ПРОВЕДЕНИЕ КОСВЕННОГО СРАВНЕНИЯ МЕДИЦИНСКИХ
ТЕХНОЛОГИЙ И СЕТЕВОГО МЕТА-АНАЛИЗА: ДОКЛАД ГРУППЫ ISPOR О НАДЛЕЖАЩЕЙ ИССЛЕДОВАТЕЛЬСКОЙ ПРАКТИКЕ
КОСВЕННОГО СРАВНЕНИЯ - ЧАСТЬ 2
Дэвид
С. Хоглин 1, Нил Хокинс 2, Йерун
П. Янсен 3, Дэвид
А. Скотт 2, Робин Итцлер 4, Джозеф
С. Капеллери 5, Корнелис Боерсма 6, Дэвид
Томпсон 7, Кей М. Лархольт 8, Мирея
Диас 9, Аннабель
Баррет 10
1. Независимый консультант, Садбери, Массачусетс, США;
2. Исходы Оксфорд, Оксфорд, Великобритания;
3. МАПИ, Бостон,
Массачусетс, США;
4. Лабораторий Мерк,
Северный Уэльс, Пенсильвания, США;
5. Пфайзер., Нью-Лондон, штат Коннектикут, США;
6. Униерситет в Гронингене, Гронинген,
Нидерланды;
7. ИННОВУС, Медфорд,
Массачусетс, США;
8. Хельтх Коре, Andover, Массачусетс, США;
9. Система здравоохранения Генри Форд,
Детройт, Мичиган, США;
10. Эли Лиллу, Виндельсхам, Суррей,
Великобритания
Перевод: Л.Ю. Безмельницына
Рецензенты: П.А. Воробьев, Л.С. Краснова, М.А. Холовня, А.В. Лунева
Межрегиональная общественная организация «Общество фармакоэкономических
исследований»
Принятие решений на основе медицины
доказательств в здравоохранении требует сравнения всех
существующих альтернативных методов лечения. При отсутствии рандомизированных
контролируемых исследований, включающих в себя прямое сравнение всех анализируемых
способов лечения, косвенное сравнение и сетевой мета-анализ позволяют получить
полезные доказательства для обоснованного выбора лучшей медицинской технологии(ий) (МТ). Комбинированное
сравнение медицинских технологий – специальный случай сетевого мета-анализа,
который сочетает в себе прямые и непрямые доказательства, в частности для
парных сравнений, в результате чего удается объединить большую часть имеющихся
доказательств по сравнению с традиционным
мета-анализом. Этот доклад Международного общества фармакоэкономических
исследований (ISPOR)
содержит руководство по проведению сетевого мета-анализа
(используя этот термин, мы подразумеваем, что он включает мета-анализ в
контексте сети доказательств). Мы начнем с обсуждения стратегии развития сети
доказательств. Затем последует короткий обзор допущений в сетевом
мета-анализе. Далее мы сфокусируемся на статистической обработке данных: цели,
модели (постоянные и случайные эффекты), сравнение частотного и Байесовского
подхода, валидация модели. Контрольный список,
содержащий основные компоненты сетевого мета-анализа,
примеры, иллюстрирующие непрямое сравнение медицинских технологий (как
частотный, так и Байесовский подход) и сетевой мета–анализ. Следующий раздел
рассматривает 8 ключевых областей для последующих исследований.
Ключевые слова: Байесовский мета-анализ, прямое сравнение МТ, сеть доказательств, частотный
мета-анализ, гетерогенность (неоднородность), несоответствие, косвенное
сравнение МТ, смешанное сравнение МТ.
Copyright ©
2011, Международное общество фармакоэкономических
исследований и оценки результатов (ISPOR). Издатель Эльсервер Инк.
Conducting Indirect-Treatment-Comparison and
Network-Meta-Analysis Studies: Report of the ISPOR Task Force on Indirect
Treatment
Comparisons Good Research Practices—Part 2
David C. Hoaglin, Neil Hawkins, Jeroen P. Jansen, David A. Scott, Robbin
Itzler, Joseph C. Cappelleri,
Cornelis Boersma, David
Thompson, Kay M. Larholt, Mireya
Diaz, Annabel Barrett
ЛИТЕРАТУРА
1. Jansen J.P., Fleurence R.,
Devine B. et al. Interpreting indirect treatment comparisons & network
meta-analysis for health care decision-making: Report of the ISPOR Task Force
on Indirect Treatment Comparisons Good Research Practices—part 1. Value. Health 2011;14:XX–XX.
2. Salanti G., Kavvoura F.K., Ioannidis J.P. Exploring the geometry of
treatment networks // Ann Intern Med 2008. V. 148. P. 544–53.
3. Sutton A.J., Abrams K.R., Jones D.R. et al. Methods
for Meta-Analysis in Medical Research.
4. Higgins J.P.T., Green S. Cochrane Handbook for
Systematic Reviews of Interventions.
5. Borenstein M., Hedges L.V.,
Higgins J.P.T., Rothstein H.R. Introduction to Meta-Analysis.
6. Moher D., Liberati A., Tetzlaff J., Altman
D.G. Preferred reporting items for systematic reviews and meta-analyses: the
PRISMA statement // Ann Intern Med. 2009. V. 151. P. 264–9.
7. Hawkins N., Scott D.A., Woods B. How far do you go?
Efficient searching for indirect evidence // Med Decis
Making. 2009. V. 29. P. 273–81.
8. Hawkins N., Scott D.A., Woods B.S., Thatcher N. No
study left behind: a network meta-analysis in non-small-cell lung cancer
demonstrating the importance of considering all relevant data // Value Health.
2009. V. 12. P. 996–1003.
9. Fu R., Gartlehner G.,
Grant M. et al. Conducting quantitative synthesis when comparing medical
interventions: AHRQ and the Effective Health Care Program. [posted
October 2010]. Available from: http://effectivehealthcare.ahrq.gov/. [Accessed November 20, 2010].
10. Song F., Loke Y.K.,
Walsh T. et al. Methodological problems in the use of indirect comparisons for
evaluating healthcare interventions: survey of published systematic reviews //
BMJ. 2009. V. 338 P. 1147.
11. Lu G., Ades A.E.
Combination of direct and indirect evidence in mixed treatment comparisons // Stat
Med. 2004. V. 23. P. 3105–24.
12. Cooper N.J., Sutton A.J., Morris D. et.al.
Addressing between-study heterogeneity and inconsistency in mixed treatment
comparisons: application to stroke prevention treatments in individuals with nonrheumatic atrial fibrillation // Stat Med. 2009. V. 28.
P. 1861–81.
13. Lu G., Ades A.E.. Assessing evidence inconsistency in mixed treatment
comparisons // J Am Stat Assoc 2006. V. 101. P. 447–59.
14. Thompson S.G., Smith T.C., Sharp S.J.
Investigating underlying risk as a source of heterogeneity in meta-analysis //
Stat Med. 1997. V. 16. P. 2741–58.
15. Wells G.A., Sultan
16. Salanti G., Higgins J.P.,
Ades A.E., Ioannidis J.P. Evaluation of networks of
randomized trials // Stat Methods Med Res. 2008. V. 17. P. 279–301.
17. Sutton A.J., Abrams K.R. Bayesian methods in
meta-analysis and evidence synthesis // Stat Methods Med Res. 2001. V. 10. P. 277–303.
18. Lumley T. Network meta-analysis for indirect
treatment comparisons // Stat Med. 2002. V. 21. P. 2313–24.
19. Valk R., Webers
20. Elliott W.J., Meyer P.M. Incident diabetes in
clinical trials of antihypertensive drugs: a network meta-analysis // Lancet.
2007. V. 369. P. 201–7.
21. Psaty B.M., Lumley T., Furberg C.D. et al. Health outcomes associated with various
antihypertensive therapies used as first-line agents: a network meta-analysis
// JAMA. 2003. V. 289. P. 2534–44.
22. Lambert P.C., Sutton A.J.,
23. Borenstein M., Hedges L.V.,
Higgins J.P.T., Rothstein H.R. A basic introduction to fixed-effect and
random-effects models for metaanalysis // Res
Synthesis Methods. 2010. V. 1. P. 97–111.
24. Higgins JP, Thompson SG. Quantifying heterogeneity
in a metaanalysis // Stat Med. 2002. 21. P. 1539–58.
25. Deeks J.J., Higgins J.P.T.,
Altman D.G. Analysing data and undertaking
meta-analyses. In: Higgins JPT, Green S, eds., Cochrane Handbook for Systematic
Reviews of Interventions.
26. Rücker G., Schwarzer G., Carpenter J.R., Schumacher M. Undue reliance
on I2 in assessing heterogeneity may mislead // BMC Med Res Methodol.
2008. V. 8. P. 79.
27. Kulinskaya E., Dollinger M.B., Bjørkestø
l.K. Testing for homogeneity in meta-analysis I. The
one-parameter case: standardized mean difference. Biometrics
2011. V. 67. P. 203–12.
28. Bucher H.C., Guyatt G.H.,
29. Lam SKH, Owen A. Combined resynchronisation
and implantable defibrillator therapy in left ventricular dysfunction: Bayesian
network meta-analysis of randomised controlled trials
// BMJ. 2007. V. 335. P. 925.
30. Dias S., Welton N.J.,
Caldwell D.M., Ades A.E. Checking consistency in
mixed treatment comparison meta-analysis // Stat Med. 2010. V. 29. P. 932–44.
31. Spiegelhalter D.J., Best
N.G., Carlin B.P. Bayesian measures of model complexity and fit // J R Stat Soc
Series B Stat Methodol. 2002. V. 64. P. 583–616.
32. Stettler C., Wandel S., Allemann S. et al.
Outcomes associated with drug-eluting and bare-metal stents: a collaborative
network metaanalysis // Lancet. 2007. V. 370. P. 937–48.
33. Lu G., Ades A.E., Sutton
A.J. et al. Meta-analysis of mixed treatment comparisons at multiple follow-up
times // Stat Med. 2007. V. 26. P. 3681–99.
34. Cipriani A., Furukawa T.A.,
Salanti G. et al. Comparative efficacy and acceptability
of 12 new-generation antidepressants: a multipletreatments
meta-analysis // Lancet. 2009. V. 373. P. 746–58.
35. Spiegelhalter D.J.,
Thomas A., Best N.G., Lunn D. WinBUGS
User Manual, Version 1.4.
36. OpenBUGS. Available
from: www.openbugs.info. [Accessed December 6, 2010].
37. SAS Institute Inc. SAS/STAT User’s Guide, version
9.2.
38. Glenny AM, Altman DG,
Song F, et al. Indirect comparisons of competing interventions // Health Technol Assess. 2005. V. 9 (26).
39. Jansen J.P., Crawford B., Bergman G., Stam W. Bayesian meta-analysis of multiple treatment
comparisons: an introduction to mixed treatment comparisons // Value Health.
2008. V. 11. P. 956–64.
40. Berlin J.A., Santanna J.,
Schmid C.H. et al. Individual patient- versus
group-level data meta-regressions for the investigation of treatment effect
modifiers: ecological bias rears its ugly head // Stat Med. 2002. V. 21. P.
371–87.
41. Berkey
C.S.,
42. Houwelingen H.C., Arends L.R., Stijnen T. Advanced
methods in meta-analysis: multivariate approach and meta-regression // Stat Med.
2002. V. 21. P. 589–624.
43. Nam I.S., Mengersen K., Garthwaite P. Multivariate meta-analysis // Stat Med
2003. V. 22. P. 2309–33.
44..Riley R.D., Abrams K.R.,
Lambert P.C. et al. An evaluation of bivariate random-effects meta-analysis for
the joint synthesis of two correlated outcomes // Stat Med. 2007. V. 26. P. 78–97.
45. Welton N.J., Caldwell D.M.,
Adamopoulos E., Vedhara K.
Mixed treatment comparison meta-analysis of complex interventions:
psychological interventions in coronary heart disease // Am J Epidemiol. 2009. V. 169. P. 1158–65.
46. Welton N.J., Cooper N.J.,
Ades A.E. et al. Mixed treatment comparison with
multiple outcomes reported inconsistently across trials: evaluation of
antivirals for treatment of influenza A and B // Stat Med. 2008. V. 27. P. 5620–39.
47. Woods BS, Hawkins N, Scott DA. Network
meta-analysis on the loghazard scale, combining count
and hazard ratio statistics accounting for multi-arm trials: a tutorial // BMC
Med Res Methodol. 2010. V. 10. P. 54.
48. Burch J., Paulden M.,
Conti S. et al. Antiviral drugs for the treatment of influenza: a systematic
review and economic evaluation // Health Technol
Assess. 2009. V. 13 (58).
49. Sutton A., Ades A.E.,
Cooper N., Abrams K. Use of indirect and mixed treatment comparisons for
technology assessment // Pharmacoeconomics 2008. V. 26.
P. 753–67.
50. Stewart L.A, Cl.arke M.J.
Practical methodology of meta-analyses (overviews) using updated individual
patient data // Stat Med. 1995. V. 14. P. 2057–79.
51. Sutton A.J., Higgins J.P.T. Recent developments in
meta-analysis // Stat Med 2008. V. 27. P. 625–50.
52.
53. Lambert P.C., Sutton A.J., Abrams K.R., Jones D.R.
A comparison of summary patient-level covariates in meta-regression with
individual patient data meta-analysis // J Clin Epidemiol. 2002. V. 55. P. 86–94.
54. Xie M., Singh K., Strawderman W.E. Confidence distributions and a unifying
framework for meta-analysis // J AmStat Assoc. 2011.V.
106. P. 320–33.
55. Agresti A. Score and
pseudo-score confidence intervals for categorical data analysis. Stat Biopharm Res In press.
56. Brockwell S.E., Gordon I.R.
A comparison of statistical methods for meta-analysis // Stat Med. 2001. V. 20.
P. 825–40.
57. Sánchez-Meca J., Márin-Martínez F. Confidence intervals for
the overall effect size in random-effects meta-analysis // Psychol
Methods. 2008. V. 13. P. 31–48.
58.
59. Shuster J.J.. Empirical vs natural weighting in random effects metaanalysis
// Stat Med. 2010. V. 29. P. 1259–65; commentary and reply, P.
1266–81.
T
Любое использование материалов допускается только с согласия редакции