Синтез бинарных исходов рандомизированных клинических исследований в байесовском сетевом метаанализе
- Авторы: Сапожников К.В.1, Парфенов С.А.1, Лазарев А.А.2, Киричек Р.В.2, Толкачева Д.Г.3, Мироненко О.Н.3, Клишкова Н.В.1, Кулишенко В.В.1
-
Учреждения:
- Военно-медицинская академия имени С.М. Кирова
- Санкт-Петербургский государственный университет телекоммуникаций
- Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
- Выпуск: Том 26, № 3 (2024)
- Страницы: 473-482
- Раздел: Дискуссии
- URL: https://journals.rcsi.science/1682-7392/article/view/264268
- DOI: https://doi.org/10.17816/brmma629333
- ID: 264268
Цитировать
Аннотация
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.
Полный текст
Открыть статью на сайте журналаОб авторах
Кирилл Викторович Сапожников
Военно-медицинская академия имени С.М. Кирова
Автор, ответственный за переписку.
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0002-2476-7666
SPIN-код: 2707-0339
Scopus Author ID: 57200810332
ResearcherId: ААЕ-3453-2022
канд. мед. наук
Россия, Санкт-ПетербургСергей Александрович Парфенов
Военно-медицинская академия имени С.М. Кирова
Email: sa.parfenov1988@yandex.ru
ORCID iD: 0000-0002-1649-9796
SPIN-код: 6939-6910
канд. мед. наук
Россия, Санкт-ПетербургАндрей Анатольевич Лазарев
Санкт-Петербургский государственный университет телекоммуникаций
Email: Andrey.05.03.ru@mail.ru
ORCID iD: 0009-0006-6204-8423
SPIN-код: 9715-2124
аспирант
Россия, Санкт-ПетербургРуслан Валентинович Киричек
Санкт-Петербургский государственный университет телекоммуникаций
Email: kirichek@sut.ru
ORCID iD: 0000-0002-8781-6840
SPIN-код: 3253-4972
д-р тех. наук, доцент
Россия, Санкт-ПетербургДарья Георгиевна Толкачева
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Email: tolkacheva.d@gmail.com
ORCID iD: 0000-0002-6314-4218
SPIN-код: 4186-5243
Scopus Author ID: 57221817074
независимый эксперт исследовательских проектов
Россия, МоскваОльга Николаевна Мироненко
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Email: freelomir@yandex.ru
ORCID iD: 0000-0001-8952-8386
SPIN-код: 3265-8708
канд. экон. наук
Россия, МоскваНаталия Владимировна Клишкова
Военно-медицинская академия имени С.М. Кирова
Email: N-Klishkova@yandex.ru
ORCID iD: 0000-0003-0273-0931
SPIN-код: 7031-7397
канд. пед. наук, доцент
Россия, Санкт-ПетербургВалерий Викторович Кулишенко
Военно-медицинская академия имени С.М. Кирова
Email: v_kulishenko@mail.ru
ORCID iD: 0000-0002-3872-3357
SPIN-код: 1899-7341
канд. мед. наук
Россия, Санкт-ПетербургСписок литературы
- Богданов А.А., Богданов А.А. Сетевой метаанализ для клиницистов // Современная Онкология. 2021. Т. 23, № 3. С. 418–424. EDN: IVQHBW doi: 10.26442/18151434.2021.3.201202
- Омельяновский В.В., Авксентьева М.В., Сура М.В., и др. Москва: ЦЭККМП, 2017. 28 с.
- Sadeghirad B., Foroutan F., Zoratti M.J., et al. Theory and practice of Bayesian and frequentist frameworks for network meta-analysis // BMJ Evid Based Med. 2023. Vol. 28, N 3. P. 204–209. doi: 10.1136/bmjebm-2022-111928
- Li T., Puhan M.A., Vedula S.S., et al. Network meta-analysis-highly attractive but more methodological research is needed // BMC Med. 2011. Vol. 9. P. 79. doi: 10.1186/1741-7015-9-79
- Chaimani A., Caldwell D.M., Li T., et al. Undertaking network meta-analyses // Cochrane handbook for systematic reviews of interventions. 2019. P. 285–320. doi: 10.1002/9781119536604.ch11
- Hu D., O’Connor A.M., Wang C., et al. How to conduct a Bayesian network meta-analysis // Front Vet Sci. 2020. Vol. 7. P. 271. doi: 10.3389/fvets.2020.00271
- Rouse B., Chaimani A., Li T. Network meta-analysis: an introduction for clinicians // Intern Emerg Med. 2017. Vol. 12. P. 103–111. doi: 10.1007/s11739-016-1583-7
- Bland J.M., Altman D.G. Bayesians and frequentists // BMJ. 1998. Vol. 317, N 7166. P. 1151–1160. doi: 10.1136/bmj.317.7166.1151
- Kruschke J.K., Liddell T.M. The Bayesian New Statistics: Hypothesis testing, estimation, meta-analysis, and power analysis from a Bayesian perspective // Psychon Bull Rev. 2018. Vol. 25. P. 178–206. doi: 10.3758/s13423-016-1221-4
- Hespanhol L., Vallio C.S., Costa L.M., Saragiotto B.T. Understanding and interpreting confidence and credible intervals around effect estimates // Braz J Phys Ther. 2019. Vol. 23, N 4. P. 290–301. doi: 10.1016/j.bjpt.2018.12.006
- Dias S., Ades A.E., Welton N.J., Jansen J.P. Network meta-analysis for decision-making. Bristol: John Wiley & Sons, 2018. 473 р.
- Rosenberger K.J., Xing A., Murad M.H., et al. Prior choices of between-study heterogeneity in contemporary Bayesian network meta-analyses: an empirical study // J Gen Intern Med. 2021. Vol. 36, N 4. P. 1049–1057. doi: 10.1007/s11606-020-06357-1
- White I.R., Turner R.M., Karahalios A., Salanti G. A comparison of arm-based and contrast-based models for network meta-analysis // Stat Med. 2019. Vol. 38, N 27. P. 5197–5213. doi: 10.1002/sim.8360
- Lin L., Chu H., Hodges J.S. On evidence cycles in network meta-analysis // Stat Interface. 2020. Vol. 13, N 4. P. 425. doi: 10.4310/sii.2020.v13.n4.a1
- Dias S., Welton N.J., Sutton A.J., Ades A.E. NICE DSU technical support document 2: a generalised linear modelling framework for pairwise and network meta-analysis of randomised controlled trials. Bristol: National Institute for Health and Clinical Excellence, 2011. 98 р.