Apa metode terbaik untuk meta-analisis jaringan?

Sekarang ada beberapa pendekatan berbeda untuk melakukan meta-analisis jaringan atau perbandingan pengobatan campuran.

Yang paling umum digunakan dan dapat diakses mungkin adalah sebagai berikut:

• dalam kerangka Bayesian :

  • pendekatan interaksi desain-dengan-pengobatan di WinBUGS (misalnya Jackson et al );
  • pemodelan Bayesian berbasis lengan hirarkis di WinBUGS (misalnya Zhao et al );
  • pemodelan Bayesian berbasis kontras hierarkis (yaitu pemisah-simpul), baik dengan WinBUGS atau melalui gemtcdan rjagsdalam R (misalnya Dias dkk atau van Valkenhoef dkk );
  • pendekatan nested Laplace terintegrasi (INLA) di WinBUGS (misalnya Sauter et al );

• dalam kerangka kerja frequentist :

  • analisis faktor-varians dalam SAS (misalnya Piepho );
  • meta-analisis jaringan bertingkat di SAS (misalnya Greco et al );
  • meta-regresi multivariat dengan mvmetadi Stata atau R (misalnya White et al );
  • meta-analisis jaringan dengan lmedan netmetadalam R (misalnya Lumley , yang bagaimanapun terbatas pada uji coba dua-lengan, atau Rucker et al ).

Pertanyaan saya adalah, sederhana: apakah mereka kira-kira setara atau ada satu yang lebih disukai dalam kebanyakan kasus untuk analisis primer (sehingga cadangan yang lain untuk yang tambahan)?

MEMPERBARUI

Seiring waktu, ada beberapa analisis komparatif pada metode meta-analisis jaringan:

1. Carlin BP, Hong H, TA Shamliyan, Sainfort F, Kane RL. Studi Kasus Membandingkan Pendekatan Bayesian dan Frequentist untuk Beberapa Perbandingan Pengobatan. Badan Penelitian dan Kualitas Kesehatan (AS). 2013

Saya pikir, pendekatan pemodelan dan teknik estimasi harus dilihat secara terpisah. Dari sudut pandang pemodelan, model Lumley hanya berfungsi untuk uji coba dua lengan saja. Jadi itu tidak disukai. Untuk pemahaman saya, pendekatan pemisahan simpul, yang Anda daftarkan sebagai Dias et al, sangat intuitif. Juga, saya pikir Anda harus menambahkan pendekatan interaksi desain-oleh-pengobatan ( http://www.ncbi.nlm.nih.gov/pubmed/24777711 ). Dari sudut pandang estimasi, saya tidak tahu banyak tentang teknik frequentist, tetapi orang dapat menggunakan MCMC untuk hampir semua model untuk NMA. Terakhir, ada teknik yang berbeda (yang sayangnya tidak banyak diketahui) yang disebut INLA. Anda dapat menggunakan INLA dari dalam R dan menggunakan model NMA, lebih cepat dan tidak perlu memeriksa diagnostik konvergensi. Berikut ini makalahnya http://www.ncbi.nlm.nih.gov/pubmed/26360927. Jadi, pada akhirnya saya akan lebih memilih node-splitting dan pendekatan interaksi desain-dengan-pengobatan menggunakan INLA.