Entendendo Gráficos de Floresta e Gráficos de Funil em Meta-Análise

Um gráfico de floresta (forest plot) é a visualização característica de uma meta-análise. Ele exibe os resultados de estudos individuais como linhas horizontais com quadrados e os combina em um único diamante na parte inferior, representando a estimativa agrupada. Cada componente conta uma história: - **O quadrado**: a estimativa pontual (ex.: razão de chances, diferença de médias) para cada estudo individual - **A linha horizontal**: o intervalo de confiança de 95% — mais largo significa maior incerteza - **O tamanho do quadrado**: proporcional ao peso estatístico do estudo (estudos maiores recebem quadrados maiores) - **A linha vertical**: a linha de nenhum efeito (geralmente 0 para diferenças, 1 para razões) - **O diamante**: o efeito agrupado em todos os estudos (largura = intervalo de confiança)

Lendo um gráfico de floresta de cima para baixo: 1. Observe a posição do quadrado de cada estudo — ele está à esquerda ou à direita da linha nula? 2. Verifique o intervalo de confiança — ele cruza a linha nula? Se sim, esse estudo não é estatisticamente significativo por conta própria 3. Observe o diamante na parte inferior — se ele não cruzar a linha nula, o resultado agrupado é estatisticamente significativo 4. Procure consistência — a maioria dos estudos aponta na mesma direção? Um gráfico de floresta que mostra a maioria dos quadrados de um lado com um diamante que não cruza a linha nula indica evidências fortes e consistentes de um efeito.

A heterogeneidade refere-se à variabilidade entre os resultados dos estudos além do que seria esperado pelo acaso. A estatística I² quantifica isso: - **I² 0–25%**: Baixa heterogeneidade — os estudos são razoavelmente consistentes - **I² 26–50%**: Heterogeneidade moderada - **I² 51–75%**: Heterogeneidade substancial - **I² >75%**: Alta heterogeneidade — os resultados variam consideravelmente Alta heterogeneidade é um sinal de alerta. Pode indicar que os estudos mediram coisas diferentes, incluíram populações de pacientes diferentes ou usaram intervenções diferentes. Quando I² é alto, o modelo de efeitos aleatórios é preferido em relação ao modelo de efeito fixo.

Um gráfico de funil (funnel plot) é usado para detectar viés de publicação — a tendência de estudos positivos serem publicados com mais frequência do que estudos negativos. Em um gráfico de funil: - Cada estudo é plotado como um ponto - O eixo x mostra o tamanho do efeito - O eixo y mostra a precisão do estudo (geralmente erro padrão ou tamanho da amostra) - Estudos grandes e precisos se agrupam no topo; estudos pequenos e imprecisos se dispersam na parte inferior Se não houver viés de publicação, os pontos formam uma forma simétrica de funil invertido. Assimetria — especialmente lacunas nos cantos inferiores — sugere que pequenos estudos negativos podem estar ausentes da literatura.

Vários erros comuns ao ler esses gráficos: - **Confundir significância estatística e clínica**: Um resultado agrupado estatisticamente significativo ainda pode representar um tamanho de efeito clinicamente trivial - **Ignorar a heterogeneidade**: Uma estimativa agrupada é enganosa se I² for muito alto - **Interpretar excessivamente a assimetria do gráfico de funil**: Pequenas assimetrias podem ser apenas por acaso, especialmente com menos de 10 estudos - **Ignorar a escala**: A escala do eixo x importa — razões de chances de 0,95 vs. 0,50 são muito diferentes Sempre leia o gráfico de floresta em contexto com a seção completa de métodos da revisão.

O MetaLens AI gera automaticamente gráficos de floresta e gráficos de funil quando dados quantitativos suficientes podem ser extraídos dos resumos dos estudos. A aba de Meta-Análise mostra: - Estimativas de estudos individuais com intervalos de confiança - O diamante agrupado com IC de 95% - Estatística de heterogeneidade I² - Gráfico de funil de viés de publicação Essas visualizações ajudam a compreender rapidamente a direção, a magnitude e a consistência das evidências — tudo a partir de uma simples busca por palavras-chave.