Главная

О журнале |  Архив |  Текущий номер |  Подписка |  Авторам |  Контакты      


Журнал "Проблемы стандартизации в здравоохранении"

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. Chichester, UK: John Wiley & Sons, Ltd., 2000.

4. Higgins J.P.T., Green S. Cochrane Handbook for Systematic Reviews of Interventions. Chichester, UK: John Wiley & Sons, Ltd., 2008.

5. Borenstein M., Hedges L.V., Higgins J.P.T., Rothstein H.R. Introduction to Meta-Analysis. Chichester, UK: John Wiley & Sons, Ltd., 2009.

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 S.A., Chen L. et al. Indirect Evidence: Indirect Treatment Comparisons in Meta-Analysis. Ottawa, Canada: Canadian Agency for Drugs and Technologies in Health, 2009.

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 C.A., Lumley T. et al. A network meta-analysis combined direct and indirect comparisons between glaucoma drugs to rank effectiveness in lowering intraocular pressure // J Clin Epidemiol. 2009. V. 62. P. 1279–83.

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., Burton P.R. et al. How vague is vague? A simulation study of the impact of the use of vague prior distributions in MCMC using WinBUGS // Stat Med. 2005. V. 24. P. 2401–28.

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. Chichester, UK: John Wiley & Sons, Ltd., 2008.

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., Griffith L.E., Walter S.D. The results of direct and indirect treatment comparisons in meta-analysis of randomized controlled trials // J Clin Epidemiol. 1997. V. 50. P. 683–91.

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. Cambridge, UK: MRC Biostatistics Unit, 2002.

36. OpenBUGS. Available from: www.openbugs.info. [Accessed December 6, 2010].

37. SAS Institute Inc. SAS/STAT User’s Guide, version 9.2. Cary, NC: SAS Institute Inc., 2008.

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., Hoaglin D.C., Mosteller F., Colditz G.A. A random-effects regression model for meta-analysis // Stat Med. 1995. V. 14. P. 395–411.

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. Greenland S., Morgenstern H. Ecological bias, confounding, and effect modification // Int J Epidemiol. 1989. V. 18. P. 269–74.

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. Jackson D. The significance level of the standard test for a treatment effect in meta-analysis // Stat Biopharm Res. 2009. V. 1. P. 92–100.

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



Programming & design
by I.S.0pаrin