Який найкращий метод мережевого мета-аналізу?

Зараз існує кілька різних підходів для здійснення мережевого метааналізу або змішаного порівняння лікування.

Можливо, найбільш часто використовувані та доступні такі:

• в байєсівських рамках :

  • підхід взаємодії дизайну за методом лікування в WinBUGS (наприклад, Jackson et al );
  • ієрархічне байесівське моделювання на основі арм у WinBUGS (наприклад, Чжао та ін );
  • ієрархічне байєсське моделювання на основі контрасту (тобто розщеплення вузлів), або з WinBUGS, або через, gemtcі rjagsв R (наприклад, Dias et al. або van Valkenhoef et al );
  • інтегровані вкладені наближення Лапласа (INLA) у WinBUGS (наприклад, Sauter et al );

• в рамках частотистських рамок :

  • факторний аналіз різниці в SAS (наприклад, Piepho );
  • багаторівневий мережевий метааналіз в SAS (наприклад, Greco et al );
  • багатоваріантна метарегресія з mvmetaу Stata або R (наприклад, White та ін );
  • мережевий метааналіз з lmeта netmetaв R (наприклад, Lumley , який, однак, обмежений двома руками, або Rucker et al. ).

Моє запитання просто: чи вони приблизно еквівалентні чи є переважним у більшості випадків для первинного аналізу (таким чином, резервування інших для допоміжного)?

ОНОВЛЕННЯ

З часом було проведено кілька порівняльних аналізів методів мережевого метааналізу:

1. Carlin BP, Hong H, Shamliyan TA, Sainfort F, Kane RL. Приклад дослідження, що порівнює байєсівський та частотний підходи для кількох порівнянь лікування. Агентство з досліджень та якості охорони здоров'я (США). 2013 рік.

Думаю, підходи до моделювання та методики оцінювання слід розглядати окремо. З точки зору моделювання, модель Lumley працює лише для випробувань з двома руками. Тож не бажано. Наскільки я розумію, підхід до розбиття вузлів, який ви вказали як Діас та ін, дуже інтуїтивно зрозумілий. Крім того, я думаю, вам слід додати підхід до взаємодії між дизайном та лікуванням ( http://www.ncbi.nlm.nih.gov/pubmed/24777711 ). З точки зору оцінювання, я не знаю багато про методи частості, але можна використовувати MCMC майже для всіх моделей для NMA. Нарешті, існує інша техніка (яка, на жаль, не відома), називається INLA. Ви можете використовувати INLA зсередини R та підходити до моделей NMA, це швидше і не потрібно перевіряти діагностику конвергенції. Ось документ http://www.ncbi.nlm.nih.gov/pubmed/26360927. Отже, наприкінці я віддаю перевагу поділу вузлів та підходу взаємодії проектування до лікування за допомогою INLA.