¿Cuál es el mejor método para el metanálisis de red?

Ahora hay varios enfoques diferentes para realizar un metanálisis de red o una comparación de tratamiento mixto.

Los más utilizados y accesibles son probablemente los siguientes:

• en un marco bayesiano :

  • enfoque de interacción diseño por tratamiento en WinBUGS (por ejemplo, Jackson et al );
  • modelado bayesiano jerárquico basado en brazos en WinBUGS (por ejemplo, Zhao et al );
  • modelado bayesiano jerárquico basado en contraste (es decir, división de nodos), ya sea con WinBUGS o a través gemtcy rjagsen R (por ejemplo, Dias et al o van Valkenhoef et al );
  • aproximaciones de Laplace anidadas integradas (INLA) en WinBUGS (por ejemplo, Sauter et al );

• en un marco frecuentista :

  • análisis de varianza factorial en SAS (por ejemplo, Piepho );
  • metaanálisis de redes multinivel en SAS (por ejemplo, Greco et al );
  • meta-regresión multivariada con mvmetaStata o R (por ejemplo, White et al );
  • metaanálisis de red con lmey netmetaen R (por ejemplo , Lumley , que sin embargo se limita a ensayos de dos brazos, o Rucker et al ).

Mi pregunta es, simplemente: ¿son más o menos equivalentes o hay uno que sea preferible en la mayoría de los casos para el análisis primario (reservando así los otros para los auxiliares)?

ACTUALIZAR

A lo largo del tiempo, ha habido algunos análisis comparativos sobre métodos para el metanálisis de redes:

1. Carlin BP, Hong H, Shamliyan TA, Sainfort F, Kane RL. Estudio de caso que compara enfoques bayesianos y frecuentes para comparaciones de tratamientos múltiples. Agencia de Investigación y Calidad de la Atención Médica (EE. UU.). 2013

Creo que los enfoques de modelado y las técnicas de estimación deben verse por separado. Desde el punto de vista del modelado, el modelo Lumley solo funciona para ensayos de dos brazos. Por lo tanto, no es preferible. Según tengo entendido, el enfoque de división de nodos, que usted enumeró como Dias et al, es muy intuitivo. Además, creo que debería agregar el enfoque de interacción diseño por tratamiento ( http://www.ncbi.nlm.nih.gov/pubmed/24777711 ). Desde el punto de vista de la estimación, no sé mucho sobre técnicas frecuentas, pero uno puede usar MCMC para casi todos los modelos para NMA. Por último, existe una técnica diferente (que desafortunadamente no se conoce ampliamente) llamada INLA. Puede usar INLA desde R y adaptarse a los modelos NMA, es más rápido y no es necesario verificar los diagnósticos de convergencia. Aquí está el documento http://www.ncbi.nlm.nih.gov/pubmed/26360927. Entonces, al final, preferiría la división de nodos y el enfoque de interacción diseño por tratamiento usando INLA.