Hur du tolkar en forest plot i en meta-analys

Forest Plot är det absolut vanligaste sättet att illustrera resultat i meta-analyser. Den ger en bra överblick kring många av de viktigaste resultaten. I en Forest plot kan du utläsa följande information.

• Alla värden från studien är justerade så att ingen skillnad mellan grupperna ger värdet 0. Så om någon punkt är vid 1 kg innebär inte det en faktisk ökning i 1 kg hos den gruppen i studien utan det innebär att resultatet var 1 kg bättre för den gruppen än den andra gruppen i den studien.
• Till vänster ser du vilken studie som gäller (1)
• Till höger om studiens namn, inne i själva grafen ser du en linje som visar tre saker
  1. Själva pricken på linjen är medelvärdet i den studien (2 och 3)
  2. Bredden på linjen visar konfidensintervallet. Detta är ett mått på hur stor spridningen har varit i resultat i den aktuella studien och värdena berättar inom vilket spann som du med 95 procent säkerhet kan säga att det verkliga medelvärdet kommer hamna.
  3. Storleken på pricken visar hur stor vikt studien har i själva meta-analysen. Fler deltagare i en studie innebär större vikt (jämför punkt 2 och 3)
• Den sträckade linjen som går igenom hela grafen visar på nollpunkten (4). Alltså där det inte är någon skillnad mellan grupperna.
• Alla studier vars linje för konfidensintervall som korsar den linjen har i sig själva inte påvisat någon signifikant skillnad mellan grupperna.
• Den ihåliga romben visar summan av resultatet för en subanalys (6). I det här fallet visar den övre resultatet för yngre personer och den undre ihåliga romben visar resultatet för äldre personer.  Om romben är till höger eller vänster om mittlinjen (4) innebär det att resultatet är signifikant i den ena eller andra riktningen.
• Den svarta romben visar på det totala resultatet för hela analysen (5). I det här fallet blev det alltså ett signifikant bättre resultat för proteingruppen.

Förutom de vanligare punkterna som jag tagit upp här ovanför finns det lite annat som också inkluderas i en forest plot då och då. Det är till exempel ganska vanligt att man lägger till värdena som man använt sig av för att rita ut värdena. Detta ger ju inte speciellt mycket extra information.

Många gånger kan man dock också få se de faktiska värdena för de två interventionerna i en tabell till höger eller vänster om själva forest ploten. Detta gör att man kan kan se hur stor förändringen verkligen är. I grafen här ovanför ser vi till exempel att protein ger en extra effekt med uppskattningsvis 200 µm. Detta säger inte särskilt mycket egentligen utan att man vet den verkliga effekten från interventionerna. Om den totala effekten är 1000 µm och 1200 µm så är det ju en ökning i effekt med 20 %. Men om den totala effekten istället varit 100000 µm och 100200 µm så är den extra effekten endast 0,2 %.

Det här är den vanliga typen av forest plot men du hittar varianter med lite olika beteckningar ganska ofta. Men förstår du bilden här ovanför kommer du med största sannolikhet även att förstå andra typer.