İçeriğe atla
Arama sonuçlarına dön

Ağ Meta-Analizi

Ortaya koyan
Lumley (2002)
Yıl
2002
Tür
Method
Aile
Advanced Meta-Analysis

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Ağ meta-analizi (AMA), hem doğrudan kanıtları (karşılıklı denemeler) hem de dolaylı kanıtları (ortak karşılaştırıcılar aracılığıyla yapılan karşılaştırmalar) içeren tek bir analitik çerçevede birden çok müdahalenin eş zamanlı olarak karşılaştırılması için sistematik bir yöntemdir.

İlk olarak Lumley tarafından 2002'de biçimlendirilen AMA, araştırmacıların bazı tedavi çiftlerinin hiç doğrudan çalışılmadığı durumlarda bile tedavileri sıralamasına ve karşılaştırmalı etkinliği ölçmesine olanak tanır.

Yöntemin mantığı

Geleneksel ikili meta-analiz, yalnızca bu karşılaştırmayı doğrudan test eden denemeleri kullanarak A tedavisi ile B tedavisi arasında karşılaştırma yapar. Ancak, birçok müdahale varsa ancak az sayıda doğrudan karşılaştırma varsa, araştırmacılar tüm seçenekleri sıralayamaz. AMA, bir kanıt 'ağı' oluşturarak bu sorunu çözer—A vs B ve B vs C için denemeler varsa, tutarlılık (geçişlilik) varsayımı geçerliyse, AMA B aracılığıyla A vs C'nin dolaylı bir karşılaştırmasını sentezleyebilir. Bu, tüm tedavileri tek bir ölçekte sıralar ve hangisinin muhtemelen en etkili, tolere edilebilir veya maliyet-etkin olduğunu belirler.

Tarih

AMA, Bayes yöntemleri ve hesaplama gücünün birden çok tedavi karşılaştırmasının eş zamanlı modellemesini mümkün kılmasıyla 2000'lerin başlarında ortaya çıktı. Lumley'nin 2002 tarihli yayını Bayes yaklaşımını biçimlendirdi ve tutarlılık çerçevesini tanıttı. Caldwell ve ark. (2005) ve daha sonra Dias & Ades tutarsızlığı değerlendirme yöntemlerini geliştirdi. Cochrane İşbirliği AMA yöntemlerini benimsedi ve şimdi her yıl birden fazla Cochrane AMA incelemesi yayınlamaktadır. Yazılım geliştirme (BUGS, WinBUGS, JAGS, Stan) ve R paketleri (netmeta, gemtc, BUGSnet), AMA'yı uzman istatistikçilerin ötesinde erişilebilir hale getirdi. Yaşayan AMA (yeni denemeler yayınlandıkça sürekli güncellenen), gelişmekte olan bir sınırdır.

Ne zaman kullanılır?

AMA'yı şu durumlarda kullanın: (1) aynı durum için birden çok müdahale mevcutsa, (2) araştırmacılar ve klinisyenler bunları sıralamaya veya aralarından seçim yapmaya ihtiyaç duyuyorsa, (3) bazı karşılaştırmalar için doğrudan baş-başa denemeler seyrek veya yoksa, (4) bağlı bir ağ mevcutsa (tedaviler doğrudan veya dolaylı olarak bağlantılıysa) ve (5) tutarlılık varsayımını değerlendirip gerekçelendirebiliyorsanız. Yaygın uygulamalar ilaç karşılaştırmalarını (antidepresanlar, antihipertansifler), cerrahi teknikleri, rehabilitasyon müdahalelerini ve önleyici stratejileri içerir. AMA, sağlık teknolojisi değerlendirmesinde (HTA) birden çok seçenek arasında geri ödeme kararlarını bilgilendirmek için özellikle değerlidir.

Sınırlar ve dikkat edilmesi gerekenler

  • Güçlü bir tutarlılık (geçişlilik) varsayımı gerektirir: tedavi etkilerinin farklı deneme popülasyonları ve bağlamlar boyunca karşılaştırılabilir olduğu varsayılır. İhlali sıralamaları geçersiz kılar.
  • Sonuçlar kanıt tabanına bağlıdır; seyrek ağlar veya bağlantısız alt grafikler kesinliği azaltır ve güvenilmez dolaylı tahminlere yol açabilir.
  • Ağ boyutu arttıkça hesaplama karmaşıklığı artar ve Bayes AMA'nın önsel dağılımların dikkatli bir şekilde belirtilmesini gerektirmesi, sonuçları etkileyebilir.
  • Mevcut tüm denemelerin belirlendiğini varsayar; eksik çalışmalar (özellikle olumsuz olanlar) küçük çalışma etkileri yoluyla yanlılığa neden olabilir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Doğrudan kanıt olmasa bile tüm tedavileri tek bir etkinlik ölçeğinde sıralamaya olanak tanır.
  • Dolaylı karşılaştırmalardan güç aktararak istatistiksel gücü artırır, tahminlerin kesinliğini iyileştirir.
  • Kılavuz ve politika geliştirme için kapsamlı bir kanıt sentezi sağlar, keyfi veya eksik ikili meta-analizlere olan bağımlılığı azaltır.
  • Heterojenlik, çalışma tasarımı yanlılığı veya ölçülmemiş etki değiştiricileri işaret edebilecek ağ tutarsızlıklarını belirler.
  • Çok kollu denemeleri doğal olarak entegre eder, denemeleri keyfi olarak ayrı ikili karşılaştırmalara ayırma ihtiyacını ortadan kaldırır.

Uygulama alanları

  • Kılavuz geliştirme için etkinlik ve tolerabilitelerini sıralamak üzere birden çok antidepresan, antipsikotik veya diğer ilaç sınıflarını karşılaştırmak.
  • Baş-başa denemelerin nadir olduğu cerrahi teknikleri (örneğin, farklı diz bağ onarım yaklaşımları) değerlendirmek.
  • Sağlık teknolojisi değerlendirmesi (HTA): geri ödeme kararları için yeni onkoloji ilaçlarını, immünoterapileri veya müdahaleleri sıralamak.
  • Davranışsal müdahaleler: çok kollu denemelerin sınırlı olduğu psikoterapi modalitelerini, kilo verme programlarını veya dijital sağlık araçlarını karşılaştırmak.
  • Rehabilitasyon ve fizik tedavi: inme iyileşmesi, kronik ağrı veya spor yaralanmaları için egzersiz protokollerini veya cihazlarını sıralamak.

Nasıl çalışır?

Nasıl çalışır?

1

İlgi duyulan müdahalelerin herhangi bir çiftini karşılaştıran randomize kontrollü denemelerin (veya diğer yüksek kaliteli tasarımların) standart bir sistematik incelemesini yaparak başlayın. Hangi tedavilerin doğrudan karşılaştırıldığını ve her karşılaştırma için kaç deneme olduğunu gösteren bir ağ diyagramı oluşturun. Ağınızın bağlı olup olmadığını (tüm tedavilerin doğrudan veya dolaylı olarak birbirine bağlı olup olmadığını) kontrol edin ve seyrek veya eksik kanıtı olan tedavi çiftlerini belirleyin. Deneme düzeyinde verilerle bir veri kümesi hazırlayın: çalışma tanımlayıcıları, kolları, örneklem büyüklükleri, olaylar (ikili sonuçlar için) veya ortalamalar/standart sapmalar (sürekli sonuçlar için) ve sonuç ölçümleri. Ağ geometrisi analizi için, ağın basit mi (her deneme tam olarak iki kolu karşılaştırır) yoksa karmaşık mı (çok kollu denemeler mevcut) olduğunu değerlendirin.

2

Doğrudan ve dolaylı tedavi etkilerini eş zamanlı olarak tahmin eden ve kanıt yolları boyunca güç aktaran bir AMA modeli—en yaygın olarak Bayes hiyerarşik modeli—uygulayın. Temel fikir, tüm kol-kol tedavi karşılaştırmalarının paylaşılan bir tedavi etkileri kümesinden tahmin edilmesidir. İkili sonuçlar için log-oran oranlarını; sürekli sonuçlar için ortalama farkları tahmin edin. Her tedavi çifti için ağ tahminini (doğrudan ve dolaylı yolları birleştirerek) yalnızca doğrudan tahminle karşılaştırarak tutarlılık kontrolü yapın. Tutarsızlık, heterojenlik, etki değiştirme veya veri kalitesi sorunlarını gösterebilir. SUCRA'yı (Sıralama Eğrisi Altındaki Yüzey) hesaplayın—her tedavi için 0 ile 100 arasında olasılık tabanlı bir sıra, etkinlik sıralamasındaki konumu gösterir. Küçük/yüksek riskli çalışmaları hariç tutarak, belirli popülasyonlarla sınırlayarak veya farklı heterojenlik yapıları varsayarak duyarlılık analizleri yapın.

3

Lig tablolarını (ikili karşılaştırmaları gösteren matrisler) ve sıralama grafiklerini (her tedavi için ortalama SUCRA ve güvenilir aralıklar) raporlayın. SUCRA'yı dikkatli yorumlayın: yüksek SUCRA'ya sahip bir tedavi muhtemelen en iyisidir, ancak sıralar etrafındaki güvenilir aralıklar belirsizliği ölçer—kesişen aralıklar tedavilerin net bir şekilde ayırt edilemeyeceği anlamına gelir. Tutarlılık ihlal edilirse (örneğin, doğrudan ve dolaylı tahminler anlamlı şekilde farklıysa), her ikisini de raporlayın ve nedenlerini araştırın (alt grup etkileri, metodolojik farklılıklar, küçük çalışma yanlılığı). AMA tahminlerinin geçişliliğe koşullu olduğunu vurgulayın: temel özelliklerin ve etki değiştiricilerin ağ boyunca dengelendiğini varsayarlar. Hangi tedavi çiftlerinin doğrudan kanıta sahip olduğunu vs. dolaylı çıkarımlara büyük ölçüde dayandığını vurgulayın. Klinik uygulama için, sıralamayı mutlak etki büyüklükleri ve yan etki profilleriyle dengeleyin.

Sık yapılan hatalar

  • SUCRA'yı mutlak üstünlük olasılığı olarak yorumlamak yerine çalışma ağı içindeki göreceli sıra olarak yorumlamak. SUCRA %75, en iyi olma ihtimalinin %75 olduğu anlamına gelmez; sıralama konumunu yansıtır ve belirsizlik yüksek olabilir.
  • Tutarlılığı test etmeden varsaymak. Tutarlılık grafiklerini veya tutarsızlık parametrelerine izin veren modelleri kullanarak tutarlılığı her zaman açıkça kontrol edin.
  • Çok seyrek karşılaştırmalara sahip ağlara AMA uygulamak (örneğin, kenar başına yalnızca bir deneme). Dolaylı tahminler güvenilmez hale gelir; uygun dikkatle raporlayın.
  • Popülasyonlar arasında tedavi etkilerinin farklılaştığını gösteren alt grup veya meta-regresyon kanıtlarını göz ardı etmek. Tutarlılık ihlal edilirse, tabakalı AMA gerekebilir.

Sık sorulan sorular

Doğrudan ve dolaylı karşılaştırmalar arasındaki fark nedir?

Doğrudan bir karşılaştırma, hastaları aynı denemede hem A tedavisine hem de B tedavisine rastgele atayan denemelerden gelir. Dolaylı bir karşılaştırma bir ağdan çıkarılır: Eğer A, Deneme 1'de C ile karşılaştırılırsa ve B, Deneme 2'de C ile karşılaştırılırsa, A vs B'yi C'ye (ortak karşılaştırıcı) göre etkileri aracılığıyla dolaylı olarak karşılaştırabiliriz. AMA her iki türü de sentezler.

Tutarlılık varsayımı nedir ve ihlal edilirse ne olur?

Tutarlılık (geçişlilik), A vs B'nin göreceli etkisinin, ağ boyunca hangi yoldan gidilirse gidilsin aynı olduğunu varsayar. Eğer A, genç hastalarda denemelerde C'den iyiyse ancak C, yaşlı hastalarda denemelerde A'dan iyiyse, ağ tutarsızdır. İhlaller, hasta popülasyonlarının veya çalışma tasarımlarının anlamlı derecede farklı olduğunu gösterir. Tutarlılık grafiklerini kullanarak veya tutarsızlık parametrelerine sahip bir model uygulayarak tutarlılığı kontrol edin. İhlal edilirse, nedenleri araştırın ve tabakalı veya alt grup AMA'yı düşünün.

SUCRA nasıl yorumlanır ve yüksek bir SUCRA bir tedavinin kesinlikle en iyi olduğu anlamına mı gelir?

SUCRA, sonsal dağılım boyunca en iyi, ikinci en iyi vb. olma kümülatif olasılığıdır. SUCRA %90, sonsal örnekler boyunca tedavinin yaklaşık %90 zaman en iyi sırada yer aldığı anlamına gelir. Ancak bu, pratikte kesinlikle en iyi olduğu anlamına gelmez. Her zaman nokta tahminleri ve sıralar etrafındaki güvenilir aralıkları inceleyin. İki tedavinin kesişen güvenilir aralıkları veya benzer SUCRA değerleri varsa, net bir şekilde farklı değillerdir. SUCRA sıralama için kullanışlıdır ancak mutlak etki büyüklüğü yorumuyla eşleştirilmelidir.

AMA ne zaman uygun değildir?

AMA'dan şu durumlarda kaçının: (1) ağ bağlantısızsa (bazı tedaviler doğrudan veya dolaylı olarak bağlantılı değilse), (2) kanıtlar güçlü tutarlılık ihlallerini gösteriyorsa (örneğin, farklı hasta popülasyonları veya önemli ölçüde farklı çalışma tasarımları), (3) heterojenlik çok yüksekse ve açıklanamıyorsa (ihlal edilmiş bir tutarlılık varsayımını gösterebilir) veya (4) ağ çok seyrekse (kenar başına yalnızca bir veya iki deneme) ve bu nedenle dolaylı tahminler oldukça belirsizse.

İlgili yöntemler

Kaynaklar

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

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.