Meta-análise em rede

Comparar três ou mais tratamentos, incluindo os que nunca foram testados entre si

Use este módulo quando você tem vários tratamentos e nem todos foram comparados diretamente. A rede usa as comparações diretas para estimar as indiretas: se A foi comparado com B, e B com C, dá para estimar A contra C.

Siga o fluxo em três passos, mas tanto a entrada quanto a saída são diferentes aqui.

Passo 1, os dados

O formato é longo, uma linha por braço, e não por estudo. Não há colunas .e e .c: os estudos se repetem, uma vez para cada braço.

study	treatment	responders	sampleSize
Study A	Drug A	12	120
Study A	Drug B	20	118
Study B	Drug A	15	130
Study B	Placebo	23	128

São três submódulos:

Submódulo	Colunas obrigatórias
Binário	study, treatment, responders, sampleSize
Contínuo	study, treatment, mean, std.dev, sampleSize
Pré-calculado	study, treat1, treat2, TE, lower, upper

No submódulo pré-calculado a linha é uma comparação, não um braço, por isso existem treat1 e treat2.

O nome do tratamento precisa ser idêntico

Drug A, drug A e Drug-A viram três nós diferentes na rede. É o erro mais comum aqui, e a rede sai desconexa sem que nada acuse o motivo. Padronize os nomes na planilha antes de carregar.

Cada estudo precisa de pelo menos dois braços. Estudos com três ou mais são aceitos, e o Data check informa quantos existem, porque eles exigem tratamento estatístico especial, que o netmeta já faz.

Passo 2, os parâmetros

Outcome settings

Outcome name entra nos títulos e nomes de arquivo.

Summary measure (sm) depende do submódulo: RR, OR e RD no binário, MD e SMD no contínuo, e HR, RR, OR, MD, SMD no pré-calculado. Cada um se comporta como nos módulos pareados.

Reference treatment (optional) define contra qual tratamento os demais são comparados no forest plot. Deixando em branco, o app escolhe sozinho. Isso não muda a rede, só o ponto de vista da figura.

For ranking, smaller values are (padrão Good) informa se valores menores são bons ou ruins. Define a direção do ranqueamento por P-score. Para um desfecho como mortalidade, em que valores menores são desejáveis, escolha Good; para um como resposta ao tratamento, em que valores maiores são desejáveis, escolha Bad.

Este campo inverte o ranking inteiro

Errar aqui não gera erro nem aviso. O P-score sai calculado, bonito, e com a ordem invertida. Confira antes de reportar qualquer ranking.

Statistical settings (advanced)

Analysis model (padrão Random-effects) e Tau method (padrão REML) funcionam como no módulo binário. Em rede o modelo aleatório é quase sempre a escolha certa, porque a rede reúne estudos ainda mais diversos que uma comparação par a par.

Não há Prediction interval, Random CI method nem Prediction method neste módulo.

Passo 3, exportação e resultados

Esta é a parte mais diferente dos outros módulos. São oito cartões.

Forest plot compara todos os tratamentos contra a referência escolhida.

Network graph desenha a rede: os tratamentos são os nós e as comparações diretas são as arestas, com espessura proporcional à quantidade de evidência direta. Vale ser a primeira coisa que você olha, porque mostra de imediato se a rede é conexa e onde a evidência é fina.

League table traz todas as comparações par a par numa tabela única, que sai em Excel. É a tabela que costuma ir para o material suplementar.

Between-study heterogeneity abre a decomposição por desenho e as estatísticas Q, que separam a heterogeneidade dentro dos desenhos da inconsistência entre eles.

Node splitting compara evidência direta e indireta para cada comparação em que as duas existem. É o teste local de inconsistência.

P-score ranking ordena os tratamentos. O P-score vai de 0 a 1 e resume a probabilidade de um tratamento ser melhor que os outros.

Comparison-adjusted funnel plot examina efeitos de estudo pequeno ao longo das comparações da rede.

Pairwise object baixa o objeto de comparações par a par usado para montar a rede, útil para conferência e reprodutibilidade.