A meta-análise combina estatisticamente os resultados de vários estudos numa estimativa de efeito conjunta. Depois da revisão sistemática, extraia os tamanhos de efeito (d de Cohen, OR, RR), escolha o modelo (efeitos fixos vs aleatórios), avalie a heterogeneidade (I², Q) e apresente um forest plot. Guia com fórmulas, software (R metafor, RevMan) e como reportar.

Qual a diferença entre revisão sistemática e meta-análise?

A revisão sistemática identifica, seleciona e sintetiza criticamente os estudos existentes sobre uma pergunta de investigação, seguindo um protocolo reprodutível (normalmente reportado com a checklist PRISMA 2020). A meta-análise é um passo estatístico adicional, que só é possível quando os estudos incluídos na revisão sistemática partilham uma medida de efeito comparável: em vez de descrever os resultados de cada estudo separadamente, combina-os numa única estimativa de efeito conjunta, com o seu próprio intervalo de confiança. Por isso, toda a meta-análise pressupõe uma revisão sistemática prévia, mas nem toda a revisão sistemática termina em meta-análise — se os estudos forem demasiado heterogéneos em desenho, população ou medida de resultado, a síntese quantitativa deixa de ser defensável e a revisão fica apenas na síntese narrativa.

Quantos estudos preciso para uma meta-análise?

Do ponto de vista puramente estatístico, o mínimo técnico são dois estudos com uma medida de efeito comparável — mas isso não significa que seja aconselhável parar por aí. Com poucos estudos (tipicamente menos de cinco), o estimador clássico de efeitos aleatórios de DerSimonian-Laird tende a subestimar a variância entre estudos, o que pode inflacionar artificialmente a confiança na estimativa combinada. Nesse cenário, a literatura metodológica recomenda métodos alternativos, como o de Hartung-Knapp-Sidik-Jonkman (HKSJ), que produzem intervalos de confiança mais realistas quando o número de estudos é reduzido. Na prática, a maioria das meta-análises publicadas em teses de mestrado e doutoramento combina entre 5 e 20 estudos — abaixo disso, vale a pena questionar se a análise tem robustez suficiente, e reportar essa limitação explicitamente na discussão.

Modelo de efeitos fixos ou aleatórios?

A escolha do modelo depende de um pressuposto teórico, não apenas estatístico:

• Efeitos fixos: assume que todos os estudos estimam o mesmo efeito verdadeiro subjacente, e que a variação observada entre eles se deve apenas a erro amostral. Só é defensável quando os estudos são muito semelhantes em população, intervenção e contexto.
• Efeitos aleatórios: assume que o efeito verdadeiro varia de estudo para estudo (por diferenças de população, contexto ou implementação), e estima a média dessa distribuição de efeitos. É o modelo mais usado em ciências sociais, educação e saúde, precisamente porque a heterogeneidade real entre contextos de estudo é a regra, não a exceção.

Na dúvida, o modelo de efeitos aleatórios é a escolha mais conservadora e mais aceite pelos júris — produz intervalos de confiança mais largos, refletindo com mais honestidade a incerteza real quando os estudos não são clones uns dos outros.

O que é o I² e quando a heterogeneidade é alta?

O I² (Higgins & Thompson, 2002) mede a proporção da variabilidade total entre os resultados dos estudos que se deve a heterogeneidade real, e não a erro amostral aleatório. É complementado pelo teste Q de Cochran, que testa formalmente se essa heterogeneidade é estatisticamente significativa.

É importante reportar estes valores como orientação descritiva e não como pontos de corte rígidos — os próprios autores originais apresentaram-nos como guia aproximado, não como regra absoluta. Na prática, heterogeneidade elevada (I² acima de 75%) é um sinal para questionar se faz sentido continuar a combinar os estudos numa única estimativa, ou se é preferível explorar a heterogeneidade com análises de subgrupo, meta-regressão, ou reportar os resultados apenas de forma narrativa.

Como calculo o tamanho de efeito?

A medida de tamanho de efeito depende do tipo de dados dos estudos incluídos:

• d de Cohen: usado para comparar médias entre dois grupos (dados contínuos). Como referência de magnitude: 0,2 é um efeito pequeno, 0,5 é um efeito médio e 0,8 é um efeito grande.
• Odds Ratio (OR): usado para dados binários (por exemplo, “melhorou” vs “não melhorou”), comum em estudos caso-controlo.
• Risk Ratio / Risco Relativo (RR): também para dados binários, mais interpretável em estudos de coorte e ensaios clínicos, porque expressa diretamente a razão entre probabilidades de ocorrência do evento.

Antes de decidir a medida de efeito, confirme que todos os estudos selecionados reportam dados suficientes para a calcular (médias e desvios-padrão para o d de Cohen; tabelas de contingência 2×2 para OR e RR) — esta é uma das razões mais comuns para excluir um estudo já na fase final da meta-análise, depois de ter passado nos critérios de elegibilidade da revisão sistemática.

Que software uso para a meta-análise?

Para quem já está familiarizado com R para a componente quantitativa da tese, o metafor é hoje a opção mais completa e citada na literatura metodológica. Se compara alternativas de software estatístico mais amplas para a tese, veja também o nosso guia comparativo entre Stata, SAS e jamovi.

Como apresento e reporto o forest plot?

O forest plot é a representação gráfica-padrão de uma meta-análise: cada linha representa um estudo, com um quadrado (cujo tamanho reflete o peso do estudo na análise) e uma linha horizontal (o intervalo de confiança), e um losango na base representa a estimativa combinada final. Ao reportar, inclua sempre: o número de estudos incluídos, a medida de efeito e o método de estimação utilizados, o valor do I² e do teste Q com o respetivo valor de p, e uma justificação explícita para a escolha entre modelo de efeitos fixos e aleatórios. Esta informação deve constar tanto no texto do capítulo de resultados como na legenda da figura do forest plot, para que o leitor consiga avaliar a robustez da síntese sem ter de voltar ao capítulo de metodologia.

Para o protocolo de revisão sistemática que antecede a meta-análise, consulte o nosso guia sobre o protocolo PRISMA e metodologia de revisão sistemática, e para decidir se a sua amostra de estudos primários (nos estudos empíricos, não na meta-análise) tem dimensão suficiente, veja também como calcular o tamanho da amostra da tese com o G*Power.

Perguntas Frequentes

Qual a diferença entre revisão sistemática e meta-análise?

A revisão sistemática sintetiza criticamente a evidência existente seguindo um protocolo reprodutível. A meta-análise é o passo estatístico adicional que combina os resultados numa estimativa de efeito conjunta, e só é possível quando os estudos partilham uma medida de efeito comparável.

Quantos estudos preciso para uma meta-análise?

O mínimo técnico são dois estudos, mas com menos de cinco o estimador clássico DerSimonian-Laird tende a subestimar a variância. A maioria das meta-análises em teses combina entre 5 e 20 estudos.

Modelo de efeitos fixos ou aleatórios?

Efeitos aleatórios é o modelo mais usado e mais conservador, apropriado quando o efeito verdadeiro pode variar entre contextos de estudo — o que é a regra, não a exceção, em ciências sociais e saúde.

O que é o I² e quando a heterogeneidade é alta?

O I² mede a proporção da variabilidade entre estudos devida a heterogeneidade real. Como orientação descritiva de Higgins e Thompson (2002): cerca de 25% é baixa, 50% é moderada e 75% é substancial.

Que software uso para a meta-análise?

O pacote metafor em R é o mais completo e gratuito. O RevMan é o padrão em revisões Cochrane. Stata e Comprehensive Meta-Analysis são alternativas pagas, com boas interfaces gráficas.