Ranking of treatments in network meta-analysis: incorporating minimally important differences
Notice bibliographique
Résumé
BACKGROUND: In network meta-analysis (NMA), the magnitude of difference between treatment effects is typically ignored in the calculation of ranking metrics, such as probability best and surface under the cumulative ranking curve (SUCRAs). This leads to treatment rankings which may not reflect clinically meaningful differences. Minimally important differences (MIDs) represent the smallest value in a given outcome that is considered by patients or clinicians to represent a meaningful difference between treatments. There is a lack of literature on how MIDs can be incorporated into common NMA ranking metrics such as SUCRAs to give more clinically oriented treatment rankings. METHODS: th best, and MID-adjusted SUCRA values. Since adjustment for MIDs allows for ties between treatments in a network, methods for handling ties in ranking are discussed, with it shown that the midpoint method for handling ties retains the property that the average value of all SUCRA values in a network is one half. Comparability of MID-adjusted P-scores and MID-adjusted SUCRA values is discussed, and a Bayesian software implementation of the MID-adjusted ranking metrics is provided. RESULTS: Two real-world applications of MID-adjusted ranking metrics are presented to illustrate their use. Specifically, NMAs are conducted based on published networks on treatments for diabetes and Parkinson's disease. To present the results, MIDs are selected from relevant literature to interpret MID-adjusted ranking metrics for these networks. CONCLUSIONS: Failure to consider MIDs when ranking treatments can lead to ranking metrics which are not clinically relevant. Our proposed MID-adjusted Bayesian ranking metrics address this challenge. Further, we show that the use of the midpoint method for addressing ties ensures comparability between standard ranking metrics and MID-adjusted ranking metrics. The methods are easily applied in a Bayesian framework using the R package mid.nma.rank.
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 | 0,724 | 0,634 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,005 |
| Bibliométrie | 0,003 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».