Phương pháp tốt nhất để phân tích tổng hợp mạng là gì?


12

Hiện tại có một số cách tiếp cận khác nhau để thực hiện phân tích tổng hợp mạng hoặc so sánh điều trị hỗn hợp.

Những cái thường được sử dụng và dễ tiếp cận nhất có lẽ là như sau:

  • trong khuôn khổ Bayes :

    • phương pháp tương tác thiết kế bằng cách xử lý trong WinBUGS (ví dụ Jackson et al );
    • mô hình Bayes dựa trên cánh tay phân cấp trong WinBUGS (ví dụ Zhao et al );
    • Mô hình Bayes dựa trên phân cấp tương phản (tức là chia nút), với WinBUGS hoặc thông qua gemtcrjagstrong R (ví dụ Dias et al hoặc van Valkenhoef et al );
    • tích hợp xấp xỉ Laplace lồng nhau (INLA) trong WinBUGS (ví dụ Sauter et al );
  • trong khuôn khổ thường xuyên :

    • phân tích nhân tố của phương sai trong SAS (ví dụ Piepho );
    • phân tích tổng hợp mạng đa cấp trong SAS (ví dụ Greco et al );
    • hồi quy meta đa biến với mvmetatrong Stata hoặc R (ví dụ White et al );
    • phân tích tổng hợp mạng với lmenetmetatrong R (ví dụ Lumley , tuy chỉ giới hạn ở các thử nghiệm hai nhánh hoặc Rucker et al ).

Câu hỏi của tôi là, đơn giản là: chúng gần tương đương nhau hay có một cái nào thích hợp hơn trong hầu hết các trường hợp cho phân tích chính (do đó bảo lưu những cái khác cho các phụ trợ)?

CẬP NHẬT

Theo thời gian, đã có một số phân tích so sánh về các phương pháp phân tích tổng hợp mạng:

  1. Carlin BP, Hồng H, Shamliyan TA, Sainfort F, Kane RL. Nghiên cứu trường hợp so sánh phương pháp tiếp cận Bayes và thường xuyên đối với nhiều so sánh điều trị. Cơ quan Nghiên cứu Y tế và Chất lượng (Hoa Kỳ). 2013.

Câu trả lời:


1

Tôi nghĩ rằng, các phương pháp mô hình hóa và kỹ thuật ước lượng nên được xem một cách riêng biệt. Từ quan điểm mô hình hóa, mô hình Lumley chỉ hoạt động cho các thử nghiệm hai tay. Vì vậy, nó là không thích hợp. Theo hiểu biết của tôi, phương pháp phân chia nút, mà bạn liệt kê là Dias et al, rất trực quan. Ngoài ra, tôi nghĩ bạn nên thêm phương pháp tương tác theo thiết kế ( http://www.ncbi.nlm.nih.gov/pubmed/24777711 ). Từ quan điểm ước tính, tôi không biết nhiều về các kỹ thuật thường xuyên, nhưng người ta có thể sử dụng MCMC cho hầu hết tất cả các mô hình cho NMA. Cuối cùng, có một kỹ thuật khác (không được biết đến rộng rãi là không may) được gọi là INLA. Bạn có thể sử dụng INLA từ bên trong R và phù hợp với các mô hình NMA, nó nhanh hơn và không cần kiểm tra chẩn đoán hội tụ. Đây là bài báo http://www.ncbi.nlm.nih.gov/pubmed/26360927. Vì vậy, cuối cùng tôi thích cách chia nút và phương pháp tương tác thiết kế bằng cách xử lý bằng cách sử dụng INLA.


1
Bạn đang hỏi cái nào thích hợp hơn: Bayesian hay người thường xuyên. Nhưng chúng là hai mô hình khác nhau. Và điều này cũng vượt ra ngoài phân tích tổng hợp mạng, nó là một câu hỏi suy luận thống kê chung (hoặc thậm chí có thể là triết học). Vì vậy, tôi không nghĩ so sánh các cách tiếp cận Bayes và thường xuyên trong bối cảnh NMA hợp lý.
Burak

1
Cảm ơn quan điểm của bạn. Tất nhiên có nền tảng chính và sự khác biệt cơ bản, nhưng câu hỏi của tôi là rất thực tế. Nếu tôi phải giới thiệu một nhà nghiên cứu cơ sở, phương pháp nào là tốt nhất cho NMA, tôi nên chọn phương pháp nào? Điều này có thể có nghĩa là lựa chọn giữa cách tiếp cận Bayes và người thường xuyên, nhưng câu trả lời thậm chí có thể cụ thể hơn ...
Joe_74
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.