Meta-Análise: o que É e Como Aplicar na Sua Pesquisa

O método que confunde quem não conhece e impõe quem conhece

Vamos lá. Se você está na pós-graduação e ainda não precisou ler ou escrever uma meta-análise, vai precisar em algum momento. É o tipo de estudo que aparece no topo das revisões de evidência, que os periódicos de alto impacto adoram publicar e que as bancas de qualificação mencionam quando querem saber se você conhece o estado da arte da sua área.

Meta-análise é um método estatístico que combina resultados de múltiplos estudos independentes sobre a mesma questão para produzir uma estimativa mais precisa do efeito investigado. Não é uma revisão de literatura com mais cálculos. É uma abordagem metodológica específica, com pressupostos próprios, que quando bem feita diz algo que nenhum estudo individual consegue dizer com a mesma confiança.

Quando mal feita, diz qualquer coisa. Por isso vale entender o que está por trás.

Por que a meta-análise existe

O problema que a meta-análise resolve é simples de enunciar: estudos individuais têm amostras pequenas, e amostras pequenas geram estimativas instáveis. Um ensaio clínico com 80 pacientes pode mostrar que determinado tratamento funciona. Outro, com 95 pacientes, pode mostrar o contrário. Os dois são metodologicamente sólidos. Como saber qual está certo?

Uma opção é fazer um estudo maior. Outra, mais eficiente, é combinar matematicamente os resultados dos estudos existentes, tratando cada um como uma observação de um conjunto maior. É isso que a meta-análise faz: ela integra estatisticamente os tamanhos de efeito reportados em cada estudo, ponderando pela precisão de cada estimativa, para produzir um tamanho de efeito combinado.

O resultado é mais estável que qualquer estudo individual porque usa mais dados. E é mais transparente que uma revisão narrativa porque as decisões metodológicas precisam ser documentadas e replicáveis.

Os pré-requisitos que nem sempre são respeitados

Olha só: a meta-análise tem uma reputação de rigor que às vezes esconde estudos feitos de forma apressada. Existem condições que precisam ser respeitadas para que o método produza algo útil.

O primeiro pré-requisito é a existência de uma revisão sistemática que identifique os estudos de forma explícita e replicável. Você não pode selecionar estudos aleatoriamente ou por conveniência e depois rodar a estatística. A seleção dos estudos precisa seguir critérios definidos a priori, com protocolo registrado, buscas em bases de dados documentadas e critérios de inclusão e exclusão claros.

O segundo pré-requisito é a homogeneidade suficiente entre os estudos. Combinar estudos que usaram populações muito diferentes, desfechos medidos de formas incompatíveis ou intervenções substancialmente distintas produz o que se chama de “apples and oranges problem”: você está misturando coisas que não deveriam ser misturadas, e a estimativa combinada não representa nada real.

O terceiro pré-requisito é a disponibilidade de dados comparáveis. Você precisa extrair de cada estudo o tamanho de efeito e a medida de variabilidade correspondente. Se os estudos reportam diferentes métricas, ou não reportam dados suficientes para calcular o tamanho de efeito, a meta-análise não é possível sem conversões que introduzem incerteza adicional.

Como ler um forest plot

O resultado principal de uma meta-análise aparece num gráfico chamado forest plot. Se você já viu um e não soube interpretar, aqui está a lógica.

Cada linha horizontal representa um estudo. O quadrado no meio da linha é o tamanho de efeito estimado por aquele estudo. Quanto maior o quadrado, maior o peso daquele estudo na análise combinada (geralmente porque tem amostra maior ou precisão maior). A linha horizontal que passa pelo quadrado é o intervalo de confiança: quanto mais estreita, mais precisa a estimativa.

No final do gráfico aparece um losango. Esse losango é a estimativa combinada, a meta-análise em si. A posição do centro indica a direção e magnitude do efeito. A largura do losango indica o intervalo de confiança da estimativa combinada.

A linha vertical no zero (ou no 1, dependendo da métrica) é a linha de nulidade. Quando o losango cruza essa linha, o efeito combinado não é estatisticamente significativo. Quando o losango fica inteiramente de um lado, o efeito é significativo naquela direção.

Faz sentido? Ler um forest plot fica mais fácil quando você entende o que cada elemento representa. Isso importa porque você vai precisar interpretar meta-análises muito antes de fazer a sua.

Heterogeneidade: o conceito que muda tudo

Um dos outputs mais importantes de uma meta-análise é a medida de heterogeneidade, geralmente reportada como I² (I-quadrado). Esse número indica quanto da variação entre os estudos é real (ou seja, devida a diferenças genuínas entre eles) versus quanto é ruído estatístico.

I² de 0% significa que toda a variação entre estudos é explicada pelo acaso. Os estudos estão estimando o mesmo efeito, apenas com imprecisão.

I² alto (acima de 50-75%, dependendo do contexto) significa que os estudos estão produzindo resultados diferentes além do esperado pelo acaso. Há algo real causando essa diferença: pode ser diferença de população, de intervenção, de contexto ou de metodologia.

Quando a heterogeneidade é alta, o número combinado da meta-análise tem que ser interpretado com muito cuidado. Em casos extremos, reportar a estimativa combinada é enganoso porque mascara a variação real.

O que o Método V.O.E. tem a ver com isso

O Método V.O.E. (Visualizar, Organizar, Escrever) não é específico para meta-análise, mas a fase de Organizar é onde pesquisadoras que estão conduzindo ou lendo sínteses de evidência mais ganham tempo.

Quando você está extraindo dados de dezenas de estudos para uma meta-análise, a organização do processo de extração é crítica. Tabelas de extração padronizadas, formulários preenchidos com dupla verificação, documentação das decisões quando há ambiguidade: tudo isso é parte da fase de Organizar antes de qualquer análise.

Na fase de Visualizar, a construção do protocolo e a definição dos critérios de elegibilidade precisam acontecer antes das buscas. Não depois. Protocolo definido post-hoc abre espaço para viés de confirmação, que é justamente o que a meta-análise pretende superar.

Na fase de Escrever, o relatório de uma meta-análise segue diretrizes específicas, como o PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), que definem o que precisa ser reportado e em que ordem. Saber isso antes de escrever economiza rodadas de revisão.

Quando a meta-análise não é a resposta certa

Existe uma pressão crescente para que pesquisadoras produzam meta-análises porque o desenho tem prestígio acadêmico. Mas aplicar o método sem as condições adequadas produz algo pior que uma boa revisão narrativa: produz um número que parece preciso mas não é.

Alguns cenários onde a meta-análise não é a resposta:

Quando há poucos estudos primários. Uma meta-análise com três ou quatro estudos tem intervalo de confiança muito largo e resultado muito instável. Isso não significa que o trabalho não tem valor, mas que o produto mais honesto seria uma revisão sistemática qualitativa dos estudos disponíveis.

Quando os desfechos são muito distintos entre os estudos. Se você está pesquisando intervenções em ansiedade e os estudos usam dez escalas diferentes, combinar tudo num único número obscurece diferenças importantes.

Quando a qualidade metodológica dos estudos primários é baixa. Meta-análise de estudos ruins produz estimativa mais precisa de um efeito que talvez nem exista. O jargão para isso é “garbage in, garbage out.”

A meta-análise é uma ferramenta poderosa quando usada nas condições certas. Entender quando ela se aplica e quando não se aplica é parte do que diferencia uma pesquisadora que usa o método de uma que usa o nome do método.

Se você quer entender melhor como estruturar sua escrita para trabalhos metodologicamente densos como uma revisão sistemática, o Método V.O.E. tem abordagens específicas para isso. Em Recursos também há materiais de apoio para pesquisadoras que estão aprendendo a navegar pela literatura científica com mais autonomia.