Синтез бинарных исходов рандомизированных клинических исследований в байесовском сетевом метаанализе

Представлены основные аспекты проведения байесовского сетевого мета-анализа как метода непрямых сравнений с использованием математических моделей. Для описания работы байесовского сетевого мета-анализа были включены программные коды двух основных моделей со случайными и фиксированными эффектами. Модели написаны на языке Компонентного Паскаля и работают в программе JAGS. В качестве данных, использовавшихся в целях проведения моделирования, использованы сгенерированные данные из статьи Д. Ху, А.М. О Коннор, С. Ван и др. [6] для возможности сверки результатов. Для загрузки данных в модель и запуска программы использовался язык R и пакет rjags. При определении лучшей модели были использованы показатели адекватности модели, такие как суммарное остаточное отклонение, леверидж и информационный критерий отклонения, рассчитанные при помощи оригинального кода на языке R. Также использовался графический метод определения адекватности моделей с помощью пакета ggplot2. Рассмотрен пример построения сети доказательств по доступным результатам об эффективности лекарственных препаратов из клинических исследований с учетом допущений транзитивности и гетерогенности. Указана возможность проведения непрямых сравнений вместе с прямыми для определения истинных оценок лекарственных препаратов. Объяснены элементы байесовской статистики, такие как априорная и апостериорная вероятности и правдоподобие, преимущества использования в проведении метаанализа. Представлен математический аппарат обобщенной линейной модели как в общем виде, так и в частном для использования биномиальных выходных данных в целях получения относительных оценок эффектов терапий. Представлено объяснение работы моделей. Модель со случайными эффектами показала преимущество использования над моделью с фиксированными эффектами после сравнения метрик адекватности. Для достижения лучшей адекватности нужно уделить время тщательной выгрузке данных из публикаций и выбору информативных прайоров. В целом байесовский синтез представляет собой отдельный и важный вид сетевого метаанализа. Он является особенным в своем роде благодаря использованию вероятностного подхода к анализу данных. понимание основных принципов байесовской статистики также является важным аспектом для успешного использования этого метода в различных областях исследований. Однако для эффективного применения этого метода необходимо уделять внимание тщательной подготовке данных и выбору априорных представлений. При наличии информативных априорных распределений и правильной реализации байесовский синтез может дать более точные и надежные результаты, чем другие методы метаанализа. Байесовский синтез является признанным в мире и в Российской Федерации методом статистического анализа данных.