Analysing complex interventions using component network meta-analysis
Notice bibliographique
Résumé
Standfirst Systematic reviews with network meta-analysis (NMA) frequently evaluate complex interventions combining multiple healthcare interventions (known as components). Components may act separately of each other or in conjunction with other components, synergistically or antagonistically. Component effect estimation is crucial to produce relevant and clinically meaningful evidence. However, standard NMA cannot quantify individual component effects of complex interventions. This study presents methods for modeling complex interventions and highlights the advantages and limitations of component NMA (CNMA). CNMA enables the estimation of individual component effects, whether additive or interactive. Interaction CNMA can be considered an extension of the additive CNMA model that includes interaction terms. We give practical guidance on how to carry out these analyses via empirical examples, which showcase both the strengths and limitations of CNMA. Implementing CNMA models is complex and requires the skills of a multidisciplinary team including clinicians, methodologists, and statisticians. Summary points CNMA provides the opportunity to disentangle the effects of components of complex interventions and assess their efficacy or safety, accounting for potential interactions in component combinations. Under the additivity assumption, CNMA assumes that the total effect of a complex intervention is the sum of its individual component effects (e.g., if component A lowers a symptom score by 2 points and B by 1 point, A+B is expected to lower it by 3 points), while interaction CNMA is used when there is evidence of violation of additivity and the combined effect differs due to synergy or antagonism. Interaction CNMA can be considered a compromise between additive CNMA and standard NMA, but selecting interaction terms requires clinical, statistical, and methodological considerations. Clinicians and other knowledge users should be engaged in the selection of interaction CNMA models to ensure biological plausibility.
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 | Méta-analyse | low |
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 | 0,109 | 0,232 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,040 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».