2025-03-262025-03-2626-09-20232023-09-27https://pyxida.aueb.gr/handle/123456789/922Ο έλεγχος της ομοιογένειας της επίδρασης της θεραπείας στις μετα-αναλύσεις στοχεύει στο να προσδιορίσει εάν η επίδραση της θεραπείας διαφερει σημαντικά μεταξύ διαφορετικών μελετών. Στις μετα-αναλύσεις με συγκεντρωτικά δεδομένα (aggregate data) είναι συνήθες να ποσοτικοποιείται η έκταση της ομοιογένειας της θεραπευτικής επίδρασης χρησιμοποιώντας μια εύκολα κατανοητή έννοια που ονομάζεται I-τετράγωνο. Επιπλέον, είναι σημαντικό να εξεταστεί εάν το αποτέλεσμα μιας αγωγής διαφέρει μεταξύ των συστάδων σε μια τυχαιοποιημένη κλινική δοκιμή ή μεταξύ των κέντρων σε μια τυχαιοποιημένη πολυκεντρική δοκιμή. Όταν διεξάγονται δοκιμές που χρησιμοποιούν διασταυρούμενη (cross over) σχεδίαση και άλλα τυχαιοποιημένα σχέδια, όπου οι συστάδες ή τα κέντρα εκτίθενται και στις δύο συνθήκες αγωγής και ελέγχου, προκύπτει η ανάγκη εξέτασης διαφορών των φαρμακευτικών επίδρασεων. Στα πλαίσια αυτής της έρευνας, αξιολογούμε μια εναλλακτική μεθοδο μέτρησης για το I-τετράγωνο, το οποίο βοηθά στον προσδιορισμό της έκτασης της ετερογένειας στην επίδραση της θεραπείας μεταξύ των συστάδων ή των κέντρων σε τυχαιοποιημένες δοκιμές. Επιπλέον, παρουσιάζουμε την εφαρμοσιμότητα αυτής της μεθοδολογίας στην εκτίμηση της ομοιογένειας του αποτελέσματος της αγωγής για μετα-ανάλυση χρησιμοποιώντας ατομικά δεδομένα ασθενών.The investigation of treatment effect heterogeneity in meta-analyses aims to determine whether treatment effects vary among different studies. In aggregate level data meta-analyses, it is customary to quantify the extent of treatment effect heterogeneity using a well-understood and intuitive concept called the I-squared statistic. Additionally, it is important to examine whether the effect of a treatment differs across clusters in a cluster randomized trial or across centers in a multi-center randomized trial during the analysis stage. When conducting trials that employ cross-over and other randomized designs, where clusters or centers are exposed to both treatment and control conditions, it becomes possible to detect variations in treatment effects. Within this research, I evaluate an alternative I-squared measure, which helps quantify the extent of heterogeneity in treatment effects across clusters or centers in randomized trials. Additionally, I showcase the applicability of this methodology in estimating treatment effect heterogeneity during meta-analysis using individual patient data.52p.CC BY: Attribution alone 4.0https://creativecommons.org/licenses/by/4.0/Κλινικές δοκιμέςΕτερογένειαΜετα-ανάλυσηCluster-randomized trialsMulti-centre randomized trialsIndividual patient data meta-analysisTreatment effect heterogeneityI-squaredText