Il existe maintenant plusieurs approches différentes pour effectuer une méta-analyse de réseau ou une comparaison de traitements mixtes.
Les plus utilisés et les plus accessibles sont probablement les suivants:
dans un cadre bayésien :
- approche d'interaction conception par traitement dans WinBUGS (par exemple Jackson et al );
- modélisation bayésienne hiérarchique basée sur les bras dans WinBUGS (par exemple Zhao et al );
- modélisation bayésienne hiérarchique basée sur le contraste (c'est-à-dire la division des nœuds), soit avec WinBUGS, soit via
gemtc
etrjags
dans R (par exemple Dias et al ou van Valkenhoef et al ); - approximations Laplace imbriquées intégrées (INLA) dans WinBUGS (par exemple Sauter et al );
dans un cadre fréquentiste :
- analyse factorielle de la variance en SAS (par exemple Piepho );
- méta-analyse de réseau à plusieurs niveaux dans SAS (par exemple Greco et al );
- méta-régression multivariée avec
mvmeta
dans Stata ou R (par exemple White et al ); - méta-analyse de réseau avec
lme
etnetmeta
dans R (par exemple Lumley , qui est cependant limité aux essais à deux bras, ou Rucker et al ).
Ma question est simplement: sont-ils à peu près équivalents ou y en a-t-il un qui est préférable dans la plupart des cas pour l'analyse primaire (réservant ainsi les autres pour des analyses accessoires)?
MISE À JOUR
Au fil du temps, il y a eu quelques analyses comparatives sur les méthodes de méta-analyse de réseau: