平凡之下隐藏的偏差：网络元分析中的非折叠性偏差

网络元分析（NMA）广泛用于通过综合直接证据和间接证据来同时比较多个干预措施。一般固定或随机效应对比-based NMA模型可通过选择根据可用数据采用的arm-based或contrast-based似然函数应用于不同结果和数据结构。根据结果和链接函数，我们估计可折叠或不可折叠的效应 measures。使用涉及二元结果和不可折叠比值 odds 的示例，我们演示了标准NMA模型产生的不可折叠效应 measures 的估计值在研究进入证据库的种群为异质人群（不同风险组的混合物）且跨研究存在差异时，会向原值趋近。这一点即使存在effect-modifier跨研究的差异也如此；当研究在effect-modifier分布上不存在差异时，标准假设在无effect-modifier分布差异的研究中存在共同治疗效应的假设是不恰当的，因为这些研究具有不同的基线风险。作为一种潜在解决方案，我们提出了一种“bookend”方法，该方法将混合人群研究显式建模为从baseline风险极端的研究中识别的两种均匀亚群的加权组合，并为实践者提供指导，以确定因非折叠性而可能存在的偏差。