使用惩罚似然回归的罕见事件网络荟萃分析
统计方法学
2021-09-22 v1 应用统计
摘要
罕见事件的网络荟萃分析（NMA）在文献中鲜受关注。直到最近，含罕见事件的干预网络仍使用逆方差 NMA 方法分析。然而，当事件罕见时，该模型所作的正态近似可能很差，效应估计可能存在偏倚。综合此类数据的其他方法包括近期将 Mantel-Haenszel 方法推广至 NMA，或使用非中心超几何分布。在本文中，我们提出一种新的固定效应 NMA 方法，即便在事件数极低甚至为零的干预网络中亦可应用，且无需剔除研究或任意填补。我们的方法基于将 Firth 提出的用于减小最大似然估计偏倚的惩罚似然函数实现到 NMA 模型的逻辑表达式中。我们方法的一个局限是无法像多数荟萃分析模型那样将异质性作为加性参数纳入。不过，我们通过两阶段方法引入乘性过度离散项来考虑异质性。我们通过模拟表明，我们的方法在所有测试情景下表现稳定良好，且多数情况下偏倚小于其他可用方法。我们还通过两个临床实例说明了方法的应用。我们得出结论：我们的“惩罚似然 NMA”方法对于罕见事件的二分类结局分析颇具前景，尤其适用于每对比研究极少且对照组风险极低的网络。
引用
@article{arxiv.2109.10221,
title = {Network meta-analysis of rare events using penalized likelihood regression},
author = {Theodoros Evrenoglou and Ian White and Sivem Afach and Dimitris Mavridis and Anna Chaimani},
journal= {arXiv preprint arXiv:2109.10221},
year = {2021}
}