它有什么作用?
网络荟萃分析(NMA)是一种系统性的方法,用于在单一分析框架内同时比较多种干预措施,整合了直接证据(头对头试验)和间接证据(通过共同比较对象的比较)。NMA由Lumley于2002年首次正式提出,它允许研究人员对治疗方案进行排序,并量化比较效果,即使某些治疗方案对尚未直接研究过。
方法背后的直觉
传统的配对荟萃分析仅使用直接比较A与B的试验来比较这两种治疗。然而,如果存在许多干预措施但直接比较很少,研究人员就无法对所有选项进行排序。NMA通过创建一个证据“网络”来解决这个问题——如果存在A与B以及B与C的试验,NMA就可以通过B推断出A与C的间接比较,前提是存在一致性(可传递性)假设。这将在单一尺度上对所有治疗方案进行排序,并确定哪种最有效、最可耐受或最具成本效益。
历史学
网络荟萃分析出现在21世纪初,当时贝叶斯方法和计算能力使得同时建模多个治疗比较成为可能。Lumley于2002年发表的论文正式提出了贝叶斯方法并引入了一致性框架。Caldwell等人(2005年)以及后来的Dias & Ades改进了评估不一致性的方法。Cochrane协作组织采纳了NMA方法,现在每年发布多篇Cochrane NMA综述。软件开发(BUGS、WinBUGS、JAGS、Stan)和R包(netmeta、gemtc、BUGSnet)使得NMA不仅限于统计学专家。
何时使用
当(1)存在多种针对同一病症的干预措施,(2)研究人员和临床医生需要对其进行排序或选择,(3)某些比较缺乏直接的头对头试验,(4)存在连通的网络(治疗方案直接或间接连接),以及(5)您可以评估并证明一致性假设的合理性时,使用NMA。常见应用包括药物比较(抗抑郁药、降压药)、手术技术、康复干预和预防策略。NMA在卫生技术评估(HTA)中特别有价值,可为多种选择提供报销决策依据。
局限与注意事项
- 需要严格的一致性(可传递性)假设:治疗效果在不同试验人群和环境中是可比较的。违反此假设将使排序无效。
- 结果取决于证据基础;稀疏的网络或不连通的子图会降低精度,并可能导致不可靠的间接估计。
- 随着网络规模的增加,计算复杂度也会增加,并且贝叶斯NMA需要仔细指定先验分布,这可能会影响结果。
- 假设所有可用试验都已识别;缺失的研究(尤其是阴性研究)可能通过小型研究效应产生偏倚。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 能够在单一疗效尺度上对所有治疗方案进行排序,即使某些配对缺乏直接的试验证据。
- 通过整合间接比较来增加统计功效,提高估计值的精度。
- 为指南和政策制定提供全面的证据综合,减少对任意或不完整的配对荟萃分析的依赖。
- 识别可能预示异质性、研究设计偏倚或未测量效应修饰因素的网络不一致性。
- 自然地整合多分组试验,无需将试验任意分解为单独的配对比较。
应用
- 比较多种抗抑郁药、抗精神病药或其他药物类别,以制定指南的疗效和耐受性排序。
- 评估手术技术(例如,不同膝韧带修复方法),因为头对头试验很少。
- 卫生技术评估(HTA):对新型肿瘤药物、免疫疗法或干预措施进行排序,以决定报销。
- 行为干预:比较心理疗法模式、减肥计划或数字健康工具,这些通常试验分组有限。
- 康复和物理治疗:对中风恢复、慢性疼痛或运动损伤的锻炼方案或设备进行排序。
使用方式
使用方式
首先,对比较了感兴趣的任何干预措施对的随机对照试验(或其他高质量设计)进行标准的系统评价。创建一个网络图,显示哪些治疗方案被直接比较过,以及每次比较有多少试验。检查网络是否连通(所有治疗方案都直接或间接连接),并识别证据稀疏或缺失的治疗方案对。准备一个包含试验级别数据的数据库:研究标识符、分组、样本量、事件(二元结局)或均值/标准差(连续结局),以及结局测量值。对于网络几何分析,评估网络是简单的(每个试验恰好比较两个分组)还是复杂的(存在多分组试验)。
拟合一个NMA模型——最常见的是贝叶斯分层模型——该模型同时估计直接和间接的治疗效果,并跨越证据路径进行信息整合。核心思想是,所有分组间的治疗比较都来自一组共同的治疗效果估计。对于二元结局,估计对数优势比;对于连续结局,估计均值差。通过比较每个治疗方案对的网络估计值(整合直接和间接路径)与仅直接估计值来执行一致性检查。不一致可能表明异质性、效应修饰或数据质量问题。计算SUCRA(累积排序曲线下面积)——每个治疗方案的基于概率的排序值,从0到100,表示其在疗效排序中的位置。通过排除小型/高风险研究、限制于特定人群或假设不同的异质性结构来进行敏感性分析。
报告联盟表(显示配对比较的矩阵)和排序图(每个治疗方案的平均SUCRA及其可信区间)。谨慎解释SUCRA:具有高SUCRA的治疗方案很可能是最好的,但排序周围的可信区间量化了不确定性——重叠的区间意味着治疗方案无法明确区分。如果一致性被违反(例如,直接和间接估计值有明显差异),则报告两者并调查原因(亚组效应、方法学差异、小型研究偏倚)。沟通NMA估计值是基于可传递性假设的:它们假设基线特征和效应修饰因素在整个网络中是平衡的。强调哪些治疗方案对有直接证据,哪些严重依赖间接推断。对于临床应用,要平衡排序与绝对效应大小和副作用谱。
常见陷阱
- 将SUCRA解释为优越性的绝对概率,而不是研究网络内的相对排序。SUCRA为75%并不意味着有75%的可能性是最好的;它反映了排序位置,不确定性可能很高。
- 在未进行检验的情况下假设一致性。务必通过一致性图或允许不一致参数的模型明确检查一致性。
- 将NMA应用于具有非常稀疏比较的网络(例如,每个边缘只有一个试验)。间接估计变得不可靠;应谨慎报告。
- 忽略表明治疗效果因人群而异的亚组或荟萃回归证据。如果一致性被违反,可能需要分层NMA。
常见问题
直接比较与间接比较的区别是什么?
直接比较来自在同一试验中将患者随机分配给治疗A和治疗B的试验。间接比较是从网络中推断出来的:如果A在试验1中与C进行比较,B在试验2中与C进行比较,我们可以通过A与B相对于C(共同比较对象)的效应来间接比较A与B。NMA整合了这两种类型。
什么是一致性假设,如果违反会怎样?
一致性(可传递性)假设A与B的相对效应无论通过网络的哪个路径都是相同的。如果A在年轻患者的试验中优于C,但在老年患者的试验中C优于A,则网络不一致。违反表明患者人群或研究设计存在显著差异。使用一致性图或通过拟合具有不一致参数的模型来检查一致性。如果违反,则调查原因并考虑分层或亚组NMA。
如何解释SUCRA,高SUCRA是否意味着治疗方案肯定最好?
SUCRA是跨后验分布的成为最好、第二好等的累积概率。SUCRA为90%意味着,在后验样本中,该治疗方案约有90%的时间排名第一。然而,这并不意味着它在实践中肯定最好。务必检查点估计和排序周围的可信区间。如果两个治疗方案的可信区间重叠或SUCRA值相似,则它们没有明显区别。SUCRA有助于排序,但必须与绝对效应大小的解释相结合。
何时不适合使用NMA?
如果(1)网络不连通(某些治疗方案未直接或间接连接),(2)证据表明一致性严重违反(例如,不同的患者人群或实质上不同的研究设计),(3)异质性非常高且无法解释(可能表明一致性假设被违反),或(4)网络非常稀疏(每个比较只有一个或两个试验),因此间接估计非常不确定,则应避免使用NMA。
相关方法
参考文献
Lumley, T. (2002). Network meta-analysis for indirect treatment comparisons. Statistics in Medicine, 21(16), 2313–2324.
打开 DOI 文献已复制。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.
打开 DOI 文献已复制。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.
打开 DOI 文献已复制。