Méta-analyse automatisée avec Forest Plots interactifs
Passez des articles analysés à un forest plot prêt pour publication sans saisie manuelle de données. NousLab extrait les données quantitatives, calcule les estimations combinées et génère une interprétation par IA de vos résultats.
La méta-analyse traditionnelle est lente, manuelle et sujette aux erreurs
Exécuter une méta-analyse de manière traditionnelle signifie lire chaque article, ouvrir un tableur et saisir manuellement les tailles d'effet, les intervalles de confiance et les tailles d'échantillon pour chaque étude. Une seule erreur de transcription peut invalider votre estimation combinée. Et le processus prend généralement des semaines avant même de générer votre premier forest plot.
NousLab élimine entièrement l'étape d'extraction manuelle. Lorsque vous analysez des articles avec l'outil d'Analyse de Papers, l'IA identifie et structure automatiquement les résultats quantitatifs. Tailles d'effet, intervalles de confiance, valeurs p et tailles d'échantillon sont tous extraits et stockés dans un format qui alimente directement le moteur de méta-analyse.
Le résultat : vous passez d'une collection d'articles à un forest plot entièrement rendu avec des statistiques combinées en minutes, pas en semaines. Et parce que les données sont extraites par un processus IA cohérent, vous évitez les erreurs de transcription humaine qui affligent les flux de travail traditionnels de méta-analyse.
Traditionnel vs NousLab
Comment fonctionne la méta-analyse dans NousLab
Quatre étapes des articles analysés à un forest plot prêt pour publication avec interprétation IA.
Les articles sont analysés
Vos articles de recherche sont analysés avec l'outil d'Analyse de Papers de NousLab. L'IA lit chaque article et extrait des données structurées incluant tous les résultats quantitatifs.
Données quantitatives extraites
Tailles d'effet (OR, RR, HR, MD, SMD), intervalles de confiance à 95 %, valeurs p et tailles d'échantillon sont automatiquement identifiés et structurés depuis chaque étude.
Forest plot généré
Un forest plot SVG interactif est rendu dans le navigateur montrant les estimations individuelles, la taille d'effet combinée, les intervalles de confiance et les statistiques d'hétérogénéité.
L'IA interprète les résultats
L'IA de NousLab génère une interprétation en langage clair couvrant l'effet combiné, la significativité statistique, l'évaluation de l'hétérogénéité et les implications cliniques.
Ce que vous obtenez de chaque méta-analyse
Un package d'analyse statistique complet généré automatiquement à partir de vos articles analysés.
Forest plot interactif
Un forest plot SVG entièrement interactif rendu côté client avec D3.js. Chaque étude est affichée avec son estimation ponctuelle, son intervalle de confiance et son poids relatif. Survolez une étude pour voir les détails complets.
Statistiques combinées
Taille d'effet combinée calculée avec les modèles à effets fixes (variance inverse) et à effets aléatoires (DerSimonian-Laird). Inclut l'intervalle de confiance à 95 % et la valeur p globale.
Analyse d'hétérogénéité
Statistique I-carré quantifiant la proportion de variabilité due aux vraies différences entre études plutôt qu'à l'erreur d'échantillonnage. Vous aide à évaluer si le regroupement des résultats est approprié.
Interprétation IA
Un résumé en langage clair généré par IA qui explique ce que signifient les résultats combinés, si l'effet est statistiquement significatif, le degré de concordance entre les études et les implications cliniques.
Tableau comparatif des études
Un tableau détaillé montrant chaque étude incluse avec sa taille d'effet, son intervalle de confiance, sa valeur p, sa taille d'échantillon, son poids dans l'analyse et son design d'étude. Triable et filtrable.
Options d'exportation
Téléchargez le forest plot en image PNG haute résolution prête pour les manuscrits, posters et présentations. La visualisation est de qualité publication et adaptée aux revues à comité de lecture.
Comment une équipe de cardiologie utilise NousLab pour la méta-analyse
Un groupe de recherche en cardiologie d'un hôpital universitaire souhaite quantifier l'effet des agonistes du récepteur GLP-1 sur les événements cardiovasculaires majeurs (MACE). Ils ont déjà importé 40 essais cliniques dans leur projet NousLab en utilisant le moteur de Découverte de Papers et les ont tous analysés avec l'outil d'Analyse de Papers.
NousLab a automatiquement extrait les hazard ratios, les intervalles de confiance à 95 % et les tailles d'échantillon de chaque essai. L'équipe navigue vers l'onglet Hypothèse, sélectionne leur hypothèse sur la réduction du risque MACE par les agonistes GLP-1 et ouvre le panneau de méta-analyse. Le système identifie 14 études avec des données quantitatives compatibles et génère un forest plot instantanément.
Le forest plot montre un hazard ratio combiné de 0,88 (IC 95 % : 0,82 à 0,94) avec un modèle à effets aléatoires, avec un I-carré de 28 %, indiquant une faible hétérogénéité. L'interprétation IA explique que les agonistes GLP-1 sont associés à une réduction statistiquement significative de 12 % du risque MACE dans les essais inclus.
L'équipe bascule vers le modèle à effets fixes pour comparer, télécharge le forest plot en PNG pour leur manuscrit, et examine le tableau comparatif des études pour identifier quels essais ont contribué le plus au poids de l'estimation combinée. L'ensemble du processus prend moins d'une heure.
Questions fréquentes
Dois-je saisir les données manuellement pour exécuter une méta-analyse ?
Non. NousLab extrait automatiquement les données quantitatives des articles analysés avec l'outil d'Analyse de Papers. Les données extraites alimentent directement le moteur de méta-analyse, vous n'avez donc jamais besoin de copier des chiffres dans un tableur.
Quelles mesures d'effet NousLab prend-il en charge ?
NousLab prend en charge l'odds ratio (OR), le risk ratio (RR), le hazard ratio (HR), la différence de moyennes (MD) et la différence de moyennes standardisée (SMD). Le système détecte automatiquement la mesure d'effet utilisée dans chaque étude et regroupe les études compatibles.
Quelle est la différence entre les modèles à effets fixes et aléatoires ?
Un modèle à effets fixes suppose que toutes les études estiment le même vrai effet sous-jacent. Un modèle à effets aléatoires tient compte de la possibilité que le vrai effet varie selon les études en raison de différences de populations, d'interventions ou de méthodologies. NousLab vous permet de basculer instantanément entre les deux modèles.
Comment NousLab calcule-t-il l'hétérogénéité ?
NousLab calcule la statistique I-carré, qui décrit le pourcentage de variation entre les études dû aux vraies différences plutôt qu'au hasard. Un I-carré de 0 % signifie aucune hétérogénéité, tandis que des valeurs supérieures à 50 % suggèrent une hétérogénéité substantielle.
Puis-je télécharger le forest plot ?
Oui. Le forest plot est rendu en SVG dans le navigateur et peut être exporté en fichier PNG haute résolution adapté à l'inclusion dans des manuscrits, présentations ou demandes de financement.
Combien d'études puis-je inclure dans une seule méta-analyse ?
Il n'y a pas de limite stricte sur le nombre d'études. Le moteur de méta-analyse fonctionne avec au minimum deux études et peut gérer des dizaines d'études dans le même forest plot. La visualisation interactive s'ajuste automatiquement au nombre d'études incluses.
Fonctionne avec
Prêt à automatiser votre méta-analyse ?
Découvrez comment NousLab peut vous faire passer des articles bruts aux forest plots prêts pour publication en quelques minutes.
Demander une Démo