Penyedia kecil yang mapan — praktik kelompok, klinik spesialis tunggal, pemasok perangkat atau diagnostik sederhana — tidak memiliki volume dorongan bukti didukung-investor startup atau tim sintesis perusahaan, namun masih harus membaca sintesis cukup baik untuk membuat keputusan kondisi-tetap. Tugas realistisnya adalah konsumsi, bukan produksi: membaca peringkat kepastian pada pedoman, memeriksa apakah populasi tinjauan menyerupai pasien yang sebenarnya dirawatnya, dan memperhatikan kapan bukti di balik kebiasaan pembelian atau rujukan diam-diam menjadi basi. Jebakannya adalah menyerahkan sepenuhnya pada paket bukti pilih-cherry pemasok atau satu uji coba berkesan, karena praktiknya kekurangan waktu untuk menilai bidang yang lebih luas. Gerakan proporsionalnya adalah bersandar pada sintesis yang sudah dipertahankan badan terpercaya — Cochrane, agensi HTA nasional, pedoman masyarakat profesional — memperlakukan peringkat kepastian GRADE mereka sebagai judul utama, dan mengajukan satu pertanyaan disiplin dari klaim pemasok mana pun: di mana ini berada terhadap tinjauan sistematis, dan seberapa terkini itu?

Perusahaan

Produsen besar, kelompok penyedia, atau perusahaan asuransi menjalankan sintesis sebagai kapabilitas industrial: tim sintesis-bukti dan penelitian-ekonomi-kesehatan-dan-hasil khusus menghasilkan tinjauan sistematis dan meta-analisis jaringan untuk mendukung pengajuan di banyak yurisdiksi. Kekuatannya adalah kedalaman metodologis dan kemampuan membangun meta-analisis jaringan yang mencakup setiap pembanding relevan; risikonya adalah bahwa kapabilitas yang sama dapat diarahkan untuk menghasilkan tinjauan yang direkayasa untuk mendukung produk sponsor — melalui pencarian sempit, pilihan model nyaman, atau eksklusi diam-diam. Kredibilitas perusahaan bergantung pada mendaftarkan protokol, mengikuti PRISMA, mengajukan analisis yang dapat direproduksi, dan mengundang replikasi independen yang semakin dituntut badan HTA. Perusahaan yang matang memperlakukan sintesis transparan yang menunjukkan ketidakpastian genuine sebagai lebih tahan lama daripada yang dipoles yang dapat dibongkar reviewer.

Pemerintah

Kementerian, pembayar nasional, atau badan HTA adalah konsumen dan wasit utama sintesis, dan disiplinnya adalah menuntut dan melakukannya ke standar yang dipublikasikan. Badan seperti NICE, IQWiG, dan panel pedoman WHO membangun rekomendasi pada tinjauan sistematis dan menilai kepastian bukti dengan GRADE tepatnya sehingga keputusan dapat dipertahankan dan direproduksi daripada tertangkap oleh pengajuan paling persuasif. Pemerintah juga membawa tanggung jawab yang tidak dilakukan sektor lain: mempertahankan infrastruktur — registri uji coba, kolaborasi tinjauan, panduan metode — yang membuat sintesis jujur mungkin, dan menjaga tinjauan taruhan-tinggi tetap hidup sehingga panduan nasional tidak melayang di belakang sains. Akuntabilitas untuk apa yang ditinggalkan sintesis, dan untuk pasien yang terpengaruh oleh perkiraan terkumpul yang salah, pada akhirnya bertumpu di sini.

Mode kegagalan umum

• Tinjauan naratif berpakaian sebagai bukti. Pembacaan literatur pilih-tangan dan tidak-sistematis disajikan dengan otoritas sintesis. Perbaikan: wajibkan protokol terdaftar, strategi pencarian eksplisit, dan pelaporan gaya-PRISMA sebelum mempercayai "tinjauan" apa pun.
• Mengumpulkan studi yang tidak dapat dibandingkan. Menghitung rata-rata tepat di seluruh uji coba dengan populasi, dosis, atau desain berbeda, menghasilkan angka yang tidak menggambarkan pasien nyata mana pun. Perbaikan: nilai heterogenitas klinis dan metodologis terlebih dahulu, dan gunakan sintesis naratif terstruktur ketika pengumpulan tidak dijustifikasi.
• Mengabaikan studi yang tidak pernah dipublikasikan. Mencari hanya beberapa database dan hanya jurnal, sehingga studi negatif yang hilang menggembungkan efek. Perbaikan: cari registri, regulator, dan literatur abu-abu, cari data tidak dipublikasikan, dan saring bias publikasi secara eksplisit.
• Merata-ratakan heterogenitas. Melaporkan satu perkiraan terkumpul sambil menekan fakta bahwa studi sangat tidak sepakat. Perbaikan: selidiki divergensi dengan analisis subkelompok dan meta-regresi pra-ditentukan, dan laporkan variasi, bukan hanya mean.
• Memperlakukan inklusi sebagai dukungan. Menimbang studi lemah dan kuat secara sama, mencuci bias menjadi rata-rata otoritatif. Perbaikan: nilai risiko bias dalam setiap studi dan jalankan analisis mengecualikan yang berisiko-tinggi.
• Membingungkan ukuran efek dengan kepastian. Bertindak atas efek besar dari bukti kepastian-rendah seolah-olah itu final. Perbaikan: nilai kepastian per hasil dengan GRADE dan biarkan itu, bukan hanya perkiraan titik, mengatur keputusan.
• Perbandingan tidak-langsung tidak-diperiksa. Membangun meta-analisis jaringan tanpa menguji transitivitas atau konsistensi, sehingga hasil tidak-langsung bertumpu pada uji coba yang tidak dapat dibandingkan. Perbaikan: tunjukkan jaringan, uji asumsi, dan tandai rantai tidak-langsung tipis sebagai kepastian rendah.
• Sintesis basi. Menjangkarkan keputusan pada tinjauan yang pencariannya ditutup bertahun-tahun lalu dalam bidang yang telah bergerak maju. Perbaikan: nyatakan tanggal mata uang, periksa apa yang telah muncul sejak itu, dan jaga tinjauan taruhan-tinggi volatil tetap hidup.

Model kematangan

Daftar periksa

• Konfirmasi protokol didaftarkan sebelum pencarian, dengan pertanyaan, hasil, dan rencana analisis pra-ditentukan.
• Periksa pencarian mencakup beberapa database, registri uji coba, dan literatur abu-abu — bukan jurnal saja.
• Verifikasi setiap studi yang termasuk dinilai untuk risiko bias, dan bahwa studi berisiko-tinggi diuji dalam analisis sensitivitas.
• Tetapkan bahwa studi cukup mirip untuk dikumpulkan; jika tidak, harapkan sintesis naratif terstruktur daripada satu angka.
• Catat apakah model efek-tetap atau efek-acak digunakan dan mengapa, dan apakah kesimpulan bertahan alternatif.
• Tanyakan bagaimana heterogenitas diselidiki, dan apakah analisis subkelompok pra-ditentukan atau post-hoc.
• Cari pemeriksaan bias-publikasi eksplisit (perbandingan registri, plot corong) dan baca hasil positif sebagai batas atas.
• Untuk keputusan multi-pembanding, konfirmasi meta-analisis jaringan apa pun menunjukkan jaringannya dan menguji transitivitas dan konsistensi.
• Tuntut peringkat kepastian GRADE (atau setara) untuk setiap hasil yang penting, terpisah dari ukuran efek.
• Konfirmasi sintesis dilaporkan secara dapat-direproduksi (PRISMA), dengan pencarian, eksklusi, dan data terkumpul tersedia.
• Catat tanggal mata uang dan temuan baru apa yang akan membuka kembali keputusan.
• Selaraskan setiap input yang disintesis dengan model dan evaluasi yang dimberinya makan, mendokumentasikan dari mana input berbeda berasal dari bukti berbeda.

Key sources

• Cochrane, Cochrane Handbook for Systematic Reviews of Interventions (eds. Higgins, Thomas et al.) — the international standard manual for systematic-review and meta-analysis methods.
• PRISMA Statement (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) — the reporting standard for systematic reviews and meta-analyses — https://www.prisma-statement.org
• GRADE Working Group — the framework for rating certainty of evidence and strength of recommendations — https://www.gradeworkinggroup.org
• NICE Decision Support Unit Technical Support Documents on evidence synthesis and network meta-analysis — methods guidance used in health technology assessment — https://www.sheffield.ac.uk/nice-dsu
• WHO Handbook for Guideline Development — how the World Health Organization uses systematic review and GRADE in global guidelines — https://www.who.int
• Cochrane and the international living-evidence collaborations — reference practice for keeping high-stakes syntheses current.

References

1. Systematic review — Wikipedia — https://en.wikipedia.org/wiki/Systematic_review
2. Meta-analysis — Wikipedia — https://en.wikipedia.org/wiki/Meta-analysis
3. Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) — Wikipedia — https://en.wikipedia.org/wiki/Preferred_Reporting_Items_for_Systematic_Reviews_and_Meta-Analyses
4. Forest plot — Wikipedia — https://en.wikipedia.org/wiki/Forest_plot
5. Random effects model — Wikipedia — https://en.wikipedia.org/wiki/Random_effects_model
6. Heterogeneity (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Heterogeneity_(statistics)
7. Hierarchy of evidence — Wikipedia — https://en.wikipedia.org/wiki/Hierarchy_of_evidence
8. GRADE approach — Wikipedia — https://en.wikipedia.org/wiki/GRADE_approach
9. Network meta-analysis — Wikipedia — https://en.wikipedia.org/wiki/Network_meta-analysis
10. Publication bias — Wikipedia — https://en.wikipedia.org/wiki/Publication_bias
11. Grey literature — Wikipedia — https://en.wikipedia.org/wiki/Grey_literature
12. Cochrane (organisation) — Wikipedia — https://en.wikipedia.org/wiki/Cochrane_(organisation)
13. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
14. PRISMA Statement — PRISMA — https://www.prisma-statement.org
15. GRADE Working Group — https://www.gradeworkinggroup.org