Skip to content
بازگشت به نتایج جست‌وجو

تحلیل فراتحلیل شبکه‌ای (Network Meta-Analysis)

معرفی‌شده توسط
Lumley (2002)
سال
2002
نوع
Method
خانواده
Advanced Meta-Analysis

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل فراتحلیل شبکه‌ای (NMA) روشی نظام‌مند برای مقایسه همزمان چندین مداخله در یک چارچوب تحلیلی واحد است که هم شواهد مستقیم (آزمایش‌های رو در رو) و هم شواهد غیرمستقیم (مقایسه‌ها از طریق مقایسه‌کننده‌های مشترک) را در بر می‌گیرد.

NMA که اولین بار توسط Lumley در سال 2002 تدوین شد، به پژوهشگران اجازه می‌دهد تا درمان‌ها را رتبه‌بندی کرده و اثربخشی مقایسه‌ای را حتی در مواردی که برخی جفت‌های درمانی هرگز مستقیماً مطالعه نشده‌اند، کمی‌سازی کنند.

شهود پشت روش

فراتحلیل سنتی دوتایی، درمان A را در مقابل B با استفاده از تنها آزمایش‌هایی که مستقیماً این مقایسه را آزمایش کرده‌اند، مقایسه می‌کند. با این حال، اگر مداخلات متعددی وجود داشته باشند اما مقایسه‌های مستقیم کمیاب باشند، پژوهشگران نمی‌توانند همه گزینه‌ها را رتبه‌بندی کنند. NMA با ایجاد یک «شبکه» از شواهد این مشکل را حل می‌کند—اگر آزمایش‌هایی برای A در مقابل B و B در مقابل C وجود داشته باشد، NMA می‌تواند یک مقایسه غیرمستقیم A در مقابل C را از طریق B سنتز کند، به شرطی که فرض سازگاری (تعدی) برقرار باشد. این امر همه درمان‌ها را در یک مقیاس واحد رتبه‌بندی کرده و مشخص می‌کند کدام یک احتمالاً مؤثرترین، قابل تحمل‌ترین یا مقرون‌به‌صرفه‌ترین است.

تاریخ

تحلیل فراتحلیل شبکه‌ای در اوایل دهه 2000 به عنوان روش‌های بیزی و قدرت محاسباتی، مدل‌سازی همزمان چندین مقایسه درمان را امکان‌پذیر ساخت. انتشار Lumley در سال 2002 رویکرد بیزی را رسمی کرد و چارچوب سازگاری را معرفی کرد. Caldwell و همکاران (2005) و بعدها Dias & Ades روش‌هایی را برای ارزیابی ناسازگاری اصلاح کردند. همکاری کوکران روش‌های NMA را اتخاذ کرد و اکنون سالانه چندین مرور NMA کوکران را منتشر می‌کند. توسعه نرم‌افزار (BUGS, WinBUGS, JAGS, Stan) و بسته‌های R (netmeta, gemtc, BUGSnet) NMA را فراتر از آمارشناسان متخصص در دسترس قرار داده است. NMA زنده (به طور مداوم با انتشار آزمایش‌های جدید به‌روزرسانی می‌شود) یک مرز نوظهور است.

چه زمانی استفاده شود

هنگامی از NMA استفاده کنید که (1) مداخلات متعددی برای یک وضعیت وجود داشته باشد، (2) پژوهشگران و پزشکان نیاز به رتبه‌بندی یا انتخاب بین آنها داشته باشند، (3) آزمایش‌های مستقیم رو در رو برای برخی مقایسه‌ها کمیاب یا غایب باشند، (4) یک شبکه متصل وجود داشته باشد (درمان‌ها مستقیماً یا غیرمستقیم مرتبط باشند)، و (5) بتوانید فرض سازگاری را ارزیابی و توجیه کنید. کاربردهای رایج شامل مقایسه‌های دارویی (ضدافسردگی‌ها، ضد فشار خون)، تکنیک‌های جراحی، مداخلات توانبخشی، و استراتژی‌های پیشگیرانه است. NMA به ویژه در ارزیابی فناوری سلامت (HTA) برای اطلاع‌رسانی تصمیمات بازپرداخت در میان گزینه‌های متعدد ارزشمند است.

محدودیت‌ها و ملاحظات

  • فرض قوی سازگاری (تعدی) را الزامی می‌کند: که اثرات درمان در سراسر جمعیت‌های مختلف آزمایشی و زمینه‌ها قابل مقایسه هستند. نقض این فرض رتبه‌بندی‌ها را نامعتبر می‌سازد.
  • نتایج به پایگاه شواهد بستگی دارد؛ شبکه‌های پراکنده یا زیرگراف‌های غیرمتصل دقت را کاهش داده و ممکن است منجر به تخمین‌های غیرمستقیم غیرقابل اعتماد شوند.
  • پیچیدگی محاسباتی با افزایش اندازه شبکه افزایش می‌یابد، و NMA بیزی نیاز به مشخص‌سازی دقیق توزیع‌های پیشین دارد که می‌تواند بر نتایج تأثیر بگذارد.
  • فرض می‌کند که همه آزمایش‌های موجود شناسایی شده‌اند؛ مطالعات غایب (به ویژه مطالعات منفی) می‌توانند از طریق اثرات مطالعات کوچک، نتایج را سوگیری کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • امکان رتبه‌بندی همه درمان‌ها را در یک مقیاس اثربخشی واحد فراهم می‌کند، حتی زمانی که شواهد آزمایشی مستقیم برای برخی جفت‌ها غایب باشد.
  • با قرض گرفتن قدرت از مقایسه‌های غیرمستقیم، توان آماری را افزایش می‌دهد و دقت تخمین‌ها را بهبود می‌بخشد.
  • سنتز شواهد جامعی را برای توسعه دستورالعمل‌ها و سیاست‌ها فراهم می‌کند و اتکا به فراتحلیل‌های دوتایی دلخواه یا ناقص را کاهش می‌دهد.
  • ناسازگاری‌های شبکه را شناسایی می‌کند که ممکن است نشان‌دهنده ناهمگونی، سوگیری طرح مطالعه، یا تعدیل‌کننده‌های اثر اندازه‌گیری نشده باشد.
  • آزمایش‌های چند بازویی را به طور طبیعی ادغام می‌کند و نیاز به شکستن دلخواه آزمایش‌ها به مقایسه‌های دوتایی جداگانه را از بین می‌برد.

کاربردها

  • مقایسه چندین داروی ضدافسردگی، ضد روان‌پریشی، یا سایر دسته‌های دارویی برای رتبه‌بندی اثربخشی و تحمل‌پذیری برای توسعه دستورالعمل‌ها.
  • ارزیابی تکنیک‌های جراحی (به عنوان مثال، رویکردهای مختلف برای ترمیم رباط زانو) که در آنها آزمایش‌های رو در رو نادر هستند.
  • ارزیابی فناوری سلامت (HTA): رتبه‌بندی داروهای جدید انکولوژی، ایمونوتراپی‌ها، یا مداخلات برای تصمیمات بازپرداخت.
  • مداخلات رفتاری: مقایسه روش‌های روان‌درمانی، برنامه‌های کاهش وزن، یا ابزارهای سلامت دیجیتال که در آنها آزمایش‌های چند بازویی محدود هستند.
  • توانبخشی و فیزیوتراپی: رتبه‌بندی پروتکل‌های ورزشی یا دستگاه‌ها برای بهبودی سکته مغزی، درد مزمن، یا آسیب ورزشی.

چگونه کار می‌کند

چگونه کار می‌کند

1

ابتدا با انجام یک مرور نظام‌مند استاندارد از کارآزمایی‌های تصادفی کنترل‌شده (یا سایر طرح‌های با کیفیت بالا) که هر جفتی از مداخلات مورد علاقه را مقایسه می‌کنند، شروع کنید. یک نمودار شبکه ایجاد کنید که نشان می‌دهد کدام درمان‌ها مستقیماً مقایسه شده‌اند و چه تعداد آزمایش برای هر مقایسه وجود دارد. بررسی کنید که آیا شبکه شما متصل است (همه درمان‌ها، مستقیم یا غیرمستقیم، مرتبط هستند) و جفت‌های درمانی با شواهد پراکنده یا غایب را شناسایی کنید. مجموعه‌ای از داده‌ها را با داده‌های سطح آزمایش آماده کنید: شناسه‌های مطالعه، بازوها، اندازه‌های نمونه، رویدادها (برای نتایج دودویی) یا میانگین‌ها/انحراف معیارها (برای نتایج پیوسته)، و اندازه‌گیری‌های پیامد. برای تحلیل هندسه شبکه، ارزیابی کنید که آیا شبکه ساده است (هر آزمایش دقیقاً دو بازو را مقایسه می‌کند) یا پیچیده (آزمایش‌های چند بازویی وجود دارند).

2

یک مدل NMA را برازش دهید—که معمولاً یک مدل سلسله مراتبی بیزی است—که به طور همزمان اثرات درمان مستقیم و غیرمستقیم را تخمین زده و قدرت را در سراسر مسیرهای شواهد قرض می‌گیرد. بینش اصلی این است که همه مقایسه‌های درمان بازو به بازو از مجموعه‌ای مشترک از اثرات درمان تخمین زده می‌شوند. برای نتایج دودویی، نسبت شانس لگاریتمی را تخمین بزنید؛ برای نتایج پیوسته، میانگین تفاوت‌ها را تخمین بزنید. بررسی سازگاری را با مقایسه تخمین شبکه (ترکیب مسیرهای مستقیم و غیرمستقیم) در مقابل تخمین تنها مستقیم برای هر جفت درمان انجام دهید. ناسازگاری ممکن است نشان‌دهنده ناهمگونی، تعدیل‌کننده اثر، یا مسائل مربوط به کیفیت داده باشد. SUCRA (Surface Under the Cumulative Ranking Curve) را محاسبه کنید—یک رتبه مبتنی بر احتمال برای هر درمان از 0 تا 100، که موقعیت در رتبه‌بندی اثربخشی را نشان می‌دهد. تحلیل‌های حساسیت را با حذف مطالعات کوچک/پرخطر، محدود کردن به جمعیت‌های خاص، یا فرض ساختارهای ناهمگونی متفاوت انجام دهید.

3

جداول لیگ (ماتریس‌هایی که مقایسه‌های دوتایی را نشان می‌دهند) و نمودارهای رتبه‌بندی (میانگین SUCRA با فواصل اطمینان برای هر درمان) را گزارش کنید. SUCRA را با احتیاط تفسیر کنید: درمانی با SUCRA بالا احتمالاً بهترین است، اما فواصل اطمینان در اطراف رتبه‌ها عدم قطعیت را کمی‌سازی می‌کنند—فواصل همپوشان به این معنی است که درمان‌ها را نمی‌توان به وضوح تشخیص داد. اگر سازگاری نقض شود (به عنوان مثال، تخمین‌های مستقیم و غیرمستقیم به طور معنی‌داری واگرا شوند)، هر دو را گزارش کرده و دلایل آن را بررسی کنید (اثرات زیرگروه، تفاوت‌های روش‌شناختی، سوگیری مطالعات کوچک). بیان کنید که تخمین‌های NMA شرطی بر تعدی هستند: آنها فرض می‌کنند که ویژگی‌های پایه و تعدیل‌کننده‌های اثر در سراسر شبکه متعادل هستند. برجسته کنید که کدام جفت‌های درمانی دارای شواهد مستقیم هستند در مقابل به شدت به استنتاج غیرمستقیم متکی هستند. برای کاربرد بالینی، رتبه را با اندازه‌های اثر مطلق و پروفایل عوارض جانبی متعادل کنید.

دام‌های رایج

  • تفسیر SUCRA به عنوان احتمال مطلق برتری به جای رتبه نسبی در شبکه مطالعه. SUCRA 75% به معنای 75% شانس بهترین بودن نیست؛ بلکه موقعیت رتبه‌بندی را منعکس می‌کند و عدم قطعیت ممکن است بالا باشد.
  • فرض سازگاری بدون آزمایش. همیشه سازگاری را به صراحت از طریق نمودارهای سازگاری یا مدل‌هایی که پارامترهای ناسازگاری را مجاز می‌دانند، بررسی کنید.
  • اعمال NMA بر روی شبکه‌هایی با مقایسه‌های بسیار پراکنده (به عنوان مثال، تنها یک آزمایش در هر یال). تخمین‌های غیرمستقیم غیرقابل اعتماد می‌شوند؛ با احتیاط مناسب گزارش کنید.
  • نادیده گرفتن شواهد زیرگروه یا فراتحلیل که نشان می‌دهد اثرات درمان در جمعیت‌های مختلف متفاوت است. اگر سازگاری نقض شود، ممکن است NMA طبقه‌بندی شده مورد نیاز باشد.

پرسش‌های متداول

تفاوت بین مقایسه‌های مستقیم و غیرمستقیم چیست؟

یک مقایسه مستقیم از آزمایش‌هایی حاصل می‌شود که بیماران را در همان آزمایش به درمان A و درمان B تصادفی کرده‌اند. یک مقایسه غیرمستقیم از یک شبکه استنتاج می‌شود: اگر A در آزمایش 1 با C مقایسه شود و B در آزمایش 2 با C مقایسه شود، می‌توانیم A در مقابل B را به طور غیرمستقیم از طریق اثرات آنها نسبت به C (مقایسه‌کننده مشترک) مقایسه کنیم. NMA هر دو نوع را سنتز می‌کند.

فرض سازگاری چیست و در صورت نقض آن چه اتفاقی می‌افتد؟

سازگاری (تعدی) فرض می‌کند که اثر نسبی A در مقابل B صرف نظر از مسیری که از طریق شبکه طی می‌کنید، یکسان است. اگر A در آزمایش‌هایی با بیماران جوان بهتر از C باشد اما C در آزمایش‌هایی با بیماران مسن‌تر بهتر از A باشد، شبکه ناسازگار است. نقض‌ها نشان می‌دهند که جمعیت‌های بیمار یا طرح‌های مطالعه به طور معنی‌داری متفاوت هستند. سازگاری را با استفاده از نمودارهای سازگاری یا با برازش مدلی با پارامترهای ناسازگاری بررسی کنید. اگر نقض شد، علل را بررسی کرده و NMA طبقه‌بندی شده یا زیرگروهی را در نظر بگیرید.

چگونه SUCRA را تفسیر کنم و آیا SUCRA بالا به معنای بهترین بودن قطعی یک درمان است؟

SUCRA احتمال تجمعی بهترین، دومین بهترین و غیره، در سراسر توزیع پسین است. SUCRA 90% به این معنی است که در نمونه‌های پسین، درمان تقریباً 90% مواقع بهترین رتبه را کسب می‌کند. با این حال، این به معنای بهترین بودن قطعی آن در عمل نیست. همیشه فواصل اطمینان را در اطراف تخمین‌های نقطه‌ای و رتبه‌ها بررسی کنید. اگر دو درمان دارای فواصل اطمینان همپوشان یا مقادیر SUCRA مشابهی باشند، آنها به وضوح متفاوت نیستند. SUCRA برای رتبه‌بندی مفید است اما باید با تفسیر اندازه اثر مطلق همراه باشد.

چه زمانی NMA مناسب نیست؟

از NMA اجتناب کنید اگر (1) شبکه غیرمتصل است (برخی درمان‌ها مستقیماً یا غیرمستقیم مرتبط نیستند)، (2) شواهد نشان‌دهنده نقض قوی سازگاری است (به عنوان مثال، جمعیت‌های بیمار متفاوت یا طرح‌های مطالعه به طور قابل توجهی متفاوت)، (3) ناهمگونی بسیار بالا است و قابل توضیح نیست (ممکن است نشان‌دهنده نقض فرض سازگاری باشد)، یا (4) شبکه بسیار پراکنده است (تنها یک یا دو آزمایش در هر مقایسه) و در نتیجه تخمین‌های غیرمستقیم بسیار نامطمئن هستند.

روش‌های مرتبط

منابع

  1. Lumley, T. (2002). Network meta-analysis for indirect treatment comparisons. Statistics in Medicine, 21(16), 2313–2324.

    باز کردن مرجع DOI
    کپی شد.
  2. Bucher, H. C., Guyatt, G. H., Griffith, L. E., & Walter, S. D. (1997). The results of direct and indirect treatment comparisons in meta-analysis of randomized controlled trials. Journal of Clinical Epidemiology, 50(6), 683–691.

    باز کردن مرجع DOI
    کپی شد.
  3. Dias, S., Welton, N. J., Caldwell, D. M., & Ades, A. E. (2010). Checking consistency in mixed treatment comparison meta-analysis. Statistics in Medicine, 29(7–8), 932–944.

    باز کردن مرجع DOI
    کپی شد.