Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria

Sintesi Tecnica: Produzione di Gerarchie di Trattamento in Meta-Analisi a Rete Utilizzando Modelli Probabilistici e Criteri di Scelta del Trattamento

Definizione del Problema
La meta-analisi a rete (NMA) genera effetti relativi dei trattamenti attraverso molteplici interventi, ma l'interpretazione di tali output per stabilire una gerarchia di trattamento rimane problematica. Le metriche di ranking esistenti, come la probabilità che un trattamento sia il migliore ($p_{BIV}$), i P-score e il SUCRA, spesso mancano di una chiara interpretabilità e non riescono ad accountare adeguatamente l'incertezza. Una critica primaria è che questi metodi possono enfatizzare eccessivamente piccole differenze clinicamente irrilevanti tra gli effetti dei trattamenti, attribuendo ranghi distinti ai trattamenti anche quando le loro prestazioni sono statisticamente indistinguibili. Inoltre, molte metriche non incorporano esplicitamente un "criterio di scelta del trattamento" (TCC) che definisca cosa costituisca una differenza clinicamente importante, portando a classifiche che potrebbero non tradursi bene nel processo decisionale clinico.

Metodologia
Gli autori propongono un nuovo framework che integra un TCC predefinito con un modello di ranking probabilistico per generare gerarchie di trattamento. La metodologia procede in due fasi principali:

1. Definizione del Criterio di Scelta del Trattamento (TCC):
   Gli autori definiscono un TCC basato sulla Piccola Differenza Significativa (Smallest Worthable Difference, SWD). Costruiscono un Range di Equivalenza (ROE) utilizzando la SWD e il suo reciproco (o opposto). Per ogni confronto a coppie tra trattamenti $X$ e $Y$:

• Una preferenza di trattamento ($X > Y$ o $Y > X$) viene stabilita solo se la stima della NMA e i suoi limiti dell'intervallo di confidenza cadono al di fuori del ROE, indicando un effetto clinicamente importante.
• Se l'evidenza cade all'interno del ROE, i trattamenti sono considerati equivalenti (un "pareggio").
• Questo processo trasforma le stime continue degli effetti della NMA in dati di preferenza discreti (preferenza per $X$, preferenza per $Y$, o un pareggio).

2. Modello di Ranking Probabilistico:
   Per sintetizzare questi dati di preferenza, gli autori adattano il modello di Bradley-Terry (esteso da Davidson per includere i pareggi) al contesto della NMA.

• Parametro Latente: A ogni trattamento $X$ viene assegnato un parametere di "abilità" latente ($\psi_X$), che rappresenta la sua propensione a produrre effetti terapeutici veri, clinicamente importanti e benefici rispetto agli altri, dato il TCC.
• Formulazione del Modello: La probabilità che il trattamento $X$ superi il trattamento $Y$ è modellata come $\frac{\psi_X}{\psi_X + \psi_Y + \nu\sqrt{\psi_X\psi_Y}}$, dove $\nu$ è un parametro di disturbo che rappresenta la prevalenza dei pareggi.
• Stima: I parametri sono stimati utilizzando la Stima di Massima Verosimiglianza (MLE) all'interno di un framework frequentista. Gli errori standard sono derivati asintoticamente dalla matrice di informazione di Fisher.
• Output: Il modello fornisce stime di abilità assolute ($\hat{\psi}_X$) e probabilità normalizzate ($\hat{\pi}_X$), rappresentando la probabilità che un trattamento abbia la più alta abilità reale tra tutti i trattamenti.

Contributi Chiave

• Integrazione della Rilevanza Clinica: Il framework incorpora esplicitamente un TCC clinicamente rilevante (tramite la SWD) prima del ranking, garantendo che solo gli effetti che giustificano una preferenza influenzino la gerarchia.
• Gestione dell'Incertezza e dei Pareggi: Convertendo le stime della NMA in dati di preferenza/pareggio basati sugli intervalli di confidenza, il metodo tiene conto naturalmente dell'incertezza. I trattamenti con intervalli di confidenza sovrapposti rispetto alla SWD sono trattati come in pareggio, evitando la separazione artificiale di trattamenti con differenze trascurabili.
• Interpretazione Probabilistica con Misure di Incertezza: A differenza di alcune metriche esistenti, questo approccio fornisce errori standard per le stime di abilità, consentendo la quantificazione dell'incertezza attorno alle posizioni di ranking.
• Implementazione Software: Gli autori hanno sviluppato e rilasciato il pacchetto R mtrank per facilitare l'applicazione di questo metodo.

Risultati
Gli autori hanno validato il metodo attraverso due casi studio clinici e un'indagine empirica su 153 reti pubblicate:

1. Antidepressivi per la Depressione Maggiore (18 trattamenti):

• In questa rete, il trattamento con la maggiore dimensione dell'effetto (Vortioxetina) presentava l'errore standard più elevato.
• Le metriche tradizionali ($p_{BIV}$, P-scores) hanno classificato la Vortioxetina al primo posto.
• Il metodo proposto, applicando una SWD di 1.20, ha prodotto una gerarchia più conservativa in cui l'Escitalopram è stato classificato primo, con la Vortioxetina in secondo posto in pareggio. Ciò rifletteva l'incertezza della stima della Vortioxetina rispetto alla SWD.
• L'analisi di sensibilità ha mostrato che all'aumentare della SWD (richiedendo effetti più grandi), la capacità della Vortioxetina di essere classificata al primo posto aumentava, dimostrando la reattività del metodo ai limiti clinici.

2. Antipertensivi e Incidenza del Diabete (6 trattamenti):

• Questa rete presentava un'alta precisione (bassi errori standard).
• Il metodo proposto ha mostrato un accordo perfetto con le metriche esistenti (P-scores, PReTA, $p_{BIV}$), classificando l'ARB al primo posto e l'ACE al secondo.
• Ciò ha confermato che quando le stime della NMA sono precise e le varianze sono simili, il metodo proposto si allinea con gli approcci stabiliti.

3. Studio Empirico (153 Reti):

• La metrica basata sull'abilità proposta ha mostrato una forte correlazione (mediana > 0.90) con P-scores, P-scores (aggiustati per SWD) e PReTA.
• La correlazione con $p_{BIV}$ è stata moderata (mediana ~0.65).
• Impatto dell'Incertezza: L'accordo tra il metodo proposto e gli altri è stato massimo nelle reti con alta precisione e bassi range di varianza. All'aumentare della varianza media delle stime della NMA, la correlazione è diminuita, evidenziando come il metodo proposto diverga dagli altri proprio quando l'incertezza è elevata e le differenze sono piccole.

Significatività e Rivendicazioni
L'articolo sostiene di offrire un'alternativa preziosa per il ranking dei trattamenti nella NMA che mitiga la sovra-interpretazione di differenze minori. Richiedendo un TCC predefinito, il framework costringe i ricercatori a considerare esplicitamente cosa costituisca un "miglior" trattamento in un contesto clinico specifico prima di generare una gerarchia. Gli autori sottolineano che il loro metodo non è un sostituto per la segnalazione degli effetti relativi della NMA, ma serve come strumento per assistere il processo decisionale.

La significatività risiede nella produzione di gerarchie che sono:

1. Clinicamente Significative: Basate sul fatto che gli effetti superino una soglia di importanza.
2. Robuste: Meno propense ad assegnare ranghi distinti a trattamenti con intervalli di confidenza sovrapposti.
3. Trasparenti: Accompagnate da errori standard per quantificare l'incertezza nel ranking stesso.

Gli autori concludono che, sebbene la definizione di SWD comporti una certa soggettività, il framework consente analisi di sensibilità attraverso diversi valori di SWD, permettendo una comprensione più sfumata delle gerarchie di trattamento sotto diverse assunzioni cliniche. Posizionano questo approccio come particolarmente utile per le reti con incertezza crescente o quando una specifica regola decisionale clinica è fondamentale.