Methods to assess evidence consistency in <scp>dose‐response</scp> model based network <scp>meta‐analysis</scp>
Notice bibliographique
Résumé
Abstract Network meta‐analysis (NMA) simultaneously estimates multiple relative treatment effects based on evidence that forms a network of treatment comparisons. Heterogeneity in treatment definitions, such as dose, can lead to a violation of the consistency assumption that underpins NMA. Model‐based NMA (MBNMA) methods have been proposed that allow functional dose‐response relationships to be estimated within an NMA, which avoids lumping different doses together and thereby reduces the likelihood of inconsistency. Dose‐response MBNMA relies on appropriate specification of the dose‐response relationship as well as consistency of relative effects. In this article we describe methods to check for inconsistency in dose‐response MBNMA models. Global and local (node‐splitting) tests for inconsistency are described that account for studies with ≥3 arms that are typical in dose‐finding trials. We show that consistency needs to be assessed with respect to the choice of dose‐response function. We illustrate the methods using a network comparing biologics for moderate‐to‐severe psoriasis. By comparing results from an Emax and an exponential dose‐response function we show that failure to correctly characterise the dose‐response can introduce apparent inconsistency. The number of comparisons for which node‐splitting is possible is also shown to be dependent on the complexity of the selected dose‐response function. We highlight that the nature of dose‐finding studies, which typically compare multiple doses of the same agent, provide limited scope to assess inconsistency, but these study designs help guard against inconsistency in the first place. We demonstrate the importance of assessing consistency to obtain robust relative effects to inform drug‐development and policy decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».