Uncovering All Highly Credible Binary Treatment Hierarchy Questions in Network Meta-Analysis
Decision problems with multiple treatment options generate a vast number of possible hierarchy questions, such as which treatments rank among the best, or whether certain options rank in a particular order. As the number of treatments increases, evaluating all such questions becomes infeasible.
In network meta-analysis (NMA), a workaround is to pre-specify hierarchy questions of interest and evaluate their empirical support, but this risks overlooking other strongly supported conclusions.
We propose efficient algorithms that automatically identify all true-or-false hierarchy questions whose empirical support exceeds a chosen credibility threshold (e.g., 95%), followed by trimming to remove redundant results. We classify these binary hierarchy questions into six types, ranging from conventional pairwise comparisons and top-rank assessments to more complex structures. The method is accessible in an R package and illustrated using NMAs of diabetes and depression treatments.
In network meta-analysis (NMA), a workaround is to pre-specify hierarchy questions of interest and evaluate their empirical support, but this risks overlooking other strongly supported conclusions.
We propose efficient algorithms that automatically identify all true-or-false hierarchy questions whose empirical support exceeds a chosen credibility threshold (e.g., 95%), followed by trimming to remove redundant results. We classify these binary hierarchy questions into six types, ranging from conventional pairwise comparisons and top-rank assessments to more complex structures. The method is accessible in an R package and illustrated using NMAs of diabetes and depression treatments.
Identification exhaustive des questions binaires hautement crédibles sur la hiérarchie des traitements en méta-analyse en réseau
Les problèmes décisionnels impliquant plusieurs options de traitement génèrent un grand nombre de questions possibles concernant la hiérarchie des traitements, telles que l'identification des meilleurs traitements ou la question de savoir si certaines options se classent systématiquement dans un ordre particulier. À mesure que le nombre de traitements augmente, il devient impossible d'évaluer toutes ces questions empiriquement.
Dans la méta-analyse en réseau, une solution consiste à préspécifier des questions de hiérarchie des traitements d'intérêt et à évaluer leur soutien empirique, mais cela risque de négliger d'autres conclusions fortement soutenues par les données.
Nous proposons des algorithmes efficaces qui définissent automatiquement toutes les questions binaires (à réponse vrai ou faux) de hiérarchie des traitements dont le soutien empirique dépasse un seuil de crédibilité choisi (par exemple, 95 %), puis les élaguent pour éliminer les résultats redondants. Nous classons ces questions binaires de hiérarchie en six types, englobant les comparaisons par paires classiques, les évaluations des meilleurs rangs ainsi qu'une diversité de structures plus complexes. La méthode développée est offerte dans un paquet R et illustrée à l'aide de méta-analyse en réseau sur les traitements du diabète et de la dépression.
Dans la méta-analyse en réseau, une solution consiste à préspécifier des questions de hiérarchie des traitements d'intérêt et à évaluer leur soutien empirique, mais cela risque de négliger d'autres conclusions fortement soutenues par les données.
Nous proposons des algorithmes efficaces qui définissent automatiquement toutes les questions binaires (à réponse vrai ou faux) de hiérarchie des traitements dont le soutien empirique dépasse un seuil de crédibilité choisi (par exemple, 95 %), puis les élaguent pour éliminer les résultats redondants. Nous classons ces questions binaires de hiérarchie en six types, englobant les comparaisons par paires classiques, les évaluations des meilleurs rangs ainsi qu'une diversité de structures plus complexes. La méthode développée est offerte dans un paquet R et illustrée à l'aide de méta-analyse en réseau sur les traitements du diabète et de la dépression.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English