medigraphic.com
Anales de la Sociedad Mexicana de Oftalmología y Archivos de la Asociación Para Evitar la Ceguera en México

2018, Número 3

<< Anterior Siguiente >>

Rev Mex Oftalmol 2018; 92 (3)


Metaanálisis en red

Fau C, Nabzo S, Nasabun V

Idioma: Español
Referencias bibliográficas: 18
Paginas: 153-159
Archivo PDF: 167.25 Kb.


RESUMEN

El metaanálisis en red (también llamado comparaciones mixtas de tratamientos) es una poderosa técnica estadística que combina diferentes estudios para realizar el análisis de tratamientos múltiples o estimar un efecto indirecto en ausencia de una comparación directa. Estos estudios se realizan mediante el desarrollo de una red de análisis, lo que permite calcular los efectos relativos de todos los tratamientos o intervenciones incluidos en la red simultáneamente, utilizando técnicas que estiman los análisis directos e indirectos de la evidencia. Las comparaciones indirectas son comparaciones de diferentes tratamientos utilizando datos de distintos estudios mediante un comparador en común, ya sea porque no existen estos estudios o son de baja calidad o bien porque se desea comparar numerosas alternativas. En el metaanálisis en red, la comparación mixta del tratamiento está basada en una red de bucles cerrados. Estos proveen mucha más información y está menos sesgada que la de los bucles abiertos. Actualmente, en los bucles o ciclos cerrados se utilizan varios métodos estadísticos para su análisis, pero en cada estudio se utiliza un enfoque estadístico único. Los más frecuentes hasta la fecha son los métodos bayesianos. Por lo tanto, es más importante el análisis del proceso de investigación y la red creada que la obtención de una medida única ponderada final. El objetivo de esta revisión narrativa es describir los conceptos fundamentales de los metaanálisis en red, su utilidad, las consideraciones metodológicas, los fundamentos del análisis, la conformación de la red y sus principales limitaciones.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Jansen JP, Trikalinos T, Cappelleri JC, Daw J, Andes S, Eldessouki R, et al. Indirect Treatment Comparison/Network Meta-Analysis Study Questionnaire to Assess Relevance and Credibility to Inform Health Care Decision Making: An ISPOR-AMCP-NPC Good Practice Task Force Report. Value in Health. 2014;17(2):157-73.

  2. Lumley T. Network meta-analysis for indirect treatment comparisons. Stat Med. 2002;21(16):2313-24.

  3. Li T, Puhan MA, Vedula SS, Singh S, Dickersin K. Network meta-analysis- highly attractive but more methodological research is needed. BMC Med. 2011;9:1-5.

  4. Van Valkenhoef G, Tervonen T, Zhao J, De Brock B, Hillege HL, Postmus D. Multicriteria benefit-risk assessment using network meta- analysis. J Clin Epidemiol. 2012;65(4):394-403.

  5. Haynes RB. Of studies, syntheses, synopses, summaries, and systems: the “5S” evolution of information services for evidence-based healthcare decisions. Evid Based Med. 2006;11(6):162-4.

  6. Van der Valk R, Webers CA, Lumley T, Hendrikse F, Prins MH, Schouten JS. Network meta-analysis combined direct and indirect comparisons between glaucoma drugs to rank effectiveness in lowering intraocular pressure. J Clin Epidemiol. 2009;62(12):1279-83.

  7. Hutton B, Salanti G, Caldwell DM, Chaimani A, Schmid CH, Cameron C, et al. The PRISMA extension statement for reporting of systematic reviews incorporating network meta-analyses of health care interventions: checklist and explanations. Ann Intern Med. 2015;162(11):777-84.

  8. Chung H, Lumley T. Graphical exploration of network meta-analysis data: the use of multidimensional scaling. Clin Trials. 2008;5(4):301-7.

  9. Chaimani A, Higgins JP, Mavridis D, Spyridonos P, Salanti G. Graphical tools for network meta-analysis in STATA. PLoS One. 2013; 8:e76654.

  10. Zhang J, Xie J, Hou W, Tu X, Xu J, Song F, et al. Mapping the knowledge structure of research on patient adherence: knowledge domain visualization based co-word analysis and social network analysis. PLoS One. 2012;7(4):e34497.

  11. Jones B, Roger J, Lane PW, Lawton A, Fletcher C, Cappelleri JC, et al. Statistical approaches for conducting network meta-analysis in drug development. Pharm Stat. 2011;10(6):523-31.

  12. Song F, Clark A, Bachmann MO, Maas J. Simulation evaluation of statistical properties of methods for indirect and mixed treatment comparisons. BMC Med Res Methodol. 2012;12:138.

  13. Song F, Xiong T, Parekh-Bhurke S, Loke YK, Sutton AJ, Eastwood AJ, et al. Inconsistency between direct and indirect comparisons of competing interventions: meta-epidemiological study. BMJ. 2011; 343:d4909.

  14. Catalá-López F, Hutton B, Moher D. La propiedad transitiva en los ensayos clínicos controlados: si B es mejor que A y C es mejor que B, ¿C será mejor que A? Rev Esp Cardiol. 2014;67(8):597-602.

  15. Veroniki AA, Vasiliadis HS, Higgins JP, Salanti G. Evaluation of inconsistency in networks of interventions. Int J Epidemiol. 2013;42(1):332-45.

  16. Song F, Loke YK, Walsh T, Glenny AM, Eastwood AJ, Altman DG. Methodological problems in the use of indirect comparisons for evaluating healthcare interventions: survey of published systematic reviews. BMJ. 2009;338(7700):932-5.

  17. Neupane B, Richer D, Bonner AJ, Kibret T, Beyene J. Network Meta- Analysis Using R: A Review of Currently Available Automated Packages. PLoS One. 2015;10(4):e0123364.

  18. Tobías A, Catalá-López F, Roqué M. Desarrollo de una hoja Excel para metaanálisis de comparaciones indirectas y mixtas. Rev Esp de Salud Pública. 2014;88(1):5-15.




2020     |     www.medigraphic.com