Quelle est la meilleure méthode de méta-analyse de réseau?

Il existe maintenant plusieurs approches différentes pour effectuer une méta-analyse de réseau ou une comparaison de traitements mixtes.

Les plus utilisés et les plus accessibles sont probablement les suivants:

• dans un cadre bayésien :

  • approche d'interaction conception par traitement dans WinBUGS (par exemple Jackson et al );
  • modélisation bayésienne hiérarchique basée sur les bras dans WinBUGS (par exemple Zhao et al );
  • modélisation bayésienne hiérarchique basée sur le contraste (c'est-à-dire la division des nœuds), soit avec WinBUGS, soit via gemtcet rjagsdans R (par exemple Dias et al ou van Valkenhoef et al );
  • approximations Laplace imbriquées intégrées (INLA) dans WinBUGS (par exemple Sauter et al );

• dans un cadre fréquentiste :

  • analyse factorielle de la variance en SAS (par exemple Piepho );
  • méta-analyse de réseau à plusieurs niveaux dans SAS (par exemple Greco et al );
  • méta-régression multivariée avec mvmetadans Stata ou R (par exemple White et al );
  • méta-analyse de réseau avec lmeet netmetadans R (par exemple Lumley , qui est cependant limité aux essais à deux bras, ou Rucker et al ).

Ma question est simplement: sont-ils à peu près équivalents ou y en a-t-il un qui est préférable dans la plupart des cas pour l'analyse primaire (réservant ainsi les autres pour des analyses accessoires)?

MISE À JOUR

Au fil du temps, il y a eu quelques analyses comparatives sur les méthodes de méta-analyse de réseau:

1. Carlin BP, Hong H, Shamliyan TA, Sainfort F, Kane RL. Étude de cas comparant les approches bayésienne et fréquentiste pour des comparaisons de traitements multiples. Agence pour la recherche et la qualité des soins de santé (États-Unis). 2013.

Je pense que les approches de modélisation et les techniques d'estimation doivent être considérées séparément. Du point de vue de la modélisation, le modèle Lumley ne fonctionne que pour les essais à deux bras. Ce n'est donc pas préférable. À ma connaissance, l'approche de division des nœuds, que vous avez répertoriée comme Dias et al, est très intuitive. En outre, je pense que vous devriez ajouter l'approche d'interaction conception par traitement ( http://www.ncbi.nlm.nih.gov/pubmed/24777711 ). Du point de vue de l'estimation, je ne connais pas grand-chose aux techniques fréquentistes, mais on peut utiliser MCMC pour presque tous les modèles de NMA. Enfin, il existe une technique différente (mal connue malheureusement malheureusement) appelée INLA. Vous pouvez utiliser INLA depuis R et adapter les modèles NMA, c'est plus rapide et pas besoin de vérifier les diagnostics de convergence. Voici l'article http://www.ncbi.nlm.nih.gov/pubmed/26360927. Donc, à la fin, je préférerais le fractionnement des nœuds et l'approche d'interaction conception par traitement en utilisant INLA.