基于路径的网络荟萃分析不一致性检测与评估方法

《Statistics in Medicine》：A Path-Based Approach for Detecting and Assessing Inconsistency in Network Meta-Analysis

　　

网络荟萃分析（Network Meta-Analysis, NMA）是一种统计技术，用于综合来自不同来源的证据以比较多种干预措施。NMA依赖于整合头对头比较的直接证据以及通过共同对照连接治疗的不同路径的间接证据。一个关键方面是评估直接与间接来源之间的一致性。现有的不一致性检测方法虽然被广泛使用，但存在局限性。例如，它们未能考虑间接来源之间的差异，或者在缺乏直接证据时无法估计不一致性。在本研究中，研究人员引入了一种基于路径的方法，该方法探索所有证据来源而不分离直接与间接证据。研究人员提出一种基于差值的平方度量来定量捕捉不一致性，并提出一种净路径图（Netpath plot）来可视化不同路径之间的不一致性。此外，该方法能够在即使缺乏直接证据的情况下评估治疗比较的不一致性，只要至少有两个独立的证据路径可用。研究人员已在netmeta R包中实现了该基于路径的方法。通过对虚构和真实世界示例的应用，研究人员表明该方法能够检测并可视化多个证据路径之间的不一致性，而这些不一致性在将所有间接来源合并考虑时可能会被掩盖。因此，基于路径的方法为治疗网络内的不一致性提供了更全面的评估。

基于路径的网络荟萃分析不一致性检测与评估方法解读

研究背景与问题

在医学研究中，随机对照试验（Randomized Controlled Trials, RCTs）被认为是最可靠的比较治疗方案的方法。随着可用治疗方案的增加，潜在的成对比较数量急剧增长。网络荟萃分析（Network Meta-Analysis, NMA）通过同时纳入直接证据（头对头比较）和间接证据（通过共同对照连接的不同路径）来提供更全面的效应估计。然而，NMA的可靠性高度依赖于一致性假设，即针对特定比较的不同证据来源必须相互一致。不一致性的存在会削弱从NMA得出的结论的可靠性，因此对其进行检测和评估对于做出稳健的循证医学决策和政策建议至关重要。

现有不一致性检测方法分为局部方法和全局方法。局部方法包括环路特异性法（loop-specific method）、侧分法（side-splitting method）和净热图法（net heat plot），全局方法则包括设计-处理交互作用模型（Design-by-Treatment Interaction, DBT）。然而，这些方法均存在显著局限性：局部方法计算成本高，无法检测不同间接证据来源之间细微的不一致性，且在缺乏直接证据时无法评估不一致性；全局方法虽能识别整体不一致性，但不能定位具体问题所在。特别地，当不同间接估计之间存在对称性冲突时，将这些间接证据合并会掩盖实际存在的不一致性，导致检测失效。

为解决上述问题，研究人员提出了一种基于“证据路径”（paths of evidence）概念的新方法，将每条间接估计单独处理，而非将所有间接证据合并为一个总体间接估计。

研究方法与技术

本研究采用的主要技术方法包括：

1. 1.
   帽子矩阵（Hat Matrix）构建：利用网络结构及各直接比较的方差信息，构建将观察到的直接效应映射到NMA估计值的帽子矩阵H，该矩阵的元素反映了各直接比较对网络估计的影响权重。
2. 2.
   路径发现算法：基于深度优先搜索（Depth-First Search, DFS）方法，从帽子矩阵对应行中提取从起始治疗节点到目标治疗节点的所有有向路径，每条路径代表一个独立的证据来源。
3. 3.
   路径不一致性统计量：定义路径效应向量（各路径估计值）和路径协方差矩阵（包含路径内方差及路径间协方差），构建卡方分布统计量Q_xy来衡量各路径估计值与网络估计值之间的加权偏离程度。
4. 4.
   线性依赖路径处理：通过路径邻接矩阵（path-adjacency matrix）的秩分析识别线性相关的路径集合，去除冗余路径以确保协方差矩阵可逆，且证明该选择不影响最终统计量的计算结果。
5. 5.
   净路径图（Netpath Plot）可视化：计算每对路径间的标准化距离，以热力图形式展示不同路径之间的不一致程度，并通过行得分（row score）对各路径进行排序，量化每条路径与其他路径的整体冲突程度。

以上方法已在netmeta R包中以新函数netpath()的形式实现。

研究结果

2.1 动机示例

研究人员构建了一个包含四种治疗（A、B、C、D）和五个直接比较的虚构网络。对于比较A vs C，存在一个直接估计和两个间接估计（分别经由B和D）。三个估计值分别为d_AC=0、d_ABC=0.5、d_ADC=-0.5，而合并后的间接估计恰好等于直接估计（均为0），导致传统方法无法检测到不一致性。

2.2 传统方法对比

• •
  环路特异性法：在三个环路中检测到不同程度的不一致性，但存在多臂试验处理困难、独立环路选择无明确指南等问题。
• •
  侧分法：对于A vs C比较，由于合并间接估计等于直接估计，得到Z=0、p=1.00，完全未能检测到不一致性；而对于B vs C比较则成功检测到不一致性（p=0.01）。
• •
  设计-处理交互作用模型：全局Wald检验显示p=0.003，成功识别了网络中存在不一致性，但无法定位具体问题所在。
• •
  净热图法：对于A vs C比较，移除任何其他比较均显示不一致性指标增加（蓝色），与预期相反，表明该方法未能反映间接证据内部的不一致性。

3.2 路径不一致性

基于帽子矩阵构建有向网络后，研究人员发现A vs C和B vs C比较各有三条路径。通过路径不一致性统计量Q_xy，两者均获得p=0.003，成功检测到显著的不一致性。

3.3 线性依赖路径

在第二个虚构示例（五节点七边网络）中，对于1 vs 3比较，存在五条间接路径。研究发现其中四条路径存在线性关系（P₁+P₂=P₃+P₄），需去除一条依赖路径后方可计算。

3.4 净路径图

通过净路径图可视化，对于A vs C比较，两条间接路径之间的不一致程度最高，而直接路径与两条间接路径的不一致程度相等，完美揭示了传统方法无法检测的对称性冲突模式。行得分排序进一步量化了各路径的相对冲突程度。

4.2 二甲双胍vs安慰剂（含直接证据的比较）

在包含十种糖尿病干预措施的真实数据集中，对于二甲双胍vs安慰剂的比较，侧分法得到p=0.45，未检测到不一致性。而路径方法发现了七条独立路径，其效应估计值从-1.46到-0.32不等，Q₃₆=16.72，p=0.010，成功检测到传统方法遗漏的不一致性。

讨论与结论

本研究提出的基于路径的不一致性评估方法通过将每条间接证据视为独立的证据路径，有效克服了传统方法在合并间接证据时可能掩盖不一致性的根本缺陷。该方法不仅适用于含有直接证据的比较，还能在缺乏直接证据的情况下，只要有至少两条独立路径即可进行评估，这是传统局部方法无法实现的。净路径图及其行得分指标为研究人员提供了直观的可视化工具，帮助定位不一致性的具体来源并量化各路径的相对冲突程度。通过在虚构和真实数据集上的应用验证，该方法展现了比现有方法更全面、更精确的不一致性检测能力。研究结论表明，基于路径的方法为治疗网络中的不一致性评估提供了一种更全面的解决方案，有望提高NMA结果的可靠性和循证医学决策的科学性。