Cuando realizamos un metaanalisis, una de las preguntas mas importantes que debemos responder es si los estudios incluidos son suficientemente homogeneos como para justificar la combinacion de sus resultados. Herramientas como el estadistico I2 y el test Q de Cochran nos dan una respuesta global a esa pregunta, pero no nos dicen cuales estudios especificos son los que estan generando la heterogeneidad. Para eso, necesitamos herramientas graficas mas refinadas. El grafico de Galbraith, tambien conocido como radial plot, es una de las opciones mas utiles y, lamentablemente, menos utilizadas en la practica metaanalitica.
Estructura del grafico de Galbraith
El grafico de Galbraith es un diagrama de dispersion con dos ejes que transforman la informacion de cada estudio de una manera particular. En el eje horizontal se representa la precision de cada estudio, definida como el inverso de su error estandar (1/SE). Esto significa que los estudios con muestras mas grandes y estimaciones mas precisas se ubican mas a la derecha del grafico. En el eje vertical se representa el efecto estandarizado, que es el cociente entre el tamano del efecto estimado y su error estandar (z = efecto / SE). Esta transformacion convierte los efectos de todos los estudios a una escala comun, independientemente de la metrica original utilizada.
La logica detras de esta representacion es elegante. Si todos los estudios estuvieran estimando exactamente el mismo efecto poblacional verdadero, entonces la relacion entre el efecto estandarizado y la precision seria perfectamente lineal y pasaria por el origen. La pendiente de esa linea seria exactamente el tamano del efecto combinado. En un metaanalisis real, los puntos no caen exactamente sobre la linea, pero si la heterogeneidad es baja, deberian estar razonablemente cerca de ella.
La linea de regresion y las bandas de confianza
El elemento central del grafico de Galbraith es la linea de regresion que pasa por el origen. Esta linea se traza de manera que su pendiente sea igual al tamano del efecto combinado estimado por el metaanalisis. Si estamos trabajando con diferencias de medias estandarizadas y el efecto combinado es d = 0.35, entonces la pendiente de la linea sera 0.35. Cada punto del grafico deberia, bajo el supuesto de homogeneidad, estar razonablemente cerca de esta linea.
Las bandas de confianza se dibujan a una distancia de mas o menos 2 unidades del eje vertical respecto a la linea de regresion. Dado que el eje vertical representa puntuaciones z estandarizadas, una distancia de 2 corresponde aproximadamente al limite del 95% de confianza bajo una distribucion normal estandar. Los estudios que caen dentro de estas bandas son consistentes con el efecto combinado. Los estudios que caen fuera de las bandas son candidatos a ser considerados valores atipicos o estudios influyentes que merecen un analisis mas detallado.
Deteccion de heterogeneidad
La forma en que los puntos se distribuyen en el grafico de Galbraith nos da informacion inmediata sobre la heterogeneidad del metaanalisis. Si la mayor parte de los puntos cae dentro de las bandas de confianza y se agrupa de manera razonablemente compacta alrededor de la linea de regresion, podemos concluir que la heterogeneidad es baja. El metaanalisis esta capturando un efecto relativamente consistente a traves de los estudios.
Por el contrario, si varios puntos caen fuera de las bandas, especialmente si lo hacen a ambos lados de la linea de regresion, estamos ante evidencia clara de heterogeneidad sustancial. En ese caso, debemos preguntarnos que caracteristicas de esos estudios atipicos los diferencian del resto. Pueden ser diferencias en la poblacion estudiada, en la intervencion implementada, en el instrumento de medida utilizado, o en la calidad metodologica del estudio. Esta es, precisamente, la ventaja del grafico de Galbraith sobre las medidas globales de heterogeneidad: nos permite identificar cuales estudios son los responsables.
Comparacion con el forest plot
El forest plot y el grafico de Galbraith ofrecen informacion complementaria. El forest plot muestra los tamanos del efecto individuales con sus intervalos de confianza y el efecto combinado, todo en la escala original de la medida. Es intuitivo, facil de leer y ampliamente conocido. Sin embargo, cuando hay muchos estudios, puede ser dificil identificar visualmente cuales son los que contribuyen mas a la heterogeneidad.
El grafico de Galbraith resuelve este problema porque estandariza los efectos y los representa en funcion de la precision. Esto facilita la identificacion visual de valores atipicos. Ademas, la relacion entre la posicion horizontal del punto (precision) y su distancia a la linea de regresion tiene una interpretacion directa: los estudios mas precisos (mas a la derecha) que se alejan de la linea son particularmente preocupantes, porque su desviacion no se puede atribuir simplemente a la variabilidad muestral de un estudio pequeno.
Implementacion en R
En R, el grafico de Galbraith se puede generar facilmente con el paquete metafor. Una vez que hemos ajustado nuestro modelo metaanalitico con la funcion rma(), podemos utilizar la funcion radial() para generar el grafico. La sintaxis basica es directa:
library(metafor)
modelo <- rma(yi, vi, data = datos)
radial(modelo)La funcion radial() acepta varios argumentos para personalizar el grafico, como main para el titulo, xlab e ylab para las etiquetas de los ejes, y cex para controlar el tamano de los puntos. Si preferimos una personalizacion mas avanzada, podemos construir el grafico manualmente con ggplot2, calculando previamente los valores de precision y efecto estandarizado a partir de las estimaciones y los errores estandar de cada estudio.
Cuando utilizar el grafico de Galbraith
El grafico de Galbraith no debe considerarse un reemplazo del forest plot ni del estadistico I2, sino un complemento que ofrece una perspectiva diferente. Es especialmente util en las siguientes situaciones: cuando el metaanalisis incluye un numero moderado o grande de estudios y queremos identificar rapidamente los valores atipicos; cuando hemos detectado heterogeneidad significativa mediante I2 o el test Q y necesitamos determinar que estudios la estan generando; y cuando queremos realizar analisis de sensibilidad eliminando estudios potencialmente influyentes y necesitamos una justificacion visual para la seleccion de esos estudios.
En la practica, el procedimiento recomendado seria el siguiente: primero, examinar el forest plot para tener una vision general de los resultados; segundo, evaluar la heterogeneidad global con I2 y el test Q; tercero, si la heterogeneidad es sustancial, utilizar el grafico de Galbraith para identificar los estudios responsables; y cuarto, realizar analisis de subgrupos o metarregresion para explorar las posibles fuentes de esa heterogeneidad. Este enfoque secuencial permite un analisis metaanalitico mas riguroso y transparente, y mejora considerablemente la calidad de las conclusiones que podemos extraer de la sintesis de la evidencia.