Meta-análise de Rede
- Proposto por
- Lumley (2002)
- Ano
- 2002
- Tipo
- Method
- Família
- Advanced Meta-Analysis
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Meta-análise de rede (NMA) é um método sistemático para comparar múltiplas intervenções simultaneamente dentro de um único quadro analítico, incorporando evidências diretas (ensaios comparativos diretos) e evidências indiretas (comparações via comparadores comuns).
Formalizada pela primeira vez por Lumley em 2002, a NMA permite que pesquisadores classifiquem tratamentos e quantifiquem a eficácia comparativa, mesmo quando alguns pares de tratamentos nunca foram estudados diretamente.
A intuição por trás do método
A meta-análise tradicional por pares compara o tratamento A versus B usando apenas ensaios que testaram diretamente essa comparação. No entanto, se existirem muitas intervenções, mas poucas comparações diretas, os pesquisadores não conseguem classificar todas as opções. A NMA resolve isso criando uma 'rede' de evidências — se existem ensaios para A vs B e B vs C, a NMA pode sintetizar uma comparação indireta de A vs C através de B, desde que a suposição de consistência (transitividade) seja válida. Isso classifica todos os tratamentos em uma única escala e identifica qual é provavelmente o mais eficaz, tolerável ou custo-efetivo.
História
A meta-análise de rede surgiu no início dos anos 2000, à medida que métodos Bayesianos e poder computacional tornaram viável a modelagem simultânea de múltiplas comparações de tratamento. A publicação de Lumley em 2002 formalizou a abordagem Bayesiana e introduziu o quadro de consistência. Caldwell et al. (2005) e, posteriormente, Dias & Ades refinaram métodos para avaliar a inconsistência. A Cochrane Collaboration adotou métodos de NMA e agora publica anualmente múltiplas revisões Cochrane de NMA. O desenvolvimento de software (BUGS, WinBUGS, JAGS, Stan) e pacotes R (netmeta, gemtc, BUGSnet) tornaram a NMA acessível além de estatísticos especialistas. NMA viva (continuamente atualizada à medida que novos ensaios são publicados) é uma fronteira emergente.
Quando usar
Use NMA quando (1) múltiplas intervenções para a mesma condição existirem, (2) pesquisadores e clínicos precisarem classificar ou escolher entre elas, (3) ensaios comparativos diretos forem escassos ou ausentes para algumas comparações, (4) uma rede conectada existir (tratamentos ligados direta ou indiretamente) e (5) você puder avaliar e justificar a suposição de consistência. Aplicações comuns incluem comparações de medicamentos (antidepressivos, anti-hipertensivos), técnicas cirúrgicas, intervenções de reabilitação e estratégias preventivas. A NMA é particularmente valiosa em avaliação de tecnologias em saúde (ATS) para informar decisões de reembolso entre múltiplas opções.
Limitações e considerações
- Requer uma forte suposição de consistência (transitividade): que os efeitos do tratamento são comparáveis em diferentes populações de ensaios e contextos. A violação invalida os rankings.
- Os resultados dependem da base de evidências; redes esparsas ou subgrafos desconectados reduzem a precisão e podem levar a estimativas indiretas não confiáveis.
- A complexidade computacional aumenta com o tamanho da rede, e a NMA Bayesiana requer especificação cuidadosa de distribuições a priori, que podem influenciar os resultados.
- Assume que todos os ensaios disponíveis foram identificados; estudos ausentes (especialmente os negativos) podem enviesar os resultados através de efeitos de estudos pequenos.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Permite a classificação de todos os tratamentos em uma única escala de eficácia, mesmo quando a evidência de ensaios diretos está ausente para alguns pares.
- Aumenta o poder estatístico ao emprestar força de comparações indiretas, melhorando a precisão das estimativas.
- Fornece uma síntese abrangente de evidências para o desenvolvimento de diretrizes e políticas, reduzindo a dependência de meta-análises par a par arbitrárias ou incompletas.
- Identifica inconsistências na rede que podem sinalizar heterogeneidade, viés de desenho de estudo ou modificadores de efeito não medidos.
- Integra ensaios com múltiplos braços naturalmente, evitando a necessidade de dividir ensaios arbitrariamente em comparações par a par separadas.
Aplicações
- Comparação de múltiplos antidepressivos, antipsicóticos ou outras classes de medicamentos para classificar eficácia e tolerabilidade para o desenvolvimento de diretrizes.
- Avaliação de técnicas cirúrgicas (por exemplo, diferentes abordagens para reparo de ligamentos do joelho) onde ensaios comparativos diretos são raros.
- Avaliação de Tecnologias em Saúde (ATS): classificação de novos medicamentos oncológicos, imunoterapias ou intervenções para decisões de reembolso.
- Intervenções comportamentais: comparação de modalidades de psicoterapia, programas de perda de peso ou ferramentas de saúde digital onde ensaios com múltiplos braços são limitados.
- Reabilitação e fisioterapia: classificação de protocolos de exercícios ou dispositivos para recuperação de AVC, dor crônica ou lesões esportivas.
Como funciona
Como funciona
Comece conduzindo uma revisão sistemática padrão de ensaios clínicos randomizados (ou outros desenhos de alta qualidade) comparando qualquer par das intervenções de interesse. Crie um diagrama de rede mostrando quais tratamentos foram comparados diretamente e quantos ensaios existem para cada comparação. Verifique se sua rede está conectada (todos os tratamentos ligados, direta ou indiretamente) e identifique pares de tratamentos com evidências escassas ou ausentes. Prepare um conjunto de dados com dados em nível de ensaio: identificadores de estudo, braços, tamanhos de amostra, eventos (para desfechos binários) ou médias/desvios padrão (para desfechos contínuos) e medidas de desfecho. Para análise da geometria da rede, avalie se a rede é simples (cada ensaio compara exatamente dois braços) ou complexa (ensaios com múltiplos braços presentes).
Ajuste um modelo de NMA — mais comumente um modelo hierárquico Bayesiano — que estima simultaneamente efeitos de tratamento diretos e indiretos e empresta força entre os caminhos de evidência. A ideia central é que todas as comparações de tratamento braço-a-braço são estimadas a partir de um conjunto compartilhado de efeitos de tratamento. Para desfechos binários, estime razões de chances logarítmicas; para contínuos, estime diferenças de médias. Realize a verificação de consistência comparando a estimativa da rede (combinando caminhos diretos e indiretos) com a estimativa apenas direta para cada par de tratamentos. Inconsistência pode sugerir heterogeneidade, modificação de efeito ou problemas de qualidade dos dados. Calcule SUCRA (Surface Under the Cumulative Ranking Curve) — uma classificação probabilística para cada tratamento de 0 a 100, indicando a posição no ranking de eficácia. Conduza análises de sensibilidade excluindo estudos pequenos/de alto risco, restringindo a populações específicas ou assumindo diferentes estruturas de heterogeneidade.
Relate tabelas de liga (matrizes mostrando comparações par a par) e gráficos de ranking (SUCRA médio com intervalos de credibilidade para cada tratamento). Interprete SUCRA com cautela: um tratamento com SUCRA alto é provavelmente o melhor, mas os intervalos de credibilidade em torno dos rankings quantificam a incerteza — intervalos sobrepostos significam que os tratamentos não podem ser claramente distinguidos. Se a consistência for violada (por exemplo, estimativas diretas e indiretas divergem significativamente), relate ambas e investigue as razões (efeitos de subgrupo, diferenças metodológicas, viés de estudos pequenos). Comunique que as estimativas de NMA são condicionais à transitividade: elas assumem que as características basais e os modificadores de efeito são balanceados em toda a rede. Destaque quais pares de tratamentos têm evidência direta versus dependem fortemente de inferência indireta. Para aplicação clínica, equilibre o ranking com tamanhos de efeito absolutos e perfis de efeitos colaterais.
Erros comuns
- Interpretação de SUCRA como probabilidade absoluta de superioridade em vez de ranking relativo dentro da rede do estudo. SUCRA 75% não significa 75% de chance de ser o melhor; reflete a posição no ranking, e a incerteza pode ser alta.
- Suposição de consistência sem teste. Sempre verifique a consistência explicitamente através de gráficos de consistência ou modelos que permitem parâmetros de inconsistência.
- Aplicação de NMA a redes com comparações muito esparsas (por exemplo, apenas um ensaio por aresta). As estimativas indiretas tornam-se não confiáveis; relate com a devida cautela.
- Ignorar evidências de subgrupo ou meta-regressão que sugerem que os efeitos do tratamento diferem entre populações. Se a consistência for violada, NMA estratificada pode ser necessária.
Perguntas frequentes
Qual é a diferença entre comparações diretas e indiretas?
Uma comparação direta vem de ensaios que randomizaram pacientes para o tratamento A e o tratamento B dentro do mesmo ensaio. Uma comparação indireta é inferida de uma rede: se A é comparado com C no Ensaio 1 e B é comparado com C no Ensaio 2, podemos comparar indiretamente A vs B através de seus efeitos em relação a C (o comparador comum). A NMA sintetiza ambos os tipos.
Qual é a suposição de consistência e o que acontece se ela for violada?
Consistência (transitividade) assume que o efeito relativo de A vs B é o mesmo, independentemente do caminho percorrido através da rede. Se A é melhor que C em ensaios com pacientes jovens, mas C é melhor que A em ensaios com pacientes idosos, a rede é inconsistente. Violações sugerem que as populações de pacientes ou os desenhos dos estudos diferem significativamente. Verifique a consistência usando gráficos de consistência ou ajustando um modelo com parâmetros de inconsistência. Se violada, investigue as causas e considere NMA estratificada ou por subgrupos.
Como interpreto SUCRA e um SUCRA alto significa que um tratamento é definitivamente o melhor?
SUCRA é a probabilidade cumulativa de ser o melhor, o segundo melhor, etc., em toda a distribuição a posteriori. SUCRA 90% significa que, em todas as amostras a posteriori, o tratamento ocupa a primeira posição cerca de 90% das vezes. No entanto, isso não significa que ele seja definitivamente o melhor na prática. Sempre inspecione os intervalos de credibilidade em torno das estimativas pontuais e dos rankings. Se dois tratamentos tiverem intervalos de credibilidade sobrepostos ou valores de SUCRA semelhantes, eles não são claramente diferentes. SUCRA é útil para classificação, mas deve ser combinado com a interpretação do tamanho do efeito absoluto.
Quando a NMA não é apropriada?
Evite NMA se (1) a rede estiver desconectada (alguns tratamentos não estão ligados, direta ou indiretamente), (2) a evidência sugerir violações fortes de consistência (por exemplo, populações de pacientes diferentes ou desenhos de estudo substancialmente diferentes), (3) a heterogeneidade for muito alta e não puder ser explicada (pode indicar uma suposição de consistência violada), ou (4) a rede for muito esparsa (apenas um ou dois ensaios por comparação) e, portanto, as estimativas indiretas forem altamente incertas.
Métodos relacionados
Fontes
Lumley, T. (2002). Network meta-analysis for indirect treatment comparisons. Statistics in Medicine, 21(16), 2313–2324.
Abrir referência DOICopiado.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.
Abrir referência DOICopiado.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.
Abrir referência DOICopiado.