使用概率模型和治疗选择准则在网络荟萃分析中生成治疗层次结构
统计方法学
2026-02-25 v2 应用统计
其他统计学
摘要
网络荟萃分析（NMA）的一个关键输出是治疗方案的相对排序;然而，这一点已引发相当大的批评。现有的排序方法常缺乏明确的可解释性，并未充分考虑不确定性，过度强调治疗效应的细微差异。我们提出了一种新框架，用于使用概率模型和治疗选择准则（TCC）来估计NMA中的治疗层次结构。首先，我们形式化一个基于最小有意义差异（SWD）的TCC的数学表达式，将NMA相对治疗效应转换为治疗偏好格式。该数据随后使用概率排序模型进行综合，为每个治疗方案分配一个潜在的"能力"参数，表示其相对于网络中其余治疗方案在临床意义且有益的真实治疗效应的倾向。参数估计依赖于最大似然理论，标准误通过Fisher信息矩阵的渐近形式推导得出。为便于使用我们的方法，我们推出了R软件包mtrank。我们将我们的方法应用于两个临床数据集：一个比较18种抗抑郁药用于重度抑郁症，另一个比较6种抗高血压药用于糖尿病发生率。我们的ethods提供了稳健、可解释的治疗层次结构，考虑到具体的TCC。我们进一步检查了所提方法与现有排序指标在153个已发表网络中的一致性，得出治疗层次结构程度取决于NMA估计的精确度。我们的框架为NMA治疗排序提供了一种有价值的替代方案，缓解对细微差异的过度解释。这使得更可靠、更具临床意义的治疗层次结构成为可能。
引用
@article{arxiv.2406.10612,
title = {Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria},
author = {Theodoros Evrenoglou and Adriani Nikolakopoulou and Guido Schwarzer and Gerta Rücker and Anna Chaimani},
journal= {arXiv preprint arXiv:2406.10612},
year = {2026}
}