Skip to content
Kembali ke hasil pencarian

Analisis Meta Jaringan

Diperkenalkan oleh
Lumley (2002)
Tahun
2002
Jenis
Method
Keluarga
Advanced Meta-Analysis

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis meta jaringan (NMA) adalah metode sistematis untuk membandingkan berbagai intervensi secara simultan dalam satu kerangka analitis, yang menggabungkan bukti langsung (uji coba head-to-head) dan bukti tidak langsung (perbandingan melalui pembanding umum).

Pertama kali diformalkan oleh Lumley pada tahun 2002, NMA memungkinkan peneliti untuk memberi peringkat pengobatan dan mengukur efektivitas komparatif bahkan ketika beberapa pasangan pengobatan belum pernah dipelajari secara langsung.

Intuisi di balik metode

Analisis meta pairwise tradisional membandingkan pengobatan A versus B hanya menggunakan uji coba yang secara langsung menguji perbandingan ini. Namun, jika ada banyak intervensi tetapi sedikit perbandingan langsung, peneliti tidak dapat memberi peringkat semua pilihan. NMA memecahkan masalah ini dengan membuat 'jaringan' bukti—jika ada uji coba untuk A vs B dan B vs C, NMA dapat mensintesis perbandingan tidak langsung A vs C melalui B, asalkan asumsi konsistensi (transitivitas) berlaku. Ini memberi peringkat semua pengobatan pada skala tunggal dan mengidentifikasi mana yang kemungkinan paling efektif, dapat ditoleransi, atau hemat biaya.

Sejarah

Analisis meta jaringan muncul pada awal tahun 2000-an ketika metode Bayesian dan kekuatan komputasi memungkinkan pemodelan simultan dari berbagai perbandingan pengobatan. Publikasi Lumley tahun 2002 memformalkan pendekatan Bayesian dan memperkenalkan kerangka kerja konsistensi. Caldwell dkk. (2005) dan kemudian Dias & Ades menyempurnakan metode untuk menilai inkonsistensi. Cochrane Collaboration mengadopsi metode NMA dan sekarang menerbitkan beberapa tinjauan NMA Cochrane setiap tahun. Pengembangan perangkat lunak (BUGS, WinBUGS, JAGS, Stan) dan paket R (netmeta, gemtc, BUGSnet) telah membuat NMA dapat diakses di luar ahli statistik spesialis. NMA hidup (terus diperbarui seiring publikasi uji coba baru) adalah batas yang muncul.

Kapan digunakan

Gunakan NMA ketika (1) ada berbagai intervensi untuk kondisi yang sama, (2) peneliti dan klinisi perlu memberi peringkat atau memilih di antara mereka, (3) uji coba head-to-head langsung jarang atau tidak ada untuk beberapa perbandingan, (4) ada jaringan yang terhubung (pengobatan tertaut secara langsung atau tidak langsung), dan (5) Anda dapat menilai dan membenarkan asumsi konsistensi. Aplikasi umum termasuk perbandingan obat (antidepresan, antihipertensi), teknik bedah, intervensi rehabilitasi, dan strategi pencegahan. NMA sangat berharga dalam penilaian teknologi kesehatan (HTA) untuk menginformasikan keputusan penggantian biaya di antara berbagai pilihan.

Batasan dan pertimbangan

  • Membutuhkan asumsi konsistensi (transitivitas) yang kuat: bahwa efek pengobatan sebanding di berbagai populasi uji coba dan konteks. Pelanggaran membatalkan peringkat.
  • Hasil bergantung pada basis bukti; jaringan yang jarang atau subgraph yang tidak terhubung mengurangi presisi dan dapat menyebabkan perkiraan tidak langsung yang tidak dapat diandalkan.
  • Kompleksitas komputasi meningkat seiring ukuran jaringan, dan NMA Bayesian memerlukan spesifikasi distribusi prior yang cermat, yang dapat memengaruhi hasil.
  • Mengasumsikan semua uji coba yang tersedia teridentifikasi; studi yang hilang (terutama yang negatif) dapat membiaskan hasil melalui efek studi kecil.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Memungkinkan peringkat semua pengobatan pada skala efikasi tunggal, bahkan ketika bukti uji coba langsung tidak ada untuk beberapa pasangan.
  • Meningkatkan kekuatan statistik dengan meminjam kekuatan dari perbandingan tidak langsung, meningkatkan presisi perkiraan.
  • Menyediakan sintesis bukti yang komprehensif untuk pengembangan pedoman dan kebijakan, mengurangi ketergantungan pada analisis meta pairwise yang sewenang-wenang atau tidak lengkap.
  • Mengidentifikasi inkonsistensi jaringan yang dapat menandakan heterogenitas, bias desain studi, atau pemodifikasi efek yang tidak terukur.
  • Mengintegrasikan uji coba multi-lengan secara alami, menghindari kebutuhan untuk memecah uji coba secara sewenang-wenang menjadi perbandingan pairwise terpisah.

Penerapan

  • Membandingkan berbagai antidepresan, antipsikotik, atau kelas obat lain untuk memberi peringkat efikasi dan tolerabilitas untuk pengembangan pedoman.
  • Mengevaluasi teknik bedah (misalnya, berbagai pendekatan untuk perbaikan ligamen lutut) di mana uji coba head-to-head jarang terjadi.
  • Penilaian teknologi kesehatan (HTA): memberi peringkat obat onkologi baru, imunoterapi, atau intervensi untuk keputusan penggantian biaya.
  • Intervensi perilaku: membandingkan modalitas psikoterapi, program penurunan berat badan, atau alat kesehatan digital di mana uji coba multi-lengan terbatas.
  • Rehabilitasi dan fisioterapi: memberi peringkat protokol atau perangkat latihan untuk pemulihan stroke, nyeri kronis, atau cedera olahraga.

Cara kerjanya

Cara kerjanya

1

Mulailah dengan melakukan tinjauan sistematis standar uji coba terkontrol acak (atau desain berkualitas tinggi lainnya) yang membandingkan pasangan intervensi yang diminati. Buat diagram jaringan yang menunjukkan pengobatan mana yang dibandingkan secara langsung dan berapa banyak uji coba yang ada untuk setiap perbandingan. Periksa apakah jaringan Anda terhubung (semua pengobatan tertaut, secara langsung atau tidak langsung) dan identifikasi pasangan pengobatan dengan bukti yang jarang atau tidak ada. Siapkan dataset dengan data tingkat uji coba: pengenal studi, lengan, ukuran sampel, kejadian (untuk hasil biner) atau rata-rata/SD (untuk hasil kontinu), dan pengukuran hasil. Untuk analisis geometri jaringan, nilai apakah jaringan tersebut sederhana (setiap uji coba membandingkan tepat dua lengan) atau kompleks (uji coba multi-lengan hadir).

2

Sesuaikan model NMA—paling umum model hierarkis Bayesian—yang secara simultan memperkirakan efek pengobatan langsung dan tidak langsung serta meminjam kekuatan di seluruh jalur bukti. Wawasan inti adalah bahwa semua perbandingan pengobatan dari lengan ke lengan diperkirakan dari kumpulan efek pengobatan yang sama. Untuk hasil biner, perkirakan rasio odds log; untuk kontinu, perkirakan perbedaan rata-rata. Lakukan pemeriksaan konsistensi dengan membandingkan perkiraan jaringan (menggabungkan jalur langsung dan tidak langsung) terhadap perkiraan hanya-langsung untuk setiap pasangan pengobatan. Inkonsistensi dapat menunjukkan heterogenitas, modifikasi efek, atau masalah kualitas data. Hitung SUCRA (Surface Under the Cumulative Ranking Curve)—probabilitas peringkat untuk setiap pengobatan dari 0 hingga 100, menunjukkan posisi dalam peringkat efikasi. Lakukan analisis sensitivitas dengan mengecualikan studi kecil/berisiko tinggi, membatasi pada populasi tertentu, atau mengasumsikan struktur heterogenitas yang berbeda.

3

Laporkan tabel liga (matriks yang menunjukkan perbandingan pairwise) dan plot peringkat (rata-rata SUCRA dengan interval kredibel untuk setiap pengobatan). Interpretasikan SUCRA dengan hati-hati: pengobatan dengan SUCRA tinggi kemungkinan adalah yang terbaik, tetapi interval kredibel di sekitar peringkat mengukur ketidakpastian—interval yang tumpang tindih berarti pengobatan tidak dapat dibedakan dengan jelas. Jika konsistensi dilanggar (misalnya, perkiraan langsung dan tidak langsung menyimpang secara bermakna), laporkan keduanya dan selidiki alasannya (efek subkelompok, perbedaan metodologis, bias studi kecil). Komunikasikan bahwa perkiraan NMA bersyarat pada transitivitas: mereka mengasumsikan karakteristik dasar dan pemodifikasi efek seimbang di seluruh jaringan. Soroti pasangan pengobatan mana yang memiliki bukti langsung vs sangat bergantung pada inferensi tidak langsung. Untuk aplikasi klinis, seimbangkan peringkat dengan ukuran efek absolut dan profil efek samping.

Kesalahan umum

  • Menginterpretasikan SUCRA sebagai probabilitas absolut superioritas daripada peringkat relatif dalam jaringan studi. SUCRA 75% tidak berarti peluang 75% menjadi yang terbaik; itu mencerminkan posisi peringkat, dan ketidakpastian bisa tinggi.
  • Mengasumsikan konsistensi tanpa pengujian. Selalu periksa konsistensi secara eksplisit melalui plot konsistensi atau model yang memungkinkan parameter inkonsistensi.
  • Menerapkan NMA pada jaringan dengan perbandingan yang sangat jarang (misalnya, hanya satu uji coba per tepi). Perkiraan tidak langsung menjadi tidak dapat diandalkan; laporkan dengan kehati-hatian yang sesuai.
  • Mengabaikan bukti subkelompok atau meta-regresi yang menunjukkan efek pengobatan berbeda di berbagai populasi. Jika konsistensi dilanggar, NMA bertingkat mungkin diperlukan.

Pertanyaan yang sering diajukan

Apa perbedaan antara perbandingan langsung dan tidak langsung?

Perbandingan langsung berasal dari uji coba yang mengacak pasien ke pengobatan A dan pengobatan B dalam uji coba yang sama. Perbandingan tidak langsung disimpulkan dari jaringan: jika A dibandingkan dengan C dalam Uji Coba 1 dan B dibandingkan dengan C dalam Uji Coba 2, kita dapat secara tidak langsung membandingkan A vs B melalui efek mereka relatif terhadap C (pembanding umum). NMA mensintesis kedua jenis tersebut.

Apa asumsi konsistensi, dan apa yang terjadi jika dilanggar?

Konsistensi (transitivitas) mengasumsikan bahwa efek relatif A vs B sama terlepas dari jalur mana yang Anda ambil melalui jaringan. Jika A lebih baik daripada C dalam uji coba dengan pasien muda tetapi C lebih baik daripada A dalam uji coba dengan pasien lansia, jaringan tersebut tidak konsisten. Pelanggaran menunjukkan bahwa populasi pasien atau desain studi berbeda secara bermakna. Periksa konsistensi menggunakan plot konsistensi atau dengan menyesuaikan model dengan parameter inkonsistensi. Jika dilanggar, selidiki penyebabnya dan pertimbangkan NMA bertingkat atau subkelompok.

Bagaimana cara menginterpretasikan SUCRA, dan apakah SUCRA tinggi berarti pengobatan pasti yang terbaik?

SUCRA adalah probabilitas kumulatif menjadi yang terbaik, kedua terbaik, dll., di seluruh distribusi posterior. SUCRA 90% berarti, di seluruh sampel posterior, pengobatan tersebut menduduki peringkat terbaik sekitar 90% dari waktu. Namun, ini tidak berarti itu pasti yang terbaik dalam praktik. Selalu periksa interval kredibel di sekitar perkiraan titik dan peringkat. Jika dua pengobatan memiliki interval kredibel yang tumpang tindih atau nilai SUCRA yang serupa, mereka tidak berbeda secara jelas. SUCRA berguna untuk memberi peringkat tetapi harus dipasangkan dengan interpretasi ukuran efek absolut.

Kapan NMA tidak tepat?

Hindari NMA jika (1) jaringan tidak terhubung (beberapa pengobatan tidak tertaut, secara langsung atau tidak langsung), (2) bukti menunjukkan pelanggaran konsistensi yang kuat (misalnya, populasi pasien yang berbeda atau desain studi yang sangat berbeda), (3) heterogenitas sangat tinggi dan tidak dapat dijelaskan (mungkin menunjukkan asumsi konsistensi yang dilanggar), atau (4) jaringan sangat jarang (hanya satu atau dua uji coba per perbandingan) dan oleh karena itu perkiraan tidak langsung sangat tidak pasti.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  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.

    Buka referensi DOI
    Disalin.
  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.

    Buka referensi DOI
    Disalin.