Kritisk litteraturgranskning

Sammanfattning

Kritisk litteraturgranskning är en systematisk bedömning av om en publicerad studie besvarar en relevant klinisk fråga, om resultaten är trovärdiga och om de går att tillämpa på den egna patienten. Granskningen vilar på fyra frågor: intern validitet (är effekten orsakad av interventionen och inte av systematiska fel?), risk för bias i varje led av studien, precision (hur stor är den slumpmässiga osäkerheten?) och tillämpbarhet (gäller resultatet patienter som min?). Strukturerade verktyg finns för de vanligaste studietyperna: CONSORT och RoB 2 för randomiserade studier, STROBE och ROBINS-I för observationsstudier, QUADAS-2 för diagnostiska studier samt PRISMA och AMSTAR 2 för systematiska översikter. Empiriskt överskattar studier med bristfällig dold allokering, avsaknad av blindning eller tidigt avbrott för nytta behandlingseffekten. Resultat ska tolkas med konfidensintervall och absoluta effektmått snarare än enbart p-värden och relativa riskreduktioner, och surrogatutfall, sammansatta utfall och subgruppsanalyser kräver särskild försiktighet. Den samlade evidensstyrkan bedöms lämpligen med GRADE.

Definition och syfte

Kritisk granskning innebär att läsaren själv värderar metod och resultat i stället för att förlita sig på författarnas slutsatser, tidskriftens rykte eller statistisk signifikans. Den klassiska arbetsgången från Evidence-Based Medicine Working Group formulerar tre huvudfrågor för en behandlingsstudie: är resultaten valida, vilka är resultaten och hjälper de mig i vården av mina patienter [1]?

Begreppen bör hållas isär:

Ett stort urval ökar precisionen men minskar inte bias. En stor men systematiskt felaktig studie ger därför en precis skattning av fel värde.

Arbetsgång vid granskning

Granskningen börjar med den kliniska frågan, gärna formulerad enligt PICO (population, intervention, jämförelse, utfall). Därefter identifieras vilken studiedesign som faktiskt använts, oberoende av vad studien kallar sig, och ett designspecifikt granskningsverktyg väljs.

flowchart TD
  A[Klinisk fråga enligt PICO] --> B[Identifiera faktisk studiedesign]
  B --> C[Välj rapporteringsriktlinje och granskningsverktyg]
  C --> D[Bedöm intern validitet och risk för bias]
  D --> E[Bedöm effektens storlek och precision]
  E --> F[Bedöm tillämpbarhet på den egna patienten]
  F --> G[Väg samman evidensstyrkan, till exempel med GRADE]
  G --> H[Kliniskt beslut tillsammans med patientens värderingar]

Rapporteringsriktlinjer anger vad en studie ska redovisa, medan granskningsverktyg används för att bedöma risken för bias. En välrapporterad studie kan ändå ha hög risk för bias, men en bristfälligt rapporterad studie går ofta inte att bedöma alls.

Intern validitet och risk för bias

Randomiserade studier

Randomisering fördelar både kända och okända prognostiska faktorer slumpmässigt mellan grupperna, men skyddet förutsätter att randomiseringen genomförts och skyddats korrekt. RoB 2 bedömer fem domäner och sammanfattar varje resultat som låg risk, viss osäkerhet eller hög risk för bias [3].

Dold allokering. I en analys av 250 kontrollerade studier från 33 metaanalyser överskattades behandlingseffekten (oddskvoten) med 41 % i studier med otillräckligt dold allokering och med 30 % när allokeringen var oklart beskriven. Studier som inte var dubbelblinda överskattade effekten med 17 % [10]. Dold allokering (att den som rekryterar inte kan förutse nästa fördelning) ska skiljas från blindning efter randomiseringen.

Intention-to-treat. Analys enligt intention-to-treat innebär att alla randomiserade patienter analyseras i den grupp de lottades till. Det bevarar randomiseringens jämförbarhet. Begreppet används dock inkonsekvent: av 119 studier som angav intention-to-treat uteslöt 12 av dem patienter som aldrig påbörjat den tilldelade behandlingen, och 75 % hade saknade data för det primära utfallet, oftast hanterade med otillräckliga metoder [11]. Granska därför vad som faktiskt gjordes, inte vad analysen kallas. I non-inferiority-studier kan intention-to-treat i stället gynna slutsatsen om likvärdighet, och både intention-to-treat och per-protokollanalys bör redovisas tillsammans med en förhandsdefinierad non-inferiority-marginal [12].

Tidigt avbrott för nytta. Studier som avbryts i förtid på grund av nytta överskattar systematiskt effekten. I en metaregression av 91 sådana studier var kvoten mellan relativa risker i avbrutna och icke avbrutna studier 0,71 (95 % KI 0,65 till 0,77), och skillnaderna var störst när färre än 500 händelser inträffat [13]. En stor effekt i en tidigt avbruten studie med få händelser bör därför tolkas med försiktighet.

Observationsstudier

Observationsstudier är nödvändiga för frågor om prognos, sällsynta biverkningar och långtidseffekter, men behandlingsjämförelser hotas av confounding: patienter som får en behandling skiljer sig ofta systematiskt från dem som inte får den. Andra centrala hot är selektionsbias och felklassificering av exponering eller utfall. STROBE anger vad som ska rapporteras [4], och ROBINS-I bedömer risken för bias mot en tänkt idealisk randomiserad studie i sju domäner: confounding, urval av deltagare, klassificering av interventioner, avvikelser från avsedd intervention, saknade data, mätning av utfall och val av rapporterat resultat [5].

Postmenopausal hormonbehandling är ett kardiologiskt skolexempel. En kvantitativ sammanställning av observationsstudier gav en relativ risk för kranskärlssjukdom på 0,56 (95 % KI 0,50 till 0,61) hos östrogenanvändare, och författarna bedömde att skyddseffekten sannolikt inte förklarades av confounding [14]. I den randomiserade WHI-studien med 16 608 kvinnor ökade i stället risken för kranskärlshändelser med östrogen och gestagen (HR 1,29; nominellt 95 % KI 1,02 till 1,63) [15]. Precisa och samstämmiga observationsdata kan alltså vara systematiskt felaktiga.

Diagnostiska studier

QUADAS-2 granskar fyra domäner: patienturval, indextest, referensstandard samt flöde och tidsförlopp. De tre första bedöms också med avseende på tillämpbarhet [6]. Vanliga problem är fall-kontrolldesign med uppenbart sjuka och friska deltagare (som överskattar sensitivitet och specificitet), att indextestet tolkas med kännedom om referensstandarden och att inte alla patienter verifieras med samma referensmetod.

Likelihoodkvoter beskriver hur mycket ett testresultat ändrar sannolikheten för sjukdom och är mer användbara kliniskt än sensitivitet och specificitet var för sig [16].

Systematiska översikter och metaanalyser

En metaanalys är aldrig bättre än de studier den bygger på. PRISMA 2020 anger vad en översikt ska redovisa [7], och AMSTAR 2 värderar bland annat förhandsregistrerat protokoll, sökningens omfattning, bedömning av risk för bias i de ingående studierna, lämplig sammanvägning och hantering av publikationsbias [8]. Granska om heterogeniteten mellan studierna är så stor att en sammanvägd effekt blir missvisande, och om resultatet drivs av studier med hög risk för bias.

Publikationsbias uppstår när små studier med negativa resultat aldrig publiceras. Asymmetri i trattdiagram (funnel plot) talade för bias i 38 % av metaanalyserna i ledande allmänmedicinska tidskrifter och i 13 % av Cochraneöversikterna i en klassisk genomgång. I alla fyra par där en metaanalys och en stor enskild studie var oförenliga visade metaanalysen den större effekten [17]. Testet har låg känslighet när metaanalysen bygger på få och små studier.

Precision och slumpmässigt fel

Konfidensintervall i stället för enbart p-värden

P-värdet anger hur förenliga data är med nollhypotesen givet att alla modellantaganden gäller. Det är inte sannolikheten att nollhypotesen är sann, och ett icke signifikant resultat är inte bevis för att effekt saknas [18]. Konfidensintervallet visar både effektens storlek och osäkerheten. Ett intervall som rymmer både kliniskt betydelsefull nytta och betydelsefull skada betyder att studien inte kan besvara frågan, oavsett p-värde.

Statistisk signifikans kan dessutom vara bräcklig. Fragility index anger hur många patienter i gruppen med minst antal händelser som behöver byta från ingen händelse till händelse för att p-värdet ska överstiga 0,05. I 399 randomiserade studier i högt rankade tidskrifter var medianvärdet 8, en fjärdedel hade ett index på 3 eller lägre, och i 53 % av studierna var indexet lägre än antalet patienter som förlorats till uppföljning [19].

Absoluta och relativa effektmått

Relativa riskreduktioner är ofta stabila mellan populationer, men den kliniska nyttan bestäms av den absoluta riskreduktionen, som beror på patientens baslinjerisk. Antal som behöver behandlas (NNT) är det inverterade värdet av den absoluta riskreduktionen [20].

I ISIS-2 dog 804 av 8 587 patienter (9,36 %) med misstänkt hjärtinfarkt som lottades till acetylsalicylsyra av vaskulär orsak inom fem veckor, jämfört med 1 016 av 8 600 (11,81 %) i placebogruppen [21]:

Om samma relativa effekt antas hos patienter med en tiondel så hög baslinjerisk blir den absoluta riskreduktionen en tiondel så stor och NNT cirka tio gånger högre. Relativa effekter utan baslinjerisk ger därför ofullständigt beslutsunderlag.

Utfallsmått

Surrogatutfall

Ett surrogatutfall (till exempel en laboratorievariabel, ett EKG-fynd eller ett blodtryck) är bara giltigt om behandlingseffekten på surrogatet förutsäger effekten på patientrelevanta utfall. Det kräver mer än att surrogatet är associerat med prognos [22]. I CAST randomiserades 1 498 patienter efter hjärtinfarkt, hos vilka ventrikulär ektopi kunnat undertryckas, till enkainid, flekainid eller placebo. Trots effektiv undertryckning av ektopin inträffade 43 arytmidödsfall i läkemedelsgrupperna mot 16 i placebogrupperna under i genomsnitt tio månader [23].

Sammansatta utfall

Sammansatta utfall ökar antalet händelser och därmed den statistiska styrkan, men kan ge en missvisande bild när komponenterna skiljer sig i betydelse och effekt. I 114 kardiovaskulära randomiserade studier var den relativa riskreduktionen 8 % för död men 33 % för de minst betydelsefulla komponenterna, och de mindre viktiga komponenterna hade ofta högre händelsefrekvens [24]. Granska därför varje komponent separat och kontrollera vilken som driver det sammansatta resultatet.

Subgruppsanalyser

Subgruppsanalyser är behäftade med hög risk för falskt positiva fynd, särskilt när många analyseras. En trovärdig subgruppseffekt bör vara förhandsdefinierad med angiven riktning, tillhöra ett litet antal testade hypoteser, stödjas av ett statistiskt signifikant interaktionstest (inte bara av att effekten är signifikant i en subgrupp och inte i en annan), vara konsekvent mellan närliggande utfall och studier samt ha biologisk rimlighet [25]. ICEMAN är ett strukturerat instrument för detta, med fem kärnfrågor för randomiserade studier och åtta för metaanalyser [26].

ISIS-2-författarna illustrerade problemet genom en avsiktligt meningslös subgruppsanalys efter stjärntecken, där acetylsalicylsyra inte tycktes skydda patienter födda i Vågen eller Tvillingarna, trots tydlig nytta totalt [21]. Utgångspunkten bör vara att den sammanlagda effekten gäller alla subgrupper tills motsatsen är väl belagd.

Rapportering och tolkning

Författarnas slutsatser och sammanfattningar kan avvika från resultaten. I 72 randomiserade studier utan signifikant skillnad i det primära utfallet förekom vinklad framställning (spin) i slutsatsen i 58 % av sammanfattningarna, och mer än 40 % av artiklarna hade spin i minst två avsnitt av huvudtexten [27]. Vanliga former är fokus på sekundära utfall eller subgrupper, att ett icke signifikant resultat tolkas som likvärdighet och att nytta framhålls utan motsvarande redovisning av skador.

Läs därför metod och resultat före diskussion och slutsats, och jämför det primära utfallet med det som förhandsregistrerats. Kontrollera finansiering, jävsdeklarationer och om skador och biverkningar redovisas lika noggrant som nytta [2].

Tillämpbarhet

Även en internt valid studie kan vara svår att tillämpa. Extern validitet påverkas av vårdmiljön, hur patienterna valts ut och vilka som exkluderats, skillnader mellan studieprotokoll och rutinsjukvård, valda utfallsmått och uppföljningstid samt hur biverkningar har registrerats [28]. Frågor att ställa:

• Liknar patienten de inkluderade, eller skulle hen ha uteslutits på grund av ålder, njurfunktion, samsjuklighet eller annan behandling?
• Är patientens baslinjerisk högre eller lägre än i studien, och vad innebär det för den absoluta nyttan [20]?
• Är interventionen genomförbar med samma kvalitet och uppföljning i den egna verksamheten?
• Redovisades alla patientrelevanta utfall, inklusive skador, och är uppföljningstiden tillräcklig [1]?
• Hur väger nyttan mot risker, belastning, kostnad och patientens egna värderingar?

Evidensgradering med GRADE

GRADE bedömer tillförlitligheten för en samlad evidensmängd per utfall, inte för enskilda studier, i fyra nivåer: hög, måttlig, låg och mycket låg [29]. Randomiserade studier utgår från hög och observationsstudier från låg tillförlitlighet. Bedömningen sänks vid risk för bias, bristande precision, inkonsistens mellan studier, indirekthet (annan population, intervention eller utfall än frågan gäller) och publikationsbias. Observationsdata kan uppgraderas vid stor effekt, dos-responssamband eller när kvarvarande confounding sannolikt skulle ha minskat den observerade effekten [9, 29]. Evidensens tillförlitlighet och rekommendationens styrka är skilda bedömningar, eftersom en rekommendation även väger in balansen mellan nytta och skada, värderingar och resurser [9]. I Sverige används GRADE bland annat av SBU i dess systematiska översikter.

Checklista för snabb granskning

Källor

1. Guyatt GH et al. Users' guides to the medical literature. II. How to use an article about therapy or prevention. A. Are the results of the study valid? JAMA 1993. PMID: 8230645
2. Hopewell S et al. CONSORT 2025 statement: updated guideline for reporting randomised trials. BMJ 2025. PMID: 40228833
3. Sterne JAC et al. RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ 2019. PMID: 31462531
4. von Elm E et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Lancet 2007. PMID: 18064739
5. Sterne JA et al. ROBINS-I: a tool for assessing risk of bias in non-randomised studies of interventions. BMJ 2016. PMID: 27733354
6. Whiting PF et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med 2011. PMID: 22007046
7. Page MJ et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ 2021. PMID: 33782057
8. Shea BJ et al. AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ 2017. PMID: 28935701
9. Guyatt GH et al. GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ 2008. PMID: 18436948
10. Schulz KF et al. Empirical evidence of bias. Dimensions of methodological quality associated with estimates of treatment effects in controlled trials. JAMA 1995. PMID: 7823387
11. Hollis S, Campbell F. What is meant by intention to treat analysis? Survey of published randomised controlled trials. BMJ 1999. PMID: 10480822
12. Piaggio G et al. Reporting of noninferiority and equivalence randomized trials: extension of the CONSORT 2010 statement. JAMA 2012. PMID: 23268518
13. Bassler D et al. Stopping randomized trials early for benefit and estimation of treatment effects: systematic review and meta-regression analysis. JAMA 2010. PMID: 20332404
14. Stampfer MJ, Colditz GA. Estrogen replacement therapy and coronary heart disease: a quantitative assessment of the epidemiologic evidence. Prev Med 1991. PMID: 1826173
15. Rossouw JE et al. Risks and benefits of estrogen plus progestin in healthy postmenopausal women: principal results from the Women's Health Initiative randomized controlled trial. JAMA 2002. PMID: 12117397
16. Jaeschke R et al. Users' guides to the medical literature. III. How to use an article about a diagnostic test. B. What are the results and will they help me in caring for my patients? JAMA 1994. PMID: 8309035
17. Egger M et al. Bias in meta-analysis detected by a simple, graphical test. BMJ 1997. PMID: 9310563
18. Greenland S et al. Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. Eur J Epidemiol 2016. PMID: 27209009
19. Walsh M et al. The statistical significance of randomized controlled trial results is frequently fragile: a case for a Fragility Index. J Clin Epidemiol 2014. PMID: 24508144
20. Laupacis A et al. An assessment of clinically useful measures of the consequences of treatment. N Engl J Med 1988. PMID: 3374545
21. ISIS-2 Collaborative Group. Randomised trial of intravenous streptokinase, oral aspirin, both, or neither among 17,187 cases of suspected acute myocardial infarction: ISIS-2. Lancet 1988. PMID: 2899772
22. Fleming TR, DeMets DL. Surrogate end points in clinical trials: are we being misled? Ann Intern Med 1996. PMID: 8815760
23. Echt DS et al. Mortality and morbidity in patients receiving encainide, flecainide, or placebo. The Cardiac Arrhythmia Suppression Trial. N Engl J Med 1991. PMID: 1900101
24. Ferreira-González I et al. Problems with use of composite end points in cardiovascular trials: systematic review of randomised controlled trials. BMJ 2007. PMID: 17403713
25. Sun X et al. Is a subgroup effect believable? Updating criteria to evaluate the credibility of subgroup analyses. BMJ 2010. PMID: 20354011
26. Schandelmaier S et al. Development of the Instrument to assess the Credibility of Effect Modification Analyses (ICEMAN) in randomized controlled trials and meta-analyses. CMAJ 2020. PMID: 32778601
27. Boutron I et al. Reporting and interpretation of randomized controlled trials with statistically nonsignificant results for primary outcomes. JAMA 2010. PMID: 20501928
28. Rothwell PM. External validity of randomised controlled trials: "to whom do the results of this trial apply?". Lancet 2005. PMID: 15639683
29. Balshem H et al. GRADE guidelines: 3. Rating the quality of evidence. J Clin Epidemiol 2011. PMID: 21208779