网状mea分析的条件

网状mea分析的条件

在传统的基础分析和索赔中，对异质性的有效识别和正确对待直接影响最终结果的可靠性。相对于传统Meta分析,网状Meta分析综合了多种复杂的措施,使得异质性的鉴别与处理显得更加困难,因此结果可信度将因无法有效鉴别一致性而受到严重影响。基于一致性可能产生于异质性的考虑,为进一步保证结果的可靠性,方法学家开始结合网状Meta分析特点提出了一致性概念并给出一系列鉴别与处理方法。本文对当前鉴别与处理网状Meta分析一致性的11种方法进行介绍。1不一致性的属性在网状Meta分析中,由于多因素与多干预措施等混杂因素的相互影响,使其结果的精确性与可靠性一直备受质疑。为保障网状Meta分析证据的精确性与可靠性,方法学家相继提出了一套鉴定思路,如相似性(similarity)、异质性(heterogeneity)、一致性(consistency)和传递性(transitivity)等。在传统Meta分析中,通常将所有除随机误差以外所导致的结果差异称为异质性,即不相似性。基于此理论,相关学者也将网状Meta分析中不一致性归类于异质性的范畴,即异质性会产生不一致性。在网状Meta分析中,学术界认为各种外界干扰因素均会对直接与间接比较结果产生影响。因此,与传统Meta分析不同,在网状Meta分析中一致性是指直接与间接比较结果的相似度。可分为方向或大小一致性,目前主要依据大小的一致性进行鉴定,如Bucher法等;也有学者提出可分为环不一致性与设计不一致性。方向不一致性是指直、间接比较反映利益措施不同,为定性分析,常用于目测直、间接比较间方向上的差异;大小不一致性是指直、间接比较的统计学差异,为定量分析,该方法使用最为广泛;环不一致性是指以多种措施构成“环”为基础的不一致性检验,通常被认为是构成不一致性的基础;设计不一致性是指已制定参照措施的前提下,基于研究试验措施不同而产生的不一致性,其时常与“环不一致性”概念存在界限不清,但其组成成分中包含“环不一致性”,常见于“两步法”。一致性鉴别实质就是分别汇总直接与间接比较结果后进行单一的定性或定量分析,但基于合并推算的理念、方法及统计效能等差异,可能导致结果间存在差异。一致性的提出为鉴定网状Meta分析的证据相似性提供了另一种思路,在现有统计学效能下对间接证据可靠性给予了一定保障,也是网状Meta分析制作流程中必不可少的步骤之一。2难题的突破和新突破伴随着方法学的不断进展,一致性鉴别的难题也取得了一定突破。目前,一致性鉴别大致可分为客观与主观鉴别方法,下文将对这些方法的名称及其特点进行简介。2.1各杂性的比较在网状Meta分析中,干预措施及混杂因素多等特点致使纳入研究间的相似性或可比性鉴定显得十分困难。众所周知,各种混杂因素的盲目合并会导致结果的异质性明显,其无疑会导致结果间的不一致性,致使结果不真实。通过对纳入研究的基本特征(basiccharacteristics)进行比较,可以在一定程度上进行异质性的判断。网状Meta分析中使用基本特征比较的方法对混杂因素进行比较与传统Meta分析基本一致。显然,该方法属于定性的法,通常给予定性评估。2.2亚组分析及多元回归法在网状Meta分析中,各种因素的相互作用时常会发生,这也是在制作网状Meta分析当中较为棘手的部分之一;同时,这可能导致直间接结果的不一致性。因此,凡是存在明显干预因素或研究间的相互作用时,均应及时进行校正以换取真实结果。通常对于干预协变量(covariates)的鉴定与处理,当前已采用亚组分析及多元回归的方法较为常见。亚组分析与传统Meta分析是相同的;回归在传统Meta分析中类似于简单回归,而在网状Meta分析中则采用的是多元回归,当前最常用的软件为R软件与Stata软件[1,12,13,14,15,16,17,18,19]。2.3参照措施的选取在网状Meta分析中,间接比较的基础就是基于两种措施间存在共同比较措施,即拥有相同的参照组。因此,参照措施(referentgroup)的选定,对于间接比较的结果将会产生一定的影响,进而影响到结果一致性。在参照措施的选定方面,当前通常选择使用频次高、相似性好等措施作为参照基线,如安慰剂(placebo)。当没有安慰剂时,可以根据上述标准结合纳入研究的实际情况进行确定,并可考虑更换参照措施并比较更换前后的结果进行判断。2.4执行稳定性检验传统Meta分析中,当怀疑某个研究占整个研究结果的比重较大时,往往会对其进行剔除以检验结果的稳定性;或者采用逐个依次剔除纳入研究检验结果的稳定性。在网状Meta分析中,除了剔除大比重研究外,还需依据环臂来进行研究臂的剔除以检验结果的稳定性,该方法常应用于贝叶斯模型当中,常用软件为BUGS软件与ADDIS软件等。环臂(loop-arm)是指网状关系图中的每一个节点(node),因此该方法亦称为“节点分析”。2.5不一致性模型在网状Meta分析制作时,通常采用一致性模型(consistencymodels),也即假定直接比较与间接比较结果是一致的,但往往该假设不令人满意。因此,有学者提出使用不一致性模型(inconsistencymodels)来进行结果的模拟。该模型最大贡献在于其将不一致性参数引入模型中,从而在理论上避免干预因素对结果的影响。假设avs.b与avs.c为直接比较,那么bvs.c就为间接比较,则一致性与不一致性模型的基本理念如下:该方法当前最常用的软件为BUGS软件与ADDIS软件等。2.6统计学处理方法将直接比较结果与间接比较结果进行对比分析是鉴定一致性最直接与最佳的方式。因此,假设检验(Hypothesistest)就是从获取直接比较与间接比较结果间的差异后再依据统计Z值检验来验证其是否具有统计学意义。上述计算的Z值再经过相应的标准正态分布转换成对应的p值即可。由于该方法需要获取最终的直间接结果,因此适合于单一3臂环的研究。当出现超过3臂环时,对于不一致性的效应量与方差的获取,则采用以下方式进行:(1)计算平均效应量:公式中N为相应配对证据来源总数,n为证据来源的序号,b和k均为相应治疗的下标。该计算公式使用的方法为倒方差分析法。(2)进行统计检验:该公式是以(N-1)为自由度的卡方检验来予以鉴定的。该方法当前最常用的软件为R软件[1,12,13,14,15,16,17,24]。2.7间接比较结果的获取为克服上述假设检验统计方法中直接与间接比较结果获取难度的缺陷,现今方法学家转而从最终的网状结果与直接比较结果开始予以倒退的方式来实现间接比较结果的获取,即“回测法(backtransformationmethod)”。回测法的最大优点在于避免了间接比较中过多的中间环节,为操作者提供了极大便利。其具体操作步骤如下:公式中b与k下标分别为相应的干预措施;d为相应的效应量;v为相应的方差;dir、ind及NMA上标分别表示直接、间接及网状结果所对应的效应量与方差。(2)进行统计评估该部分与2.6中单一环(3臂环)的统计分析一致。该方法当前最常用的软件为R软件[1,12,13,14,15,16,17,24]。2.8生成优化方法多维测量法(multidimensionalscaling)的主要思路是利用将网状Meta分析最终各节点的结果依次在图形中进行展示,再通过观察配对两节点的距离与相应间接比较节点间距离来进行相应检验。该方法配对比较部分使用倒方差法进行,拟合值采用加权最小二乘法进行优化运算。具体如下:(2)直接和间接比较节点的差异(3)直-间接比较平面的建立在完成上述节点的相关计算后,基于参考节点固定于认为定义“原点”并依据直接比较与直-间接间的差异,通过计算优化模拟采用应力函数并最终形成一个2维空间图形,使得直-间接比较的所有干预措施都在于统一平面上。若直接-间接平面近似于同一平面,可视直间接比较具有一致性;反之亦然。该方法当前最常用的软件为R软件或其他制图软件[1,12,13,14,15,16,17,24]。2.9网状分析的最小二乘法拟合两步法(two-stageapproach)的基本步骤分为配对比较与网状分析,其中网状分析采用最小二乘法拟合。在一致性检验的部分,两步法可以提供两种检验方式,分别为似然比检验(likelihoodratiotest)与残差检验(residualtest)。2.9.1控制函数的检验该检验通常默认基于一致性模型进行拟合,其统计测试是依据“H-T+1”为自由度的卡方检验来进行的,具体如下:该方法中H为矩阵长度,T为干预措施数量,为采用最小二乘法拟合之后的效应量矩阵,W为方差-协方差矩阵,X为设计后一致性方程矩阵。2.9.2正态假设性检验残差检验就是计算拟合直接比较结果与网状结果之间的偏差基于正态假设性检验来分析一致性概况。具体如下:若R*在(–1.96,196)之间视为一致性好,否则视为非一致性。2.10网状连续分析图形理论法(graph-theoreticalmethod)使用的是电网的基本原理,将电力学基本知识融入到网状Meta分析中。该方法将效应量对应电压、效应量权重对应电流、方差对应电阻等。其中,一致性的检验使用卡方检验的Q统计来进行鉴定,具体操作可参考《R软件netmeta程序包在网状Meta分析中的运用》一文。2.11ancemethods方法析因方差分析法(Factorialanalysis-of-variancemethods)是基于方差分析的基本原理,在网状Meta分析中考虑每一个处理因素对试验效应的主效应或者对两个和更多处理因素的相互作用进行分析的一种方法。该法可方便地检测和定位网状Meta分析中的不一致性。(1)试验设计的基本模型在网状Meta分析中G为试验组、试验类型及设计类型,S为研究和试验,T为治疗方法。上式中S×T是某一种治疗方法在某一个试验中的预期值,S是在其试验中的主效应值,T是某种治疗方法的主效应值,S.T是不同试验不一致性的模型。第一步反映了试验嵌套在设计之中。第二步是第一步方差分析模型的延伸。然后使用Wald检验和卡方检验来反应不一致性,即第一步中的S.T,第二步中的G.S.T。(2)模型的建立和检验在此两步分析方差模型中引入新的变量D,D1即为第一个试验的一个新变量,至此D1和G就有了层次关系,G就嵌套在D1中,评估不一致性的模型即可表达为:两边同时变形,应用Wilkinson和Payne语法和嵌套进去的因子D1、G和S,完整的模型如下:同理,不同的试验设计,D的下标就不同。用固定效应模型和随机效应模型计算出D1.G.S.T值,同时将其进行Wald检验和卡方检验。若Wald检验值越大,对应卡方检验值越小,则提示该研究存在明显不一致性;反之,则提示一致性较好。该方法用SAS、R[1,12,13,14,15,16,17,24]和Stata软件中的线性混合模型即可很容易地完成。3网状pcr证据的最佳使用网状Meta分析从最初萌芽至今,已有十几年历程,方法学上众多难点也已有不同程度的突破。一致性的检验,对于保证网状Meta分析结论的可靠性起着关键性作用。当然,在一致性检验与处理方面却仍有待完善。当前认为,混杂因素是导致异质性产生的重要因素之一。不一致性的主要来源与异质性来源基本相似。因此,相关研究者将一致性归类于异质性,甚者认为:异质性似于“原因”,一致性似于“结果”,故在统计方法学上,时常无法严格区分两者界限。这也使得无论是对其进行鉴别还是处理,乃至最终结果的解释都较为困难。本文对当前建议的11种鉴别一致性的方法进行了介绍,可以看出,任何一种方法均有其局限性;换句话说,当前尚无一种最