O que decide a resposta

A decisão é puramente metodológica e baseada no limiar de variabilidade: "foi observada uma heterogeneidade significativa (I² = 75%) entre os estudos incluídos".

Na estatística de Higgins, valores de I² ≥ 50% indicam heterogeneidade substancial e I² ≥ 75% indicam heterogeneidade muito alta. Diante de tamanha divergência entre os estudos, não se pode simplesmente aceitar a estimativa pontual combinada sem antes investigar por que os resultados diferem tanto.

Raciocínio clínico

A metanálise tem como objetivo sintetizar o efeito de intervenções combinando múltiplos estudos. Quando os resultados desses estudos apontam para magnitudes ou direções muito distintas (além do que seria esperado puramente pelo acaso), temos heterogeneidade clínica ou metodológica.

Simplesmente ignorar o I² elevado e confiar no diamante final do forest plot mascara diferenças fundamentais entre populações ou intervenções. Tampouco se deve abandonar a revisão concluindo que "não há efeito", pois o efeito pode existir em subgrupos específicos.

O passo correto consiste em realizar análises de subgrupo ou metarregressão para identificar a origem dessa variabilidade (ex.: gravidade dos pacientes, dose do medicamento, tempo de seguimento) e aplicar análise de sensibilidade (como excluir estudos de alto risco de viés ou pequenos) para checar se a conclusão se mantém estável.

Por que acontece

A heterogeneidade estatística elevada reflete diferenças na população estudada, na dosagem/administração do tratamento, no tempo de seguimento ou no desenho metodológico entre os ensaios clínicos combinados. O I² quantifica a proporção da variabilidade total entre os estudos decorrente de diferenças reais, e não do mero erro amostral.

Conduta

Segundo o Cochrane Handbook for Systematic Reviews of Interventions, diante de heterogeneidade substancial (I² ≥ 50-75%):

• –Investigar as causas com análises de subgrupo e metarregressão pré-especificadas;
• –Executar análise de sensibilidade (testando o impacto de remover estudos com alto risco de viés);
• –Empregar modelo de efeitos aleatórios (random-effects model) quando a combinação for aceitável;
• –Não agrupar os dados estatisticamente (narrative synthesis) se a heterogeneidade clínica for excessiva a ponto de tornar a média sem significado prático.

Como isso cai nas provas

O tema costuma aparecer na interpretação de forest plots ou na avaliação da qualidade de revisões sistemáticas. As bancas frequentemente tentam confundir os testes estatísticos:

• –Heterogeneidade (I² e teste Q de Cochran) vs. Viés de publicação (gráfico de funil e teste de Egger): o discriminador é que o I² avalia a inconsistência entre os efeitos dos estudos, enquanto o funnel plot avalia assimetria causada pela não publicação de estudos negativos ou pequenos.
• –Modelo de efeitos fixos vs. Modelo de efeitos aleatórios: no efeito fixo assume-se que todos os estudos compartilham um único efeito verdadeiro (ideal para I² baixo, < 25-50%), enquanto no efeito aleatório assume-se uma distribuição de efeitos verdadeiros (usado quando há heterogeneidade).