CAPÍTULO 1 – ANTECEDENTES TEÓRICOS E ESCOPO GERAL
1.6 META-ANÁLISES
1.6.2 Meta-análises em rede
1.6.2.5 Condução e apresentação de resultados
A fim de assegurar que os resultados das meta-análises em rede sejam
consistentes, robustos e reprodutíveis, sua condução e reporte devem ser
padronizados. Frequentemente, esse tipo de estudo segue uma revisão
sistemática, sendo, portanto, os passos iniciais análogos ao que já foi exposto e
devendo seguir recomendações internacionais como PRISMA checklist. Mais
recentemente, em 2015, uma extensão desse guia, denominada PRISMA-NMA,
foi lançada, incorporando os princípios das meta-análises em rede e fornecendo
orientações a autores, leitores e editores sobre como conduzir e reportar dados
desse tipo de estudo
128,129.
De maneira similar às meta-análises convencionais, as meta-análises
em rede podem ser construídas com modelos de efeitos fixos ou randômicos. A
abordagem de efeitos fixo assume que todos os estudos apresentam um
tamanho de efeito verdadeiro e qualquer diferença entre as estimativas de
diferentes estudos é atribuível apenas ao erro de amostragem (dentro da
variação do estudo). Uma abordagem de efeitos aleatórios assume que, além do
erro amostral, a diferença observada no tamanho do efeito considera a variação
do tamanho do efeito verdadeiro entre estudos (variação do estudo), também
chamada heterogeneidade. Estendendo este conceito às meta-análises em
rede, espera-se que as estimativas do tamanho do efeito não variem apenas
entre os estudos, mas também entre as comparações (diretas e indiretas). O
ideal é que ambos os modelos sejam testados para cada rede, sendo que aquele
que apresente resultados mais adequados (ajustes do modelo – model fit) ao
cenário seja utilizado. Isso pode incluir, por exemplo, avaliação do modelo pela
análise de DIC e alterações no burn-in da cadeia de MCMC
120,130.
Como já mencionado, as meta-análises em rede podem ser calculadas
a partir de frameworks frequentista ou Bayesiano, sendo que no primeiro os
resultados são apresentados para cada par de comparação (AB, BC, AC, etc...),
com uma medida estimada (medida de efeito como RR, OR, diferença entre
médias, etc.), com um CI (usualmente 95%), análogo ao que acontece nas
meta-análises convencionais. Como a inferência Bayesiana depende de distribuição
probabilística, resultados são apresentados também com uma medida de efeito,
porém com um intervalo de credibilidade (credibility interval - CrI), também em
geral de 95%
125.
As meta-análises em rede permitem, portanto, obter resultados para as
comparações diretas (todas as possíveis meta-análises convencionais na rede),
para as comparações indiretas estimadas e para a combinação final dos
resultados (evidência direta e indireta, ou seja, “mista”), sendo essa última a mais
reportada pelos autores, usualmente com tabelas de consistência, como
exemplificado na FIGURA 1.9. Ao lado direito da figura tem-se o diagrama da
rede com as possíveis comparações entre quatro intervenções (A, B, C e D) e
placebo. Ao lado esquerdo têm-se os resultados das meta-análises na tabela de
consistência. Nessa tabela, as intervenções estão alocadas na diagonal,
reportadas alfabeticamente. A interpretação dos resultados é similar àquela das
meta-análises convencionais, havendo, entretanto, um resultado (medida de
efeito global) para cada um dos pares de comparação existentes na rede (p. ex.
AB, AC, AD...), sendo esses representados pelos valores contidos nas células
comuns entre as linhas e as colunas da tabela
21.
FIGURA 1.9 – REPRESENTAÇÃO TÍPICA DOS RESULTADOS DE META-ANÁLISE EM REDE Os resultados são apresentados para cada um dos pares de comparação para determinado desfecho (p. ex. eficácia medida como taxa de remissão de uma doença: RR com 95% CrI). As
comparações são lidas da esquerda para a direita (p. ex. tratamento A versus B), sendo a medida
de efeito apresentada na célula comum entre a linha e a coluna. Valores de RR maiores do que 1 favorecem a ocorrência do desfecho no primeiro tratamento, enquanto valores inferiores a 1 favorecem o desfecho para o segundo tratamento. Valores estatisticamente significativos estão
sublinhados e em negrito. Por exemplo, A versus B tem um valor de RR 1,12 com 95% CrI
extenso de [0,31 – 3,44], não havendo, assim, diferença estatística entre as duas intervenções.
Já A versus D apresenta valor de 1,72 [1,05 – 2,91], favorecendo A. Na comparação de B versus
C tem-se o valor de 0,45 [0,15 – 0,92] favorecendo C. FONTE: o autor (2017) 21
Ademais, como já mencionado, em análises do tipo MTC é possível
fornecer uma classificação dos tratamentos da rede (ranqueamentos), que se
referem às probabilidades estimadas para cada tratamento alcançar um
posicionamento específico em uma ordem de efeitos de tratamento do melhor
ao pior. Ou seja, a chance de cada intervenção ser classificada como primeira,
segunda, terceira, quarta, e assim por diante. Esses ranqueamentos se baseiam
nos resultados obtidos no modelo meta-analítico e idealmente são reportados
junto com as medidas de efeito das comparações entre intervenções (p. ex.
tabelas de consistência), para evitar conclusões errôneas. Existem algumas
técnicas gráficas para representar os ranqueamentos. Seu reporte também pode
incluir alguma especificação estatística (como medianas com intervalos de
incerteza), ou podem ser construídas curvas cumulativas de probabilidade ou
análises de superfície sob a curva de classificação cumulativa (surface under the
FIGURA 1.10 – REPRESENTAÇÃO DAS PROBABILIDADES DE RANQUEAMENTO
Para uma rede com cinco nós (A, B, C, D, placebo), depois da interpretação dos resultados do modelo de consistência, é possível ordenar as intervenções de acordo com suas probabilidades de serem as melhores (1ª no ranqueamento), ou piores (últimas no ranqueamento), para determinado desfecho. Primeiro painel: probabilidades são apresentadas como porcentagem. O ranqueamento soma 1 (tanto na horizontal, ou seja, por tratamento, como na vertical – por posição). Intervenção A tem 46% (0.46) de chance de ser a melhor alternativa (1ª no ranqueamento), seguida pela intervenção C (48%), D (44%), B (49%) e placebo (85%). Esse cenário é ilustrado também no segundo painel em forma de gráfico. Painel três: análise do tipo SUCRA (avaliação cumulativa das probabilidades), que ilustra sob outra perspectiva o ranqueamento das intervenções na rede.