Was ist ein Forest-Plot? Ein Praxisleitfaden für Meta-Analysen
Alles, was Sie benötigen, um publikationsreife Meta-Analyse-Forest-Plots mit Fixed- und DerSimonian-Laird-Random-Effects zu lesen und zu erstellen.
Meta-Analyse-Forest-Plots mit Fixed-/Random-Effects (DL), Gewichten, I², τ² und Q.
Quadrate, Whisker und Gewichte entschlüsseln
Jede Zeile eines Forest-Plots fasst eine unabhängige Studie zusammen. Das Quadrat liegt auf dem Punktschätzer (z. B. Odds Ratio oder Mittelwertdifferenz), und seine Fläche skaliert mit dem Inverse-Varianz-Gewicht der Studie – größere, präzisere Studien erhalten größere Quadrate und schmalere 95-%-CI-Balken.
Nulleffektlinie und gepoolte Raute
Eine vertikale gestrichelte Linie markiert keinen Therapieunterschied: 1,0 bei Verhältnismaßen (OR, RR, HR) auf einer logarithmischen Achse bzw. 0,0 bei kontinuierlichen Mittelwertdifferenzen. Die Raute am unteren Ende zeigt den kombinierten meta-analytischen Schätzer, wobei ihre seitlichen Spitzen das gepoolte 95-%-CI angeben. Liegt die Raute vollständig auf einer Seite der Nulllinie, ist der Gesamteffekt statistisch signifikant.
I², τ² sowie Fixed- vs. Random-Effects-Modelle berichten
Cochrans Q prüft, ob die Studieneffekte stärker streuen, als allein durch Zufall zu erwarten wäre, während I² den Anteil der Gesamtvarianz angibt, der auf echte Heterogenität zwischen den Studien zurückgeht (grob 25 % niedrig, 50 % moderat, 75 % hoch). Wenn klinische Vielfalt zu erwarten ist, berichten Sie das DerSimonian-Laird-Random-Effects-Modell zusammen mit τ².