Creatore di Forest Plot

Costruisci in pochi secondi forest plot pronti per la pubblicazione per revisioni sistematiche e meta-analisi. Calcola automaticamente stime combinate a effetto fisso (varianza inversa) e a effetti casuali (DerSimonian-Laird), pesi e statistiche di eterogeneità.

Inserimento dati

6 righe analizzate

Configurazione del grafico

Anteprima vettoriale dal vivo

SVG · PNG · PDF
Meta-Analysis: Early Anticoagulation vs. Standard Care Meta-Analysis: Early Anticoagulation vs. Standard Care Study Odds Ratio (95% CI) Effect [95% CI] Weight Chen et al. (2021) 0.68 [0.49, 0.94] 15.6% Patel & Gomez (2022) 0.81 [0.58, 1.13] 14.9% Müller et al. (2023) 0.61 [0.45, 0.83] 17.6% Okafor et al. (2023) 0.75 [0.52, 1.08] 12.4% Sato et al. (2024) 0.64 [0.47, 0.87] 17.4% Lindqvist et al. (2025) 0.72 [0.55, 0.95] 22.1% Pooled (Random, DL) 0.69 [0.61, 0.79] 100.0% 0.5 1 ← Favors Treatment Favors Control → Heterogeneity: I² = 0.0%, τ² = 0.0000, Q = 2.03 (df = 5, p = 0.8448) | Test for overall effect: Z = -5.56, p < 0.0001

Riepilogo statistico dal vivo

Effetto combinato0.69 [0.61, 0.79]
Eterogeneità (I²)0.0%
Tau² (τ²)0.0000
Q di Cochran2.03 (p=0.8448)
Valore p complessivo< 0.0001

Che cos'è un forest plot in una meta-analisi?

Il forest plot è la sintesi grafica di riferimento di una revisione sistematica e meta-analisi. Ogni riga orizzontale corrisponde a un singolo studio: un quadrato indica la stima puntuale (Odds Ratio, Risk Ratio, Hazard Ratio o differenza tra medie) con area proporzionale al peso statistico, mentre il segmento orizzontale rappresenta il suo intervallo di confidenza al 95% CI.

In basso, un diamante mostra l'effetto complessivo combinato e il relativo 95% CI sull'insieme degli studi. Se il diamante non interseca la linea verticale di assenza di effetto (1,0 sulle scale di rapporti, 0,0 sulle scale di differenze), l'effetto combinato è statisticamente significativo al livello α = 0,05. Riporta sempre le misure di eterogeneità (I², τ² e Q di Cochran) insieme al diamante combinato.

Come costruire questo grafico

  1. Inserisci gli studi su quattro colonne: nome dello studio, dimensione dell'effetto, limite inferiore 95% CI e limite superiore 95% CI.
  2. Seleziona scala logaritmica (OR/RR/HR) o lineare (MD/SMD) e scegli il modello a effetti casuali (DerSimonian-Laird) o a effetto fisso.
  3. Verifica dal vivo I², τ², Q, Z e il valore p complessivo, quindi esporta in SVG vettoriale o PDF per il tuo manoscritto.

Domande frequenti

Quando usare gli effetti casuali (DerSimonian-Laird) rispetto all'effetto fisso?

Usa gli effetti casuali quando esiste variabilità clinica o metodologica tra gli studi (soprattutto se I² > 25–50%). Il modello a effetto fisso presuppone che tutti gli studi stimino un unico vero effetto identico.

Perché la scala logaritmica richiede valori positivi?

Le misure di rapporto (Odds Ratio, Risk Ratio, Hazard Ratio) sono simmetriche su scala logaritmica naturale con valore nullo pari a 1,0, quindi devono essere strettamente maggiori di zero. Per differenze tra medie che includono zero o valori negativi, passa alla scala lineare.

Come vengono calcolati i pesi degli studi?

Gli errori standard si ricavano dall'ampiezza del 95% CI di ciascuno studio: SE = (limite sup. − limite inf.) / (2 × 1,96) sulla scala di analisi. I pesi fissi valgono 1/SE² e i pesi casuali 1/(SE² + τ²).

Posso personalizzare le etichette d'asse «A favore del trattamento / A favore del controllo»?

Sì. Modifica direttamente i campi Nota asse sinistro e Nota asse destro nel pannello di configurazione prima di scaricare il file SVG o PDF.

Esplora altri creatori di grafici