Przejdź do treści
Wróć do wyników wyszukiwania

Analiza sieciowa metaregresji

Autor metody
Lumley (2002)
Rok
2002
Typ
Method
Rodzina
Advanced Meta-Analysis

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Analiza sieciowa metaregresji (NMA) to systematyczna metoda porównywania wielu interwencji jednocześnie w ramach jednego ramowego podejścia analitycznego, uwzględniająca zarówno dowody bezpośrednie (badania bezpośredniego porównania), jak i pośrednie (porównania za pośrednictwem wspólnych porównywanych grup).

NMA, formalnie opracowana przez Lumleya w 2002 roku, pozwala badaczom na rangowanie terapii i kwantyfikację względnej skuteczności, nawet gdy niektóre pary terapii nigdy nie były bezpośrednio badane.

Intuicja stojąca za metodą

Tradycyjna analiza metaregresji parami porównuje terapię A z terapią B, wykorzystując jedynie badania, które bezpośrednio testowały to porównanie. Jednakże, jeśli istnieje wiele interwencji, ale niewiele bezpośrednich porównań, badacze nie mogą uszeregować wszystkich opcji. NMA rozwiązuje ten problem poprzez stworzenie „sieci” dowodów – jeśli istnieją badania porównujące A z B oraz B z C, NMA może syntetyzować pośrednie porównanie A z C poprzez B, pod warunkiem, że założenie spójności (przechodniości) jest spełnione. Pozwala to na uszeregowanie wszystkich terapii w jednej skali i określenie, która z nich jest prawdopodobnie najskuteczniejsza, najlepiej tolerowana lub najbardziej opłacalna.

Historia

Analiza sieciowa metaregresji wyłoniła się na początku XXI wieku, gdy metody bayesowskie i moc obliczeniowa umożliwiły jednoczesne modelowanie wielu porównań terapii. Publikacja Lumleya z 2002 roku sformalizowała podejście bayesowskie i wprowadziła ramy spójności. Caldwell i wsp. (2005), a później Dias i Ades, udoskonalili metody oceny niespójności. Cochrane Collaboration przyjęła metody NMA i obecnie publikuje corocznie wiele przeglądów Cochrane NMA. Rozwój oprogramowania (BUGS, WinBUGS, JAGS, Stan) i pakietów R (netmeta, gemtc, BUGSnet) sprawił, że NMA stała się dostępna dla szerszego grona specjalistów niż tylko statystycy. „Żywa” NMA (ciągle aktualizowana w miarę publikowania nowych badań) jest rozwijającą się dziedziną.

Kiedy stosować

Używaj NMA, gdy (1) istnieje wiele interwencji dla tego samego schorzenia, (2) badacze i klinicyści potrzebują uszeregować je lub wybrać między nimi, (3) bezpośrednie badania porównujące bezpośrednio są ograniczone lub nieobecne dla niektórych porównań, (4) istnieje połączona sieć (terapie powiązane bezpośrednio lub pośrednio) oraz (5) można ocenić i uzasadnić założenie spójności. Typowe zastosowania obejmują porównania leków (leki przeciwdepresyjne, przeciwnadciśnieniowe), techniki chirurgiczne, interwencje rehabilitacyjne i strategie profilaktyczne. NMA jest szczególnie cenne w ocenie technologii medycznych (HTA) w celu informowania o decyzjach refundacyjnych obejmujących wiele opcji.

Ograniczenia i uwagi

  • Wymaga silnego założenia spójności (przechodniości): że efekty terapeutyczne są porównywalne w różnych populacjach badanych i kontekstach. Naruszenie unieważnia rankingi.
  • Wyniki zależą od bazy dowodowej; rzadkie sieci lub niepołączone podgrafy zmniejszają precyzję i mogą prowadzić do nierzetelnych oszacowań pośrednich.
  • Złożoność obliczeniowa rośnie wraz z rozmiarem sieci, a bayesowska NMA wymaga starannego określenia rozkładów a priori, które mogą wpływać na wyniki.
  • Zakłada, że wszystkie dostępne badania zostały zidentyfikowane; brakujące badania (zwłaszcza negatywne) mogą zniekształcić wyniki poprzez błąd małych badań.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Umożliwia uszeregowanie wszystkich terapii w jednej skali skuteczności, nawet gdy dowody z bezpośrednich badań są nieobecne dla niektórych par.
  • Zwiększa moc statystyczną poprzez wykorzystanie dowodów z porównań pośrednich, poprawiając precyzję oszacowań.
  • Zapewnia kompleksową syntezę dowodów do opracowywania wytycznych i polityki, zmniejszając zależność od arbitralnych lub niekompletnych analiz metaregresji parami.
  • Identyfikuje niespójności w sieci, które mogą sygnalizować heterogeniczność, błąd projektowania badania lub niewykryte modyfikatory efektu.
  • Naturalnie integruje badania wieloramienne, eliminując potrzebę arbitralnego dzielenia badań na oddzielne porównania parami.

Zastosowania

  • Porównanie wielu leków przeciwdepresyjnych, przeciwpsychotycznych lub innych klas leków w celu uszeregowania ich skuteczności i tolerancji na potrzeby opracowywania wytycznych.
  • Ocena technik chirurgicznych (np. różnych podejść do rekonstrukcji więzadła krzyżowego kolana), gdzie badania porównujące bezpośrednio są rzadkie.
  • Ocena technologii medycznych (HTA): uszeregowanie nowych leków onkologicznych, immunoterapii lub interwencji na potrzeby decyzji refundacyjnych.
  • Interwencje behawioralne: porównanie modalności psychoterapii, programów odchudzania lub narzędzi cyfrowego zdrowia, gdzie badania wieloramienne są ograniczone.
  • Rehabilitacja i fizjoterapia: uszeregowanie protokołów ćwiczeń lub urządzeń do rehabilitacji po udarze, przewlekłego bólu lub urazach sportowych.

Jak to działa

Jak to działa

1

Rozpocznij od przeprowadzenia standardowego przeglądu systematycznego randomizowanych badań kontrolowanych (lub innych wysokiej jakości projektów) porównujących dowolną parę badanych interwencji. Utwórz diagram sieciowy pokazujący, które terapie były bezpośrednio porównywane i ile badań istnieje dla każdego porównania. Sprawdź, czy sieć jest połączona (wszystkie terapie powiązane, bezpośrednio lub pośrednio) i zidentyfikuj pary terapii z ograniczonymi lub brakiem dowodów. Przygotuj zbiór danych z danymi na poziomie badań: identyfikatory badań, ramiona, wielkości próby, zdarzenia (dla wyników binarnych) lub średnie/odchylenia standardowe (dla wyników ciągłych) oraz pomiary wyników. W celu analizy geometrii sieci oceń, czy sieć jest prosta (każde badanie porównuje dokładnie dwa ramiona), czy złożona (obecne badania wieloramienne).

2

Dopasuj model NMA – najczęściej hierarchiczny model bayesowski – który jednocześnie szacuje bezpośrednie i pośrednie efekty terapeutyczne oraz wykorzystuje siłę dowodów z różnych ścieżek. Kluczową ideą jest to, że wszystkie porównania efektów terapeutycznych między ramionami są szacowane na podstawie wspólnego zestawu efektów terapeutycznych. Dla wyników binarnych szacuje się logarytmiczne stosunki szans; dla wyników ciągłych szacuje się różnice średnich. Przeprowadź kontrolę spójności, porównując oszacowanie sieciowe (łączące ścieżki bezpośrednie i pośrednie) z oszacowaniem tylko bezpośrednim dla każdej pary terapii. Niespójność może sugerować heterogeniczność, modyfikację efektu lub problemy z jakością danych. Oblicz SUCRA (Surface Under the Cumulative Ranking Curve) – prawdopodobieństwo rang dla każdej terapii od 0 do 100, wskazujące pozycję w rankingu skuteczności. Przeprowadź analizy wrażliwości, wykluczając małe badania/badania wysokiego ryzyka, ograniczając się do określonych populacji lub zakładając różne struktury heterogeniczności.

3

Raportuj tabele ligowe (macierze pokazujące porównania parami) i wykresy rankingowe (średnia SUCRA z przedziałami wiarygodności dla każdej terapii). Interpretuj SUCRA ostrożnie: terapia z wysoką SUCRA jest prawdopodobnie najlepsza, ale przedziały wiarygodności wokół rang kwantyfikują niepewność – nakładające się przedziały oznaczają, że terapii nie można jednoznacznie odróżnić. Jeśli spójność jest naruszona (np. bezpośrednie i pośrednie oszacowania znacząco się rozbiegają), raportuj oba i zbadaj przyczyny (efekty podgrup, różnice metodologiczne, błąd małych badań). Komunikuj, że oszacowania NMA są warunkowe wobec przechodniości: zakładają, że charakterystyka bazowa i modyfikatory efektu są zrównoważone w całej sieci. Podkreśl, które pary terapii mają bezpośrednie dowody, a które opierają się w dużej mierze na wnioskowaniu pośrednim. W zastosowaniach klinicznych równoważ rangę z bezwzględnymi wielkościami efektu i profilami działań niepożądanych.

Częste pułapki

  • Interpretowanie SUCRA jako bezwzględnego prawdopodobieństwa przewagi, a nie względnego miejsca w sieci badawczej. SUCRA 75% nie oznacza 75% szansy na bycie najlepszym; odzwierciedla pozycję w rankingu, a niepewność może być wysoka.
  • Zakładanie spójności bez jej testowania. Zawsze sprawdzaj spójność jawnie za pomocą wykresów spójności lub modeli dopuszczających parametry niespójności.
  • Stosowanie NMA do sieci z bardzo ograniczonymi porównaniami (np. tylko jedno badanie na krawędź). Oszacowania pośrednie stają się nierzetelne; raportuj z odpowiednią ostrożnością.
  • Ignorowanie dowodów z podgrup lub metaregresji, które sugerują, że efekty terapeutyczne różnią się w zależności od populacji. Jeśli spójność jest naruszona, może być potrzebna stratyfikowana NMA.

Najczęściej zadawane pytania

Jaka jest różnica między porównaniami bezpośrednimi a pośrednimi?

Porównanie bezpośrednie pochodzi z badań, w których pacjenci byli randomizowani do terapii A i terapii B w ramach tego samego badania. Porównanie pośrednie jest wnioskowane z sieci: jeśli A jest porównywane z C w Badaniu 1, a B jest porównywane z C w Badaniu 2, możemy pośrednio porównać A z B poprzez ich efekty względem C (wspólnego porównywanego). NMA syntetyzuje oba typy.

Czym jest założenie spójności i co się dzieje, jeśli zostanie naruszone?

Spójność (przechodniość) zakłada, że względny efekt A vs B jest taki sam, niezależnie od ścieżki, którą przejdziemy przez sieć. Jeśli A jest lepsze od C w badaniach z młodymi pacjentami, ale C jest lepsze od A w badaniach z pacjentami w podeszłym wieku, sieć jest niespójna. Naruszenia sugerują, że populacje pacjentów lub projekty badań znacząco się różnią. Sprawdź spójność za pomocą wykresów spójności lub dopasowując model z parametrami niespójności. Jeśli zostanie naruszone, zbadaj przyczyny i rozważ stratyfikowaną NMA lub NMA dla podgrup.

Jak interpretować SUCRA i czy wysoka SUCRA oznacza, że terapia jest zdecydowanie najlepsza?

SUCRA to skumulowane prawdopodobieństwo bycia najlepszym, drugim najlepszym itd. w rozkładzie a posteriori. SUCRA 90% oznacza, że w próbach a posteriori terapia zajmuje najlepszą pozycję około 90% czasu. Jednak nie oznacza to, że jest ona definitywnie najlepsza w praktyce. Zawsze analizuj przedziały wiarygodności wokół oszacowań punktowych i rang. Jeśli dwie terapie mają nakładające się przedziały wiarygodności lub podobne wartości SUCRA, nie można ich jednoznacznie odróżnić. SUCRA jest użyteczna do rankingu, ale musi być połączona z interpretacją bezwzględnej wielkości efektu.

Kiedy NMA nie jest odpowiednia?

Unikaj NMA, jeśli (1) sieć jest niepołączona (niektóre terapie nie są powiązane, bezpośrednio lub pośrednio), (2) dowody sugerują silne naruszenia spójności (np. różne populacje pacjentów lub zasadniczo różne projekty badań), (3) heterogeniczność jest bardzo wysoka i nie można jej wyjaśnić (może wskazywać na naruszone założenie spójności) lub (4) sieć jest bardzo rzadka (tylko jedno lub dwa badania na porównanie), a zatem oszacowania pośrednie są wysoce niepewne.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.
  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.

    Otwórz odnośnik DOI
    Skopiowano.