Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria
利用概率模型与治疗选择准则构建网络荟萃分析的治疗层级AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究临床网络荟萃分析的概率排序，未明确涉及经济学离散选择或网络干扰效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用概率模型与治疗选择准则构建网络荟萃分析的治疗层级
- 研究问题
- 网络荟萃分析中，如何使治疗排序对应明确的临床选择标准，并减少因估计不确定性和微小效应差异造成的过度解读？
- 方法与思路
- 作者以最小值得关注差异定义治疗选择准则，将相对效应转为偏好数据，再用含潜在能力参数的概率排序模型进行最大似然估计。
- 材料陈述的贡献
- 摘要称方法提供可解释的治疗层级与R包mtrank；两项临床应用及153个已发表网络的比较显示，与既有排序的一致程度取决于估计精度。
- 阅读关注点
- 应核对临床差异阈值如何设定、偏好转换是否保留效应估计的不确定性，以及潜在能力参数的解释和渐近标准误的适用条件。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未给出完整模型假设或不确定性传递机制，不能确认排序在所有网络中稳健。
原文摘要
A key output of network meta-analysis (NMA) is the relative ranking of treatments; nevertheless, it has attracted substantial criticism. Existing ranking methods often lack clear interpretability and fail to adequately account for uncertainty, over-emphasizing small differences in treatment effects. We propose a novel framework to estimate treatment hierarchies in NMA using a probabilistic model, focusing on a clinically relevant treatment-choice criterion (TCC). Initially, we formulate a mathematical expression to define a TCC based on smallest worthwhile differences (SWD), converting NMA relative treatment effects into treatment preference format. This data is then synthesized using a probabilistic ranking model, assigning each treatment a latent 'ability' parameter, representing its propensity to yield clinically important and beneficial true treatment effects relative to the rest of the treatments in the network. Parameter estimation relies on the maximum likelihood theory, with standard errors derived asymptotically from Fisher's information matrix. To facilitate the use of our methods, we launched the R package mtrank. We applied our method to two clinical datasets: one comparing 18 antidepressants for major depression and another comparing 6 antihypertensives for the incidence of diabetes. Our approach provided robust, interpretable treatment hierarchies that account for a concrete TCC. We further examined the agreement between the proposed method and existing ranking metrics in 153 published networks, concluding that the degree of agreement depends on the precision of the NMA estimates. Our framework offers a valuable alternative for NMA treatment ranking, mitigating over-interpretation of minor differences. This enables more reliable and clinically meaningful treatment hierarchies.