GRADE指南:使用 GRADE 方法评估网络荟萃分析的确定性:避免在稀疏网络中对不精确性做出虚假判断
2021-11-11 GRADE工作组 GRADE工作组 发表于上海
当治疗效果的直接和间接估计值一致时,网络荟萃分析 (NMA) 估计值应该具有更高的精度(与仅依赖直接估计值相比,置信区间或可信区间更窄),这是 NMA 的一个优点。
GRADE指南:使用 GRADE 方法评估网络荟萃分析的确定性:避免在稀疏网络中对不精确性做出虚假判断
GRADE approach to rate the certainty from a network meta-analysis: avoiding spurious judgments of imprecision in sparse networks
2021-11-11
当治疗效果的直接和间接估计值一致时,网络荟萃分析 (NMA) 估计值应该具有更高的精度(与仅依赖直接估计值相比,置信区间或可信区间更窄),这是 NMA 的一个优点。然而,我们观察到在稀疏网络中,结合直接和间接估计值会导致置信区间显著扩大。在许多情况下,假设整个网络存在共同的研究间异质性似乎是造成这种违反直觉的结果的原因。尽管在许多情况下,假设成对比较之间存在共同的研究间异质性可能并不合适,但它是确保估计 NMA 治疗效果的可行性所必需的。在稀疏网络中尤其如此,因为数据不足以可靠地估计整个网络的不同方差。然而,结果可能是网络中某些比较的置信区间过宽(并且,在“建议评估、制定和评估”方法中,由于严重不精确而导致证据确定性的评级过低)。系统评价者应该意识到这个问题,并计划进行敏感性分析,以产生直观合理的置信区间。这些敏感性分析可能包括在贝叶斯框架中使用研究间异质性参数的信息先验和使用固定效应模型。