meta分析之前有给大家写过，但是meta分析只能比较两个方法。经常是被用来证明在现有研究中显示矛盾结果的干预方法到底有没有效的时候使用，通过证据综合得到某种干预到底有没有用的结论。但是如果我要证明好几种方法到底哪个最优，这个时候meta分析就不行了，我们得使用网状meta。
The conventional meta-analysis approach is useful, but is limited in that it can only compare two interventions at a time, and only those evaluated directly in head-to-head trials
网状meta的原理和meta没有区别，精髓在于其利用了间接证据，可以进行多个干预的同时分析。一个研究直接对A、B两种干预进行比较，这个叫做直接证据；所谓的间接证据的意思是，我们有研究比较了A和C、有研究比较了B和C，此时可以构建一个证据链(forming an A-B-C “loop” of evidence)进行AB之间的比较，这个就叫做间接证据。
在临床实践中，若有一系列的药物可以治疗某种疾病，但文献报道的RCT均是药物与安慰剂的对照，而药物互相之间的RCT都没有进行或很少，那么在这种情况下，想要进行药物间效应的比较就需要将间接比较和直接比较的证据进行合并，就可以用网状Meta分析。下面一张图就可以较为清楚地说明网状meta到底在干什么：
在最简单的适用网状meta的情况下给大家一个例子：我们要比较3种方法ABC的有效性，比如我们要比较BC，有研究比较了BA得到MD= -2.3，还有个研究比较了CA得到MD=-4，那么我们通过间接比较就可以得到BC相比的MD为-1.7如下图：
因为有了共同的比较对象A，所以能够间接得到BC的比较结果。能这么比是有一个显而易见的假设需要满足的：所提到的RCT的研究人群得来源于同一个总体，从而我们可以将BA和CA的关系推出BC，这个也叫transitivity。是网状meta可以站得住脚的基础。
The core tenet of the transitivity assumption is that we can combine direct evidence (e.g. from comparisons A −− B and C −− B) to create indirect evidence about a related comparison (e.g. A −− C)
这个假设保证了间接效应是可以成立的，但是研究的协变量不一致的情况下这个假设很容易不满足，所以我们做文献筛选的时候就要将人群尽可能相似的研究纳入，当然时候我们还可以比较直接效应和间接证据的一致性来反映这个假设是否成立。这个时候在统计上又叫做比较consistency或者Incoherence。可以看的统计指标包括I方，包括异质性检验的p值，包括图形热点等。
we can see that the heterogeneity/inconsistency in our network model is very high, with I2= 89.6%. This indicates that selecting a fixed-effect model was probably not appropriate (we will get back to this point later).
了解了这些之后我们给出网状meta的定义：
Network meta-analysis (NMA), also termed multiple treatment meta-analysis or mixed treatment comparisons, was developed as an extension of pairwise meta-analysis to allow comparisons of more than two interventions in a single, coherent analysis of all the relevant RCTs
网状meta最大优势就是可以对治疗同类疾病的不同干预措施进行量化比较，并按照某一结果指标效果进行排序。
The most interesting question we can answer in network meta-analysis is which treatment has the highest effects.
而且最终呈现的图片结果较一般 Meta 分析高端，目前应用越来越多。下表对传统meta分析的步骤进行了总结并且提出了网状meta在相应步骤上的注意事项。
总体来说网状meta要做好其实是非常不容易的，从立题到分析到文献筛选到数据提取到各种偏倚评估再到具体分析操作到最后结果报告都有很多要注意的地方，本文主要聚焦分析实操和结果报告，希望对大家有帮助。
网状meta的结果呈现
在网状meta的文章中都会出一张如下图所示的网叫做Network diagrams：
上面的图展示的各个干预措施的比较情况，哪些是直接比较哪些是间接比较。图中可以看出来Timolol是被比较最多的干预措施。上面这个线的粗细表示研究的数量，点的大小表示用药的人数（研究中的样本量），这些也可以根据需要映射别的指标，比如研究的精准度。
The network geometry shows which interventions have been compared directly in RCTs, and which can only be informed indirectly.
当然我们光看图，视觉上较为直观但是能获取到的信息较少，一般我们还会出一个表作为这个图的补充，这个表就叫做league table或者triangle table：
这个图展示了网状meta的结果，包括了所有可能的两两比较的结果，比如图中左上角的2.52就表示apraclonidine这个药相对于安慰剂来讲就能显著有利于结局。
不同干预方法相互比较的结果出来之后，要指导临床决策我们还需要报告到底哪种方法更好，这个时候我们可以给出一个排序图叫做rankograms，用这个图来展示各个方案成为第几优方案的概率的曲线，如下图：
其余的还有和传统meta分析一样的异质性检验的结果，森林图等。总结起来，一个网状meta的分析部分特别的就包括网状图Network diagrams，三角表league table，累计排序曲线cumulative ranking curve (SUCRA)。
在拟合网状meta的时候我们依然可以选择固定效应模型或者随机效应模型，这个主要从研究异质性考虑，可以看的统计指标包括I方，包括异质性检验的p值，包括图形热点，具体我们在实操中讲解：
A further assumption of NMA is consistency, the statistical agreement between the direct and indirect comparisons. Consistency is the statistical manifestation of transitivity to the data. The approaches for checking inconsistency can be classified in two categories: the global approaches and the local approaches.
For the global approaches, inconsistency is evaluated in the entire network by modifying the NMA model to account for potential inconsistency, whereas the local approaches detect potential “hot spots” of inconsistency in the network, such as by examining individual loops of evidence separately. It is generally recommended to use both types of methods for inconsistency.
实例操练
比如我现在从文献种收集了如下数据：
上面数据中第一列是研究的标签，TE为方法比较的效应值，seTE为对应的标准误，treat1和treat2为对比的组别。
有了上面的数据我们就可以适用netmeta函数做网状meta了，代码如下，需要注意sm为效应量可以为RD,OR,RR,HR,SMD,MD等，要根据实际选择：
m.netmeta <- netmeta(TE = TE, seTE = seTE, treat1 = treat1, treat2 = treat2, studlab = author, data = mydta, sm = "SMD", fixed = TRUE, random = FALSE, reference.group = "cau", details.chkmultiarm = TRUE, sep.trts = " vs ")summary(m.netmeta)运行后得到对比的效应值及其置信区间和Q值，结果如下：
还有每个治疗和参考治疗对比的效应值以及I方：
上图显示我们的I方是很大的，用固定效应模型就不合适，需要用随机效应模型（从I方和异质性检验的结果都可以说明）。
我们也可用Net Heat Plot来查看到底异质性来源是哪一个：
netheat(m.netmeta)上面图中灰色色块越大表示该效应越重要，有色色块表示横轴效应的异质性可以归因于纵轴效应的比例，色块越红比例越高，色块越蓝比例越低。
假设上面的结果做对了，我们可以接着往下出Network diagrams，简单代码示例如下，这个函数有很多参数可以调整的，可以把图做的非常漂亮，大家自己尝试：
netgraph(m.netmeta, labels = long.labels)从这个图中可以直观的看出比较的情况了，当然了我们还需要数值型的结果表达，我们可以做一个league table出来，代码和对应输出如下：
netleague <- netleague(m.netmeta, bracket = "(", # use round brackets digits=2) 最能体现网状meta的优势的地方就是各个干预方法的比较了，通过干预方法排序，回答哪种干预最优，通过下面代码得到每种干预的排序：
netrank(m.netmeta, small.values = "good")运行结果中会输出一个p值，表示的是该方法比其余方法好的概率，这个值越大越好，当然光看p值也不行我们要考虑稳定性，还得看置信区间，这个时候我们可以做一个森林图来展示各个干预相对于参考方案的效应分布。
forest(m.netmeta, reference.group = "cau", sortvar = TE, xlim = c(-1.3, 0.5), smlab = paste("Therapy Formats vs. Care As Usual \n", "(Depressive Symptoms)"), drop.reference.group = TRUE, label.left = "Favors Intervention", label.right = "Favors Care As Usual", labels = long.labels)从上面结果可以看出，相对于参考组，ind的效果是最好的。对于这个结果排序，我们也可以用下面代码出排序曲线：
plot(rankogram(m.netmeta, nsim = 100),type = "line")依然可以得到ind排在第一。
到这儿网状meta分析涉及的网状图Network diagrams，三角表league table，累计排序曲线cumulative ranking curve (SUCRA)就都介绍完了。
推荐阅读：
Rouse B, Chaimani A, Li T. Network meta-analysis: an introduction for clinicians. Intern Emerg Med. 2017 Feb;12(1):103-111. doi: 10.1007/s11739-016-1583-7. Epub 2016 Dec 2. PMID: 27913917; PMCID: PMC5247317.
小结
今天给大家写了网状meta分析的实操和结果解读，传统meta中已经涉及的森林图和漏斗图在本文中略过了，重点关注了网状图Network diagrams，三角表league table，累计排序曲线cumulative ranking curve (SUCRA)。希望大家可以结合传统meta进一步理解网状meta的优势，进一步理解其与传统统计推断的区别。感谢大家耐心看完，自己的文章都写的很细，重要代码都在原文中，希望大家都可以自己做一做，请转发本文到朋友圈后私信回复“数据链接”获取所有数据和本人收集的学习资料。如果对您有用请先记得收藏，再点赞分享。
也欢迎大家的意见和建议，大家想了解什么统计方法都可以在文章下留言，说不定我看见了就会给你写教程哦，有疑问欢迎私信，有合作意向请直接滴滴我。
如果你是一个大学本科生或研究生，如果你正在因为你的统计作业、数据分析、模型构建,科研统计设计等发愁，如果你在使用SPSS, R，Mplus中遇到任何问题，都可以联系我。因为我可以给您提供最好的，最详细和耐心的数据分析服务。
如果你对Z检验，t检验，方差分析，多元方差分析，回归，卡方检验，相关，多水平模型，结构方程模型，中介调节，量表信效度等等统计技巧有任何问题，请私信我，获取详细和耐心的指导。
如果你或你的团队需要专业的科研数据清洗，建模服务，教学培训需求等等。请联系我。
If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #Reports, #Composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.
Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??
Then Contact Me. I will solve your Problem...
If You or Your Research Team Need Professional Scientific Data Cleaning, Model Building Services or Statistical Consulting... Please Contact Me.
往期精彩
R数据分析：非劣效性研究设计的统计处理方法，原理和实例
R数据分析：集成学习方法之随机生存森林的原理和做法，实例解析
R数据分析：净重新分类(NRI)和综合判别改善（IDI）指数的理解
R数据分析：反事实框架和因果中介的理论理解
R数据分析：解决科研中的“可重复危机”，理解Rmarkdown
R数据分析：多项式回归与响应面分析的理解与实操
R数据分析：生存数据的预测模型建立方法与评价（二）
R数据分析：生存数据的预测模型建立方法与评价
R数据分析：生存分析的列线图的理解与绘制详细教程
R数据分析：结合APA格式作图大法讲讲ggplot2和ggsci，请收藏
R数据分析：变量间的非线性关系，多项式，样条回归和可加模型
Mplus数据分析：性别差异gendergap的相关研究如何做？
R机器学习：分类算法之logistics回归分类器的原理和实现
R数据分析：PLS结构方程模型介绍，论文报告方法和实际操作
R数据分析：跟随top期刊手把手教你做一个临床预测模型
R数据分析：如何用层次聚类分析做“症状群”，实例操练
R数据分析：工具变量回归与孟德尔随机化，实例解析
R数据分析：潜类别轨迹模型LCTM的做法，实例解析
R文本挖掘：中文词云生成，以2021新年贺词为例
R机器学习：分类算法之判别分析LDA,QDA的原理与实现
R机器学习：重复抽样在机器学习模型建立过程中的地位理解
R数据分析：用lme4包拟合线性和非线性混合效应模型
R数据分析：孟德尔随机化中介的原理和实操
R数据分析：生存分析的列线图的理解与绘制详细教程
R数据分析：cox模型如何做预测，高分文章复现
R数据分析：广义估计方程式GEE的做法和解释
R数据分析：潜类别轨迹模型LCTM的做法，实例解析
R数据分析:潜变量与降维方法(主成分分析与因子分析)
R数据分析：如何给结构方程画路径图，tidySEM包详解
R数据分析：生存分析与有竞争事件的生存分析的做法和解释
R机器学习：朴素贝叶斯与支持向量机的原理与实现
R数据分析：混合效应模型的可视化解释，再不懂就真没办法
R数据分析：tableone包的详细使用介绍
R数据分析：如何用lavaan包做结构方程模型，实例解析
R机器学习：分类算法之K最邻进算法（KNN）的原理与实现
R数据分析:潜增长模型LGM的做法和解释，及其与混合模型对比
R数据分析：论文中的轨迹的做法，潜增长模型和增长混合模型
R数据分析：纵向分类结局的分析-马尔可夫多态模型的理解与实操
R数据分析：临床预测模型实操，校准曲线和DCA曲线做法示例
R数据分析：国产新冠口服药比辉瑞好的文章的统计做法分享