Metanalisi: cos’è, forest plot ed eterogeneità
6 Ottobre 2026 · Mario Lomele
La metanalisi è la tecnica statistica che combina i risultati di più studi indipendenti sullo stesso quesito clinico per ottenere una stima unica, più precisa di quella fornita da ciascuno studio preso da solo. È lo strumento che sta in cima alla piramide delle evidenze, ma è anche uno dei più fraintesi: una metanalisi non è automaticamente “la verità”, e chi prepara il Concorso SSM deve saperne leggere i numeri, i grafici e soprattutto i limiti.
Che cos’è la metanalisi
Con il termine metanalisi si indica il momento quantitativo di una revisione sistematica: dopo aver cercato, selezionato e valutato in modo esplicito tutti gli studi rilevanti, il ricercatore estrae da ognuno una misura di effetto (per esempio un rischio relativo, un odds ratio, una differenza media) e la combina con un’opportuna media ponderata. Il peso di ciascuno studio dipende dalla sua precisione: gli studi grandi, con intervalli di confidenza stretti, contano di più; quelli piccoli e imprecisi contano di meno.
È importante distinguere i due concetti. Una revisione sistematica può esistere senza metanalisi, quando gli studi sono troppo diversi per essere sommati e ci si limita a una sintesi narrativa strutturata. Al contrario, una metanalisi seria non dovrebbe mai esistere senza una revisione sistematica alle spalle: combinare studi scelti “a mano” significa sommare i propri pregiudizi. Il ragionamento di base resta quello della statistica medica classica, applicato però a studi interi anziché a singoli pazienti.
Perché si fa una metanalisi: potenza e precisione
Molti trial clinici sono troppo piccoli per dimostrare differenze modeste ma clinicamente rilevanti. Un singolo studio con pochi eventi può produrre un intervallo di confidenza che comprende sia un beneficio importante sia un danno, e quindi non conclude nulla. Sommando l’informazione di più studi aumenta il numero di eventi complessivi, l’intervallo di confidenza si restringe e la potenza statistica cresce. Per questo la metanalisi può rendere evidente un effetto che nessuno studio, da solo, riusciva a dimostrare.
Un secondo vantaggio è la generalizzabilità: gli studi inclusi provengono spesso da popolazioni, centri e periodi diversi. Se l’effetto è coerente in contesti differenti, la fiducia nel risultato aumenta. Un terzo vantaggio è la possibilità di esplorare in modo formale le differenze fra studi, cosa che una lettura narrativa non permette.
Come si combinano gli studi: modello a effetti fissi e casuali
Il cuore matematico è la media ponderata con il metodo dell’inverso della varianza. In parole semplici, ogni studio riceve un peso pari a 1 diviso la varianza della sua stima: più la stima è precisa, più il peso è alto. Facciamo un esempio puramente illustrativo, con numeri inventati a scopo didattico. Tre studi stimano una differenza media di pressione sistolica fra farmaco e placebo: il primo trova −6 mmHg con varianza 4, il secondo −4 mmHg con varianza 1, il terzo −8 mmHg con varianza 4. I pesi sono 0,25, 1 e 0,25. La stima combinata è (−6×0,25 + −4×1 + −8×0,25) diviso (0,25 + 1 + 0,25), cioè −7,5 diviso 1,5 = −5 mmHg. Lo studio più preciso “tira” il risultato verso di sé, come è giusto che sia.
Il modello a effetti fissi assume che esista un unico effetto vero e che le differenze fra studi siano dovute solo al caso. Il modello a effetti casuali assume invece che l’effetto vero vari da uno studio all’altro, distribuendosi attorno a una media: aggiunge quindi alla varianza di ogni studio una componente di variabilità fra studi (spesso indicata come tau al quadrato). Conseguenze pratiche da ricordare: il modello a effetti casuali produce intervalli di confidenza più larghi e dà relativamente più peso agli studi piccoli. Quando l’eterogeneità è assente, i due modelli danno risultati quasi identici.
Come si legge il forest plot
Il risultato di una metanalisi si presenta quasi sempre con il forest plot. Ogni riga è uno studio: il quadratino indica la stima puntuale, la sua grandezza è proporzionale al peso, la linea orizzontale è l’intervallo di confidenza al 95%. La linea verticale centrale è la linea di nessun effetto: vale 1 per misure di rapporto (rischio relativo, odds ratio, hazard ratio) e 0 per misure di differenza. In fondo compare il rombo, che rappresenta la stima combinata: il centro è la stima puntuale e la larghezza è il suo intervallo di confidenza.
La regola di lettura è immediata: se il rombo non tocca la linea di nessun effetto, il risultato complessivo è statisticamente significativo. Se la attraversa, non lo è. Attenzione al lato: in un forest plot di rischio relativo per un esito negativo, come la mortalità, i valori a sinistra di 1 favoriscono il trattamento. Molte domande d’esame giocano proprio su questo, chiedendo di interpretare un grafico in cui le etichette “a favore del trattamento” e “a favore del controllo” sono collocate in modo inatteso. Per ripassare il significato delle misure di rapporto è utile la scheda su rischio relativo e odds ratio.
Eterogeneità: il test Q e l’indice I²
Gli studi inclusi non sono mai identici: cambiano i pazienti, le dosi, la durata del follow-up, la definizione degli esiti. Quando i risultati differiscono più di quanto ci si aspetterebbe per il solo caso, si parla di eterogeneità statistica. Si valuta con due strumenti. Il test Q di Cochran verifica l’ipotesi che tutti gli studi stimino lo stesso effetto; ha però poca potenza quando gli studi sono pochi, per cui un risultato non significativo non esclude l’eterogeneità. L’indice I² esprime la percentuale della variabilità totale dovuta a differenze reali fra studi anziché al caso.
Come orientamento puramente indicativo, valori di I² attorno al 25% vengono spesso descritti come eterogeneità bassa, attorno al 50% moderata e attorno al 75% elevata. Non sono soglie rigide: l’indice va sempre interpretato insieme all’ispezione del forest plot e al buon senso clinico. Quando l’eterogeneità è alta, la risposta corretta non è nasconderla dietro un modello a effetti casuali, ma cercarne le cause con analisi per sottogruppi o meta-regressione, oppure rinunciare del tutto a una stima unica.
Analisi per sottogruppi e di sensibilità
L’analisi per sottogruppi divide gli studi secondo una caratteristica (per esempio età media dei pazienti o dose del farmaco) e confronta gli effetti. Va interpretata con prudenza: i sottogruppi definiti a posteriori generano facilmente falsi positivi. L’analisi di sensibilità ripete la metanalisi escludendo, per esempio, gli studi a più alto rischio di bias: se il risultato cambia molto, la conclusione è fragile.
Bias di pubblicazione e funnel plot
Una metanalisi può essere solo buona quanto gli studi che riesce a trovare. Il problema più insidioso è il bias di pubblicazione: gli studi con risultati positivi e significativi vengono pubblicati più spesso, più rapidamente e su riviste più visibili di quelli negativi. Se la ricerca bibliografica trova soprattutto i primi, la stima combinata risulterà gonfiata.
Lo strumento grafico classico è il funnel plot, che riporta sull’asse orizzontale l’effetto di ciascuno studio e su quello verticale una misura della sua precisione. In assenza di bias i punti formano un imbuto rovesciato simmetrico: gli studi grandi si raccolgono in alto vicino alla stima vera, quelli piccoli si spargono in basso da entrambi i lati. Se manca un angolo in basso, tipicamente quello degli studi piccoli con risultati negativi, si sospetta un bias di pubblicazione. Esistono test statistici formali di asimmetria, ma l’asimmetria può avere anche altre cause, come la minore qualità degli studi piccoli o un’eterogeneità reale. Le altre distorsioni che possono contaminare gli studi primari sono trattate nella pagina sui trial clinici randomizzati, che restano il materiale preferito per le metanalisi di efficacia.
Limiti e errori tipici nell’interpretare una metanalisi
Il primo limite è riassunto da un vecchio slogan: “garbage in, garbage out”. Se gli studi primari sono piccoli, mal randomizzati o con esiti scelti a posteriori, la loro somma non diventa affidabile per magia; diventa semplicemente un errore più preciso. Il secondo limite è il confronto fra mele e pere: combinare studi con popolazioni, interventi o esiti troppo diversi produce una media priva di significato clinico. Il terzo è la fallacia ecologica nelle meta-regressioni: una relazione osservata fra caratteristiche medie degli studi non vale necessariamente per i singoli pazienti.
Fra gli errori tipici degli studenti ci sono: considerare significativo un risultato perché la maggior parte degli studi singoli lo è (conta il rombo, non il conteggio dei voti); confondere il modello a effetti casuali con un rimedio all’eterogeneità; leggere l’I² come misura della grandezza dell’effetto; dimenticare che le metanalisi di studi osservazionali ereditano il confondimento degli studi di partenza. Un’ultima trappola: una metanalisi può contraddire un grande trial ben condotto, e non è affatto scontato che abbia ragione la metanalisi.
Come cade la metanalisi al concorso
Nelle prove di statistica ed epidemiologia del Concorso SSM la metanalisi compare soprattutto in quattro forme. La prima è la domanda di definizione: distinguere revisione sistematica, metanalisi e revisione narrativa, oppure collocare la metanalisi di trial randomizzati al vertice della gerarchia delle evidenze. La seconda è la lettura di un forest plot, spesso descritto a parole: “il rombo attraversa la linea di nessun effetto” deve far rispondere subito che il risultato combinato non è significativo. La terza riguarda l’eterogeneità, con domande sull’indice I² o sulla scelta fra effetti fissi e casuali. La quarta riguarda il bias di pubblicazione e il funnel plot asimmetrico.
Il modo più efficace per allenarsi è affrontare quesiti costruiti come quelli ufficiali e leggere con attenzione il commento a ogni risposta, anche a quelle giuste. Sulla Piattaforma Accademia trovi simulazioni commentate in cui le domande di metodologia sono spiegate passo per passo, così da riconoscere le trappole ricorrenti.
In sintesi
La metanalisi combina statisticamente i risultati di più studi, pesandoli in base alla loro precisione, e rappresenta la parte quantitativa di una revisione sistematica. Il risultato si legge sul forest plot: se il rombo non tocca la linea di nessun effetto, l’effetto combinato è significativo. Il modello a effetti fissi presuppone un unico effetto vero, quello a effetti casuali ammette variabilità fra studi e produce intervalli più larghi. L’eterogeneità si valuta con test Q e I², il bias di pubblicazione con il funnel plot. La qualità di una metanalisi non supera mai quella degli studi che la compongono: è questo il concetto da portare al concorso.
Articolo a cura della redazione di Test Ammissione, che dal 2016 prepara medici al Concorso Nazionale SSM con manuali, simulazioni commentate e lezioni online.