Pragmatisk tilgang til analyse af multiple studier med kontinuert ikke-lineær eksponeringsvariabel

Baggrund: Hvis flere studier betragter samme eksponering og udfald, kan det være en fordel, at kombinere studierne og lave ét samlet estimat. Dermed fås en større styrke. Hvis sammenhængen er ikke-lineær bør en metode til modellering af ikke-lineære sammenhænge anvendes.
Formål: Undersøge hvilken af analysemetoderne blandede modeller og metaanalyse, der er bedst at anvende, når man har data fra flere studier samt at vurdere metoderne restringerede kubiske splines og fraktionelle polynomier til modellering af ikke-lineære sammenhænge. Ud fra de teoretiske og praktiske sammenligninger udarbejdes anbefalinger for valg af metoder.
Materiale og metode: Metodernes teoretiske egenskaber blev sammenlignet og efterprøvet på en praktisk problemstilling vedrørende kvinders ændringer i forholdet mellem livvidde og højde i tilknytning til indtag af fed fisk. Analyserne blev lavet for 42.437 kvinder fordelt på syv centre i fire europæiske lande.
Resultater: Den største forskel mellem blandede modeller og metaanalyse er, hvordan justering for forklarende variabler tolkes. Ved metaanalyse justeres forskelligt for hver variabel i hvert studie. Ved blandede modeller er det muligt at lade alle variable indgå med en fælles regressions parameter eller med en parameter per studie. På baggrund af dette anbefaler vi blandede modeller til analyse af flere studier simultant.
Både restringerede kubiske splines og fraktionelle polynomier giver glatte ikke-lineære kurver. Restringerede kubiske splines ligger tæt op af data og kan derfor give svært fortolkelige grafer, mens fraktionelle polynomier giver mere overordnede kurver. Vi anbefaler derfor at anvende restringerede kubiske splines når der justeres for forklaringsvariabler, men fraktionelle polynomier når man modellerer eksponeringsvariablen.