A Gentle Introduction to Bayesian Network Meta-Analysis Using an Automated R Package
Notice bibliographique
Résumé
Yan Liua* , Audrey Béliveaub, Yaguang Weic, Michelle Y. Chend , Rosalynn Record-Lemone, Pei-Lun Kuof, Elizabeth Pritchardg, Xuyan Tange & Guanyu Chene a Department of Psychology, Carleton Universityb Department of Statistics and Actuarial Science, University of Waterlooc Department of Environmental Health, Harvard T.H. Chan School of Public Healthd Paragon Testing Enterprises, Ince Department of Educational and Counselling Psychology, and Special Education, University of British Columbiaf Department of Epidemiology, Bloomberg School of Public Healthg School of Kinesiology, University of British ColumbiaSupplemental data for this article can be accessed online at https://doi.org/10.1080/00273171.2022.2115965.CONTACT Yan Liu yanz.liu@carleton.ca Carleton University, Ottawa K1S 5B6, Canada.AbstractNetwork meta-analysis is an extension of standard meta-analysis. It allows researchers to build a network of evidence to compare multiple interventions that may have not been compared directly in existing publications. With a Bayesian approach, network meta-analysis can be used to obtain a posterior probability distribution of all the relative treatment effects, which allows for the estimation of relative treatment effects to quantify the uncertainty of parameter estimates, and to rank all the treatments in the network. Ranking treatments using both direct and indirect evidence can provide guidance to policy makers and clinicians for making decisions. The purpose of this paper is to introduce fundamental concepts of Bayesian network meta-analysis (BNMA) to researchers in psychology and social sciences. We discuss several essential concepts of BNMA, including the assumptions of homogeneity and consistency, the fixed and random effects models, prior specification, and model fit evaluation strategies, while pointing out some issues and areas where researchers should use caution in the application of BNMA. Additionally, using an automated R package, we provide a step-by-step demonstration on how to conduct and report the findings of BNMA with a real dataset of psychological interventions extracted from PubMed.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | high |
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,060 | 0,027 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».