一种用于从多臂、多随访试验中识别干预措施有效特征的复杂元回归模型

网络元分析（NMA）结合来自多个试验的证据，以比较一组干预措施的有效性。在公共卫生研究中，干预措施通常是复杂的，由多个组分或特征构成。这使得定义一组共同的干预措施来进行分析变得困难。解决此问题的一种方法是组分网络元分析（CNMA），它使用元回归框架，将每种干预措施定义为组分的子集，这些组分的个体效应可加性组合。在本文中，我们受到一项关于预防儿童肥胖的复杂干预措施的系统综述的启发。由于试验之间存在相当大的异质性，这些干预措施不能被表示为组分的子集，而是根据一个特征框架进行编码。为了分析这些数据，我们开发了一个受 CNMA 启发的定制模型，使我们能够识别干预措施最重要的特征。我们定义了一个在三个层面上具有协变量的元回归模型：干预、研究和随访时间，以及灵活的交互项。通过对有对照组和无对照组的试验指定不同的回归结构，我们放宽了先前 CNMA 模型中关于对照组是干预组分缺失状态的假设。此外，我们推导了一个相关结构，以解释具有多个干预臂和多个随访时间的试验。尽管我们的模型是针对肥胖数据集的特殊性而开发的，但它具有更广泛的适用性，可用于任何能根据一组共享特征进行编码的复杂干预措施集合。