Numerous meta-analyses in healthcar

Numerous meta-analyses in healthcare research combine results from only a small number of studies, for which the variance representing between-study heterogeneity is estimated imprecisely. A Bayesian approach to estimation allows external evidence on the expected magnitude of heterogeneity to be incorporated.

The aim of this paper is to provide tools that improve the accessibility of Bayesian meta-analysis. We present two methods for implementing Bayesian meta-analysis, using numerical integration and importance sampling techniques. Based on 14 886 binary outcome meta-analyses in the Cochrane Database of Systematic Reviews, we derive a novel set of predictive distributions for the degree of heterogeneity expected in 80 settings depending on the outcomes assessed and comparisons made. These can be used as prior distributions for heterogeneity in future meta-analyses.

The two methods are implemented in R, for which code is provided. Both methods produce equivalent results to standard but more complex Markov chain Monte Carlo approaches. The priors are derived as log-normal distributions for the between-study variance, applicable to meta-analyses of binary outcomes on the log odds-ratio scale. The methods are applied to two example meta-analyses, incorporating the relevant predictive distributions as prior distributions for between-study heterogeneity.

We have provided resources to facilitate Bayesian meta-analysis, in a form accessible to applied researchers, which allow relevant prior information on the degree of heterogeneity to be incorporated. © 2014 The Authors. Statistics in Medicine published by John Wiley & Sons Ltd.

ผลลัพธ์ (ไทย) 1:

Meta-วิเคราะห์มากมายในงานวิจัยสุขภาพรวมผลลัพธ์จากเพียงจำนวนน้อยศึกษา ซึ่งผลต่างแทนระหว่างศึกษา heterogeneity คือประมาณ imprecisely ทฤษฎีแนวทางการประเมินทำให้หลักฐานภายนอกบนขนาดที่คาดไว้ของ heterogeneity จะถูกรวมจุดประสงค์ของเอกสารนี้คือการ ให้เครื่องมือที่ปรับปรุงการเข้าถึงของ meta-analysis ของทฤษฎี เรานำเสนอวิธีการสองวิธีสำหรับการนำทฤษฎี meta-analysis รวมตัวเลขและเทคนิคการสุ่มตัวอย่างความสำคัญ เราตาม 14 886 ผลไบนารี meta-วิเคราะห์ในขั้นฐานข้อมูลจากระบบของ ได้รับชุดนวนิยายของการกระจายการคาดการณ์สำหรับระดับของ heterogeneity คาดว่าในการตั้งค่า 80 ขึ้นอยู่กับผลประเมินและเปรียบเทียบที่ทำ สามารถใช้เป็นการกระจายก่อนสำหรับ heterogeneity ใน meta-วิเคราะห์ในอนาคตมีใช้สองวิธีใน R ให้รหัส ทั้งสองวิธีให้ผลลัพธ์เทียบเท่ากับมาตรฐาน แต่ซับซ้อน Markov โซ่ Monte Carlo ยื่น Priors ได้รับมาเป็นการกระจายปกติบันทึกในระหว่างศึกษาความแปรปรวน การวิเคราะห์เมตาไบนารีผลลัพธ์ในระดับอัตราส่วนราคาล็อก ใช้วิธีการสองอย่าง meta-วิเคราะห์ อีกทั้งยังมีการกระจายการคาดการณ์ที่เกี่ยวข้องเป็นการกระจายก่อนสำหรับ heterogeneity ระหว่างศึกษาเราได้ให้ทฤษฎีที่นักวิจัย ซึ่งทำให้ทราบข้อมูลที่เกี่ยวข้องกับระดับของ heterogeneity จะรวม ใช้ meta-analysis ในแบบที่สามารถเข้าถึงทรัพยากร © 2014 ผู้เขียน สถิติในแพทย์ที่เผยแพร่ โดยจอห์น Wiley และบุตร จำกัด

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์อภิมาจำนวนมากในการวิจัยด้านการดูแลสุขภาพรวมผลเพียงจำนวนน้อยของการศึกษาซึ่งเป็นตัวแทนของความแปรปรวนระหว่างการศึกษาความแตกต่างอยู่ที่ประมาณคลับคล้ายคลับคลา วิธีการแบบเบย์ที่จะช่วยให้การประมาณหลักฐานภายนอกในขนาดที่คาดหวังของเซลล์สืบพันธุ์จะรวม. จุดมุ่งหมายของการวิจัยนี้คือการให้เครื่องมือที่ปรับปรุงการเข้าถึงของคชกรรมวิเคราะห์เมตา เรานำเสนอสองวิธีสำหรับการดำเนินการคชกรรมการวิเคราะห์อภิมาใช้รวมตัวเลขและความสำคัญเทคนิคการสุ่มตัวอย่าง จากเมื่อวันที่ 14 886 ผลไบนารีอภิวิเคราะห์ในฐานข้อมูล Cochrane ความคิดเห็นของระบบที่เราได้รับมาเป็นชุดนวนิยายของการกระจายการคาดการณ์สำหรับระดับของความแตกต่างที่คาดว่าใน 80 ขึ้นอยู่กับการตั้งค่าผลการประเมินและการเปรียบเทียบทำ เหล่านี้สามารถนำมาใช้เป็นกระจายก่อนสำหรับความแตกต่างในการวิเคราะห์อภิมาในอนาคต. ทั้งสองวิธีจะดำเนินการในการวิจัยเพื่อที่จะให้รหัส ทั้งสองวิธีให้ผลลัพธ์ที่เทียบเท่ากับมาตรฐานที่ซับซ้อนมากขึ้น แต่ห่วงโซ่มาร์คอฟวิธี Monte Carlo ไพรเออร์จะได้มาเป็นการกระจายเข้าสู่ระบบปกติสำหรับความแปรปรวนระหว่างการศึกษาที่ใช้บังคับกับการวิเคราะห์อภิมาของผลไบนารีในระดับล็อกอัตราส่วนราคาต่อรอง วิธีการที่จะนำไปใช้สองตัวอย่างเช่นเมตาการวิเคราะห์, การผสมผสานการกระจายการทำนายที่เกี่ยวข้องเช่นการแจกแจงก่อนสำหรับความแตกต่างระหว่างการศึกษา. เราได้ให้ทรัพยากรที่จะอำนวยความสะดวกในเบย์เมตาการวิเคราะห์ในรูปแบบที่สามารถเข้าถึงนักวิจัยประยุกต์ที่ช่วยให้ข้อมูลก่อนที่เกี่ยวข้อง ระดับของความแตกต่างที่จะจัดตั้งขึ้น © 2014 ผู้เขียน สถิติในการแพทย์ที่ตีพิมพ์โดย John Wiley & Sons Ltd.

ผลลัพธ์ (ไทย) 3:

มากมาย โดยวิธีการวิเคราะห์เมต้าในการวิจัยสุขภาพรวมผลลัพธ์จากเพียงจำนวนเล็ก ๆของการศึกษา ซึ่งความแปรปรวนของระหว่างสามารถศึกษาประมาณคลับคล้ายคลับคลา . วิธีเบส์เพื่อประเมินให้หลักฐานภายนอกบนคาดว่าขนาดของที่สามารถจะจัดตั้งขึ้น .

วัตถุประสงค์ของบทความนี้คือการให้เครื่องมือที่ปรับปรุงการเข้าถึงของคชกรรมการวิเคราะห์อภิมาน . เรานำเสนอสองวิธีสำหรับการดำเนินงานแบบบูรณาการเชิงตัวเลขและความสำคัญการวิเคราะห์อภิมานโดยใช้เทคนิคการสุ่มตัวอย่าง จาก 14   886 ผลโดยวิธีการวิเคราะห์เมต้าไบนารีใน Cochrane ฐานข้อมูลความคิดเห็นอย่างเป็นระบบเราสร้างนวนิยายชุดของการคาดการณ์การแจกแจงสำหรับระดับที่สามารถคาดหวังใน 80 การตั้งค่าขึ้นอยู่กับผลการประเมิน และการทำ เหล่านี้สามารถใช้เพื่อความหลากหลายในการก่อน โดยวิธีการวิเคราะห์เมต้าในอนาคต

ทั้งสองวิธี จะดำเนินการ ใน R , ซึ่งเป็นรหัสที่ให้ไว้ทั้งสองวิธีได้ผลผลิตเทียบเท่ามาตรฐาน แต่ซับซ้อนมากขึ้นในห่วงโซ่มาร์คอฟมอนติคาร์โลวิธีการ . ที่เริ่มจะได้มาเป็นเข้าสู่ระบบปกติการแจกแจงสำหรับระหว่างความแปรปรวนของผลการศึกษาได้โดยวิธีการวิเคราะห์เมต้าไบนารีใน log Odds Ratio ค่า วิธีการที่ใช้โดยวิธีการวิเคราะห์เมต้าสองอย่าง ,จึงทำนายเป็นก่อนที่การกระจายระหว่างสามารถศึกษา .

เราได้จัดเตรียมทรัพยากรเพื่อความสะดวกในคชกรรมการวิเคราะห์อภิมานในรูปแบบที่สามารถเข้าได้กับนักวิจัยประยุกต์ ซึ่งให้ข้อมูลที่เกี่ยวข้องก่อนต่อระดับที่สามารถจะจัดตั้งขึ้น สงวนลิขสิทธิ์ 2010 ผู้เขียน สถิติการแพทย์ที่ตีพิมพ์โดยจอห์นบุตรชาย&ย์จำกัด