Сетевой метаанализ
- Автор метода
- Lumley (2002)
- Год
- 2002
- Тип
- Method
- Семейство
- Advanced Meta-Analysis
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Сетевой метаанализ (NMA) — это систематический метод одновременного сравнения множества вмешательств в рамках единой аналитической структуры, объединяющий как прямые доказательства (исследования «лицом к лицу»), так и косвенные доказательства (сравнения через общих компараторов).
Впервые формализованный Ламли в 2002 году, NMA позволяет исследователям ранжировать методы лечения и количественно оценивать сравнительную эффективность, даже если некоторые пары методов лечения никогда не изучались напрямую.
Интуиция метода
Традиционный парный метаанализ сравнивает лечение А против В, используя только исследования, которые напрямую тестировали это сравнение. Однако, если существует множество вмешательств, но мало прямых сравнений, исследователи не могут ранжировать все варианты. NMA решает эту проблему, создавая «сеть» доказательств — если существуют исследования А против В и В против С, NMA может синтезировать косвенное сравнение А против С через В, при условии соблюдения предположения о согласованности (транзитивности). Это ранжирует все методы лечения по единой шкале и определяет, какой из них, вероятно, является наиболее эффективным, переносимым или экономически эффективным.
История
Сетевой метаанализ возник в начале 2000-х годов, когда байесовские методы и вычислительная мощность сделали возможным одновременное моделирование множественных сравнений лечения. Публикация Ламли 2002 года формализовала байесовский подход и представила структуру согласованности. Caldwell et al. (2005) и позже Dias & Ades усовершенствовали методы оценки несогласованности. Кокрейновское сотрудничество приняло методы NMA и теперь ежегодно публикует множество обзоров Cochrane NMA. Разработка программного обеспечения (BUGS, WinBUGS, JAGS, Stan) и пакетов R (netmeta, gemtc, BUGSnet) сделала NMA доступным за пределами специалистов-статистиков. Живой NMA (постоянно обновляемый по мере публикации новых исследований) является развивающейся областью.
Когда применять
Используйте NMA, когда (1) существует несколько вмешательств для одного и того же состояния, (2) исследователи и клиницисты должны ранжировать или выбирать между ними, (3) прямые исследования «лицом к лицу» редки или отсутствуют для некоторых сравнений, (4) существует связанная сеть (методы лечения связаны прямо или косвенно) и (5) вы можете оценить и обосновать предположение о согласованности. Распространенные области применения включают сравнение лекарств (антидепрессанты, антигипертензивные средства), хирургических методов, реабилитационных вмешательств и профилактических стратегий. NMA особенно ценен в оценке медицинских технологий (HTA) для принятия решений о возмещении расходов по нескольким вариантам.
Ограничения и замечания
- Требует сильного предположения о согласованности (транзитивности): что эффекты лечения сопоставимы в различных популяциях исследований и контекстах. Нарушение делает ранжирование недействительным.
- Результаты зависят от базы доказательств; редкие сети или несвязанные подграфы снижают точность и могут привести к ненадежным косвенным оценкам.
- Вычислительная сложность увеличивается с размером сети, а байесовский NMA требует тщательного определения априорных распределений, которые могут влиять на результаты.
- Предполагает, что все доступные исследования идентифицированы; пропущенные исследования (особенно отрицательные) могут исказить результаты из-за эффектов малых исследований.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Позволяет ранжировать все методы лечения по единой шкале эффективности, даже при отсутствии прямых доказательств из исследований для некоторых пар.
- Увеличивает статистическую мощность за счет заимствования силы из косвенных сравнений, улучшая точность оценок.
- Обеспечивает комплексный синтез доказательств для разработки руководств и политики, снижая зависимость от произвольных или неполных парных метаанализов.
- Выявляет сетевые несогласованности, которые могут сигнализировать о гетерогенности, смещении дизайна исследования или неизмеренных модификаторах эффекта.
- Естественным образом интегрирует многогрупповые исследования, устраняя необходимость произвольного разбиения исследований на отдельные парные сравнения.
Применение
- Сравнение нескольких антидепрессантов, антипсихотиков или других классов лекарств для ранжирования эффективности и переносимости при разработке руководств.
- Оценка хирургических методов (например, различных подходов к восстановлению коленных связок), где исследования «лицом к лицу» редки.
- Оценка медицинских технологий (HTA): ранжирование новых онкологических препаратов, иммунотерапий или вмешательств для принятия решений о возмещении расходов.
- Поведенческие вмешательства: сравнение модальностей психотерапии, программ снижения веса или инструментов цифрового здравоохранения, где многогрупповые исследования ограничены.
- Реабилитация и физиотерапия: ранжирование упражнений или устройств для восстановления после инсульта, хронической боли или спортивных травм.
Как это работает
Как это работает
Начните с проведения стандартного систематического обзора рандомизированных контролируемых исследований (или других высококачественных дизайнов), сравнивающих любые пары интересующих вмешательств. Создайте сетевую диаграмму, показывающую, какие методы лечения были напрямую сравнены и сколько исследований существует для каждого сравнения. Проверьте, является ли ваша сеть связанной (все методы лечения связаны, прямо или косвенно) и определите пары методов лечения с недостаточными или отсутствующими доказательствами. Подготовьте набор данных с данными на уровне исследования: идентификаторы исследования, группы, размеры выборки, события (для бинарных исходов) или средние значения/стандартные отклонения (для непрерывных исходов) и измерения исходов. Для анализа геометрии сети оцените, является ли сеть простой (каждое исследование сравнивает ровно две группы) или сложной (присутствуют многогрупповые исследования).
Постройте модель NMA — наиболее распространенную байесовскую иерархическую модель — которая одновременно оценивает прямые и косвенные эффекты лечения и заимствует силу из путей доказательств. Основная идея заключается в том, что все сравнения лечения между группами оцениваются на основе общего набора эффектов лечения. Для бинарных исходов оцениваются логарифмы отношений шансов; для непрерывных — разности средних. Выполните проверку согласованности, сравнивая сетевую оценку (объединяющую прямые и косвенные пути) с оценкой только прямых данных для каждой пары методов лечения. Несогласованность может указывать на гетерогенность, модификацию эффекта или проблемы с качеством данных. Рассчитайте SUCRA (площадь под кумулятивной кривой ранжирования) — вероятностный ранг для каждого метода лечения от 0 до 100, указывающий позицию в рейтинге эффективности. Проведите анализ чувствительности, исключая малые исследования/исследования с высоким риском, ограничивая определенные популяции или предполагая различные структуры гетерогенности.
Представьте таблицы лиг (матрицы, показывающие парные сравнения) и графики ранжирования (среднее SUCRA с доверительными интервалами для каждого метода лечения). Интерпретируйте SUCRA с осторожностью: метод лечения с высоким SUCRA, вероятно, является лучшим, но доверительные интервалы вокруг рангов количественно оценивают неопределенность — перекрывающиеся интервалы означают, что методы лечения нельзя четко различить. Если согласованность нарушена (например, прямые и косвенные оценки существенно расходятся), представьте обе и исследуйте причины (эффекты подгрупп, методологические различия, смещение из-за малых исследований). Сообщите, что оценки NMA являются условными по отношению к транзитивности: они предполагают, что базовые характеристики и модификаторы эффекта сбалансированы в сети. Выделите, какие пары методов лечения имеют прямые доказательства по сравнению с теми, которые в значительной степени полагаются на косвенные выводы. Для клинического применения сопоставьте ранг с абсолютными размерами эффектов и профилями побочных эффектов.
Частые ошибки
- Интерпретация SUCRA как абсолютной вероятности превосходства, а не относительного ранга в сетевом исследовании. SUCRA 75% не означает 75% шанс быть лучшим; это отражает позицию в рейтинге, и неопределенность может быть высокой.
- Предположение о согласованности без проверки. Всегда явно проверяйте согласованность с помощью графиков согласованности или моделей, допускающих параметры несогласованности.
- Применение NMA к сетям с очень редкими сравнениями (например, только одно исследование на ребро). Косвенные оценки становятся ненадежными; представляйте с соответствующей осторожностью.
- Игнорирование доказательств из подгрупп или метарегрессии, которые предполагают, что эффекты лечения различаются в разных популяциях. Если согласованность нарушена, может потребоваться стратифицированный NMA.
Часто задаваемые вопросы
В чем разница между прямыми и косвенными сравнениями?
Прямое сравнение исходит из исследований, которые рандомизировали пациентов как к лечению А, так и к лечению В в рамках одного исследования. Косвенное сравнение выводится из сети: если А сравнивается с С в исследовании 1, а В сравнивается с С в исследовании 2, мы можем косвенно сравнить А против В через их эффекты относительно С (общего компаратора). NMA объединяет оба типа.
Что такое предположение о согласованности и что происходит, если оно нарушено?
Согласованность (транзитивность) предполагает, что относительный эффект А против В одинаков независимо от того, какой путь вы проходите через сеть. Если А лучше С в исследованиях с молодыми пациентами, но С лучше А в исследованиях с пожилыми пациентами, сеть несогласована. Нарушения указывают на то, что популяции пациентов или дизайны исследований существенно различаются. Проверяйте согласованность с помощью графиков согласованности или путем построения модели с параметрами несогласованности. Если нарушено, исследуйте причины и рассмотрите стратифицированный NMA или NMA по подгруппам.
Как интерпретировать SUCRA, и означает ли высокий SUCRA, что метод лечения определенно лучший?
SUCRA — это кумулятивная вероятность быть лучшим, вторым и т. д. по всей апостериорной выборке. SUCRA 90% означает, что по всем апостериорным выборкам метод лечения занимает первое место примерно в 90% случаев. Однако это не означает, что он определенно лучший на практике. Всегда проверяйте доверительные интервалы вокруг точечных оценок и рангов. Если два метода лечения имеют перекрывающиеся доверительные интервалы или схожие значения SUCRA, они не являются четко различимыми. SUCRA полезен для ранжирования, но должен использоваться в сочетании с интерпретацией абсолютного размера эффекта.
Когда NMA не подходит?
Избегайте NMA, если (1) сеть несвязана (некоторые методы лечения не связаны, прямо или косвенно), (2) доказательства указывают на сильные нарушения согласованности (например, разные популяции пациентов или существенно разные дизайны исследований), (3) гетерогенность очень высока и не может быть объяснена (может указывать на нарушенное предположение о согласованности) или (4) сеть очень редкая (только одно или два исследования на сравнение), и, следовательно, косвенные оценки крайне неопределенны.
Похожие методы
Источники
Lumley, T. (2002). Network meta-analysis for indirect treatment comparisons. Statistics in Medicine, 21(16), 2313–2324.
Открыть ссылку DOIСкопировано.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.
Открыть ссылку DOIСкопировано.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.
Открыть ссылку DOIСкопировано.