《Research Synthesis Methods》：A novel approach for visualizing local consistency in network meta-analysis
编辑推荐：
网络Meta分析（network meta-analysis, NMA）是汇总多项临床试验证据、实现不同干预措施直接与间接比较的标准方法。为保证结果有效性，必须检验其核心假设——不同信息来源的一致性，即直接效应估计值与间接效应估计值相符。该评估至少包含三个关键
网络Meta分析（network meta-analysis, NMA）是汇总多项临床试验证据、实现不同干预措施直接与间接比较的标准方法。为保证结果有效性，必须检验其核心假设——不同信息来源的一致性，即直接效应估计值与间接效应估计值相符。该评估至少包含三个关键维度：（1）直接与间接治疗效应的原始效应量及其对总证据的权重贡献；（2）两者差异的大小及其不确定性/统计学显著性；（3）差异的性质，即直接与间接估计是否一致认为某治疗有益或有害。现有可视化工具（如森林图、热图）存在局限，通常缺失上述至少一个维度，且随着网络中治疗数量增加，可读性显著下降。研究人员提出了一种新的可视化方法，可同时整合上述三个维度并保持较好的可解释性，阐述了其数学原理，并提供了R语言实现代码。
研究背景与意义
网络Meta分析（network meta-analysis, NMA）作为传统Meta分析（meta-analysis, MA）的延伸，能够在同一证据体系中同时比较多种干预措施，甚至包括未直接进行头对头比较的治疗。然而，NMA结果的可靠性高度依赖于一致性假设，即直接证据与通过证据网络间接推导出的证据无系统性偏离。目前常用的局部不一致性可视化方法主要包括森林图（forest plot, FP）和净热图（net heat map, NHM）。森林图虽能展示效应量与置信区间，但难以直观呈现直接证据与间接证据的差异显著性及方向一致性，且随着网络规模扩大，图表会变得冗长难读；净热图主要用于设计不一致性评估，无法提供点对点的差异细节，同样面临大网络下的可读性问题。因此，研究人员迫切需要一种能够同时整合效应量、差异置信区间、统计显著性及证据权重的紧凑型可视化工具，以提升NMA诊断的准确性与效率。
关键技术方法
研究人员基于反向计算（back-calculation, BC）或节点拆分法（node-splitting, NS）的输出结果开发新方法。研究采用两个经典数据集：中等规模的Senn糖尿病数据集（含10种降糖药、26项试验）和大规模的Cipriani抗抑郁药数据集（含21种药物、473项试验）。统计分析基于Rücker提出的频率学固定效应（common-effect）与随机效应（random effects）Meta回归模型。新方法的核心是将直接效应估计值（d）置于横轴、间接效应估计值（i）置于纵轴构建笛卡尔坐标系，通过几何关系映射差异置信区间（confidence interval, CI）与统计检验结果。所有分析均使用R语言netmeta包实现，并提供开源代码。
研究结果
1 Introduction
研究人员回顾了NMA的基本原理，指出一致性假设是连接直接与间接证据的数学基础。当闭合环路中存在同时具备直接与间接证据的比较时，若两者差异过大则提示局部不一致性。现有方法（BC与NS）虽能提供数值结果，但在图形化展示上存在信息割裂的缺陷。
2 Methods
研究人员阐述了新可视化方法的几何原理。在以d为横轴、i为纵轴的平面中，1:1虚线代表d=i的理想状态。以点(d, i)为圆心作圆，其半径长度等于|d?i|。置信区间被映射为通过该圆心且垂直于1:1线的线段（直径）。若该线段与1:1线相交，表明置信区间包含0，差异无统计学意义；若不相交，则差异显著。此外，点所在的象限可反映效应方向的一致性（同号或异号），点的大小可用于表征直接证据的权重占比。
3 Applied examples
在Senn数据集中，新可视化方法成功识别出metf:sulf等比较存在显著不一致性，并清晰展示了metf:piog比较中直接与间接效应方向相反的特征，而这些细节在森林图和净热图中较难直观辨别。在Cipriani大规模数据集中，传统森林图因页数过多失去可读性，净热图则过于繁杂，而新方法能在单一平面内清晰展示数百个比较的分布情况，支持按显著性筛选或按不确定性过滤，显著提升了大网络下的诊断效率。
4 Discussion and conclusion
研究人员指出，固定效应模型对不一致性更敏感，适合作为初步筛查工具；随机效应模型引入了研究间异质性（τ2），会加宽置信区间，可能导致检验效能不足（II类错误）。建议结合两种模型进行综合判断：若随机效应模型中异质性较小，则固定效应模型检出的不一致性更可能是真实的；若异质性极大，则提示整个网络证据质量存疑。该方法虽受限于事后检验的固有低效能，但在视觉上显著优于现有工具，实现了对NMA一致性假设的简洁、全面评估。
研究结论
研究人员提出了一种基于笛卡尔坐标系的“散点-森林图”混合可视化方法，用于展示NMA中的局部环路不一致性。该方法能同时呈现直接效应、间接效应、差异置信区间、统计显著性及证据权重，适用于从中小到超大规模的NMA网络。研究证实，相比传统森林图和净热图，新方法在信息密度与可读性上具有明显优势，有助于研究人员更精准地识别潜在的偏倚来源，从而提升循证医学证据的综合评价质量。相关代码已在GitHub及Zenodo平台开源。
