Wat is een forest plot? Praktische handleiding voor meta-analyses
Alles wat u nodig heeft om publicatieklare meta-analyse forest plots met Fixed- en DerSimonian-Laird Random-Effects te lezen en op te bouwen.
Meta-analyse forest plots met Fixed/Random effects (DL), gewichten, I², τ² en Q.
Vierkanten, lijnen en gewichten ontcijferen
Elke rij in een forest plot vat één onafhankelijke studie samen. Het vierkant staat op de puntschatting (zoals een Odds Ratio of gemiddeld verschil) en het oppervlak schaalt met het inverse-variantiegewicht van de studie—grotere, nauwkeurigere studies krijgen grotere vierkanten en smallere 95% CI-lijnen.
De lijn van geen effect en de gepoolde ruit
Een verticale stippellijn markeert geen behandelverschil: 1,0 voor ratiomaten (OR, RR, HR) op een logas, of 0,0 voor continue gemiddelde verschillen. De ruit onderaan toont de gecombineerde meta-analytische schatting, waarbij de horizontale punten het gepoolde 95% CI aangeven. Blijft de ruit volledig aan één kant van de nullijn, dan is het totaaleffect statistisch significant.
I², τ² en Fixed- vs. Random-modellen rapporteren
Cochrans Q toetst of studie-effecten sterker variëren dan op basis van toeval te verwachten is, terwijl I² het percentage totale variantie uitdrukt dat te wijten is aan werkelijke heterogeniteit tussen studies (grofweg 25% laag, 50% matig, 75% hoog). Wanneer klinische diversiteit waarschijnlijk is, rapporteert u het DerSimonian-Laird Random-Effects-model samen met τ².