哪种是网络荟萃分析的最佳方法？

现在有几种不同的方法可以进行网络荟萃分析或混合治疗比较。

最常用和可访问的可能是以下几种：

• 在贝叶斯框架中：

  • WinBUGS中的按处理设计交互方法（例如Jackson等）；
  • WinBUGS中基于手臂的分层贝叶斯建模（例如Zhao等）；
  • 分层对比度为基础（即，节点分裂）贝叶斯建模，无论是与WinBUGS软件或通过gemtc与rjags在R（例如Dias等或货车Valkenhoef等人）;
  • WinBUGS中的集成嵌套拉普拉斯近似（INLA）（例如Sauter等）；

• 在常客框架中：

  • SAS的因子分析方差分析（例如Piepho）；
  • SAS中的多层次网络荟萃分析（例如Greco等）；
  • mvmeta在Stata或R中的多元元回归（例如White等）；
  • lme和netmetaR中进行网络荟萃分析（例如Lumley，但仅限于两臂试验，或Rucker等）。

我的问题很简单：它们大致相等还是在大多数情况下更适合进行主要分析（因此将其他保留为辅助分析）？

更新

一段时间以来，对网络元分析的方法进行了一些比较分析：

1. Carlin BP，Hong H，Shamliyan TA，Sainfort F，Kane RL。案例研究比较贝叶斯方法和常见方法进行多次治疗比较。医疗保健研究与质量局（美国）。2013。

我认为，建模方法和估计技术应分开查看。从建模的角度来看，Lumley模型仅适用于两臂试验。因此，这不是可取的。据我了解，您将其称为Dias等人的节点拆分方法非常直观。另外，我认为您应该添加按设计进行交互的方法（http://www.ncbi.nlm.nih.gov/pubmed/24777711）。从估计的角度来看，我对频繁使用的技术了解不多，但是可以将MCMC用于几乎所有NMA模型。最后，还有另一种称为INLA的技术（不幸的是，它并不广为人知）。您可以在R内使用INLA并拟合NMA模型，它速度更快，并且无需检查收敛诊断。这是论文http://www.ncbi.nlm.nih.gov/pubmed/26360927。因此，最后，我更喜欢使用INLA进行节点拆分和按设计进行交互的方法。