Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN RED
Clase n°
Introducción
Figura 1
Las medidas de efecto para resultados binarios o dicotómicos, como dejar de fumar,
pueden ser relativas -como Riesgo Relativo (RR) u Odds Ratio (OR)- o también absolutas -como
el número necesario para tratar (NNT)-.
Cuando los resultados son diferentes entre sí estamos en presencia de heterogeneidad, cuyo
origen puede deberse a diferencias en la metodología de los estudios, en sus poblaciones,
intervenciones, comparaciones o resultados. La heterogeneidad puede ser clínicamente
importante aun en ausencia de significancia estadística.
Por ejemplo, es posible que deseemos elegir entre dos bifosfonatos administrados para la
osteoporosis, el alendronato y el risedronato. Idealmente, utilizaríamos comparaciones
directas entre estas dos alternativas. Pero esa comparación, justamente, no está
disponible. Ahora bien, si tanto el alendronato como el risedronato se han comparado
con placebo, podríamos hacer una comparación indirecta que proporcionaría cierta
información sobre su beneficio relativo. Si el alendronato -como de hecho es el caso-
muestra una reducción del riesgo relativo (RRR) del 50% en fracturas y risedronato un
35%, uno podría sentirse tentado a concluir que el alendronato es superior.
Sin embargo, tales comparaciones indirectas son más débiles que las comparaciones
directas -algunos podrían argumentar que son mucho más débiles-, puesto que -a priori-
no sabemos qué tan comparables eran los estudios entre sí.
Otro ejemplo de falta de comparaciones directas podría ser la utilidad del Flúor para
prevenir caries dentales. En este caso la base de evidencia está constituida por 3 opcio-
nes de tratamiento con 2 comparaciones posibles.
A: Placebo
B: Gel
C: Pasta dental
*SMD es la abreviatura del acrónimo en inglés de una medida de efecto llamada diferencia de medias estandarizada,
utilizada cuando se realizan meta-análisis de variables continuas que han sido medidas en unidades diferentes (de
ahí la necesidad de estandarizarlas dividiendo cada efecto por su correspondiente desvío estándar para hacerlas
comparables y combinables).
Veremos a continuación cómo llegar a una estimación indirecta entre Gel versus Pasta
dental.
2 - Meta-análisis en Red
Los meta-análisis en red son un tipo de estudio de investigación que, teniendo en cuenta
la totalidad de los estudios y comparaciones disponibles para una condición dada, cubren
el espectro de todas las intervenciones de interés, e incorporan comparaciones tanto
directas como indirectas para establecer los efectos y mostrarlos de forma panorámica.
Figura 2
1 Cipriani A, Higgins JP, Geddes JR, Salanti G. Conceptual and technical challenges in network meta-analysis. Ann
Intern Med. 2013;159:130-7
69 estudios
13 estudios
Pasta Dental
IC 95% para SMDGel-PD indirecta = (-0,15 - 1,96 × 0,061 a -0,15 +1,96 × 0,061)
= (-0,03 a -0,27)
De esta manera: -0,15 sería la SMD indirecta de la intervención Gel, versus la intervención
Pasta Dental, y su IC 95% sería -0,27 como límite superior y -0,03 como límite inferior.
Este estimador que despejamos refleja la línea punteada del gráfico anterior y se ajusta
a lo observado en estudios “cabeza a cabeza”, por lo que, en este caso, resultó en una
estimación confiable del efecto entre el Gel y la Pasta Dental.
Los meta-análisis en red (MAR) incorporan comparaciones básicas indirectas para reflejar
redes más complejas y estiman los efectos de los tratamientos que mejor reproducen o
se ajustan a la red de comparaciones que fueron directamente observadas, en general en
ECAs.
En los casos donde no se cuenta con evidencia directa y/o hay múltiples alternativas
terapéuticas los meta-análisis en red (MAR) cobran máxima relevancia porque permiten
combinar las estimaciones directas e indirectas a la vez de dos alternativas terapéuticas
válidas en un único efecto del tratamiento, en lo que se denomina una comparación mixta
(Ver Figura 3).
Comparación de Comparación de
Meta-análisis Tratamientos Indirectos Tratamientos Mixtos
(ITC) (MTC)
Se denominan bucles dos o más comparaciones cabeza a cabeza que contribuyen a una
estimación indirecta. Los bucles de primer orden son aquellos bucles que involucran sólo
una intervención adicional (p.e.: si estamos interesados en A-B, los nodos de tratamiento
de A, B y C constituyen un bucle de primer orden). Los bucles de segundo orden implican
otra intervención más (A, B, C y D). Y podrán existir bucles de orden superior, que implican
intervenciones adicionales, pero cada vez tendrán menor peso en la estimación de red.
Figura 4
En la figura, los bucles de evidencia pueden nutrir las comparaciones directas (p.e:
NRT-Antidepresivos) con evidencia indirecta de primer orden (bucle de 1er orden), o pueden
ser más indirectos incorporando evidencia que no se conecta con ambos nodos de la
comparación de interés (bucle de 2do orden).
En cuestiones de intervención, las situaciones en las que existe evidencia directa (procedente
de ensayos clínicos comparativos o las revisiones sistemáticas y meta-análisis que los
sintetizan), siguen reconociéndose como la fuente de información que proporciona el
mayor grado de evidencia.(2)
Pero si no hay evidencia directa y/o hay múltiples intervenciones, los meta-análisis en red
(MAR) que incorporan comparaciones mixtas pueden brindar información inexistente
o mejorar la precisión de las estimaciones y, debido a ello, en estas situaciones pueden
situarse en la cúspide de la pirámide de evidencia como se ve en la siguiente figura.
Figura 5
Por ello, ante la falta de evidencias procedentes de las fuentes habituales algunas agencias
de evaluación -como es el caso del National Institute for Health and Care Excellence (NICE)
en Reino Unido, la Canadian Agency for Drugs and Technologies in Health (CADTH)-Common
Drug Review o el Pharmaceutical Benefits Advisory Committee (PBAC) en Australia o incluso
Cochrane- consideran los resultados de las comparaciones indirectas como una fuente de
información complementaria para guiar la toma de decisiones en distintos niveles.
2 Ferrán Catalá-López, Aurelio Tobías, Marta Roqué Conceptos básicos del metaanálisis en red Atención Primaria,
Volume 46, Issue 10, Pages 573-581
B
MAR válido, aun con heterogeneidad, pues hay balance en los modificadores
A
de efecto en AB y AC
C
B
MAR inválido, con y sin heterogeneidad, pues hay disbalance en los modificadores
A
de efecto en AB y AC
C
Jansen JP, Trikalinos T, Cappelleri JC, Daw J, Andes S, Eldessouki R, et al. Indirect treatment comparison/network meta-analysis
study questionnaire to assess relevance and credibility to inform health care decision making: an ISPOR-AMCP-NPC Good
Practice Task Force report. Value Health. 2014;17(2):157-73.
La otra gran asunción -específica para los meta-análisis en red (MAR)- es la coherencia o
“consistencia” que expresa el grado de acuerdo entre la evidencia directa e indirecta. Esta
asunción es fundamental para combinar evidencia directa e indirecta (evidencia mixta)
dentro de un MAR.
La coherencia sólo puede evaluarse si existen bucles cerrados de evidencia. Es decir, que
debe existir evidencia directa para todas las comparaciones para saber qué tan parecidas
son ambas estimaciones de efecto (directa e indirecta).
Existen técnicas estadísticas específicas para identificar y mensurar la coherencia que se
desarrollarán en las próximas clases.
Figura 7
Sintetizando, hay que chequear tres asunciones para proceder paso a paso con el meta-análisis
en red (MAR). Veamos el siguiente gráfico:
Comparador común
B C
Comparación directa e
indirecta (mixta)
Homogeneidad Comparación
Comparaciones directas
(ausencia de directa
heterogeneidad) A-B A-C
B-C
En los meta-análisis en red también hay que considerar otros aspectos metodológicos.
Sin embargo, hay que utilizarlos cautelosamente porque pueden ser muy engañosos. Por
ejemplo, la intervención primera en el ranking de eficacia no necesariamente es la que se
basa en la mejor calidad de la evidencia.
Otro aspecto metodológico que los meta-análisis en red que no deben dejar de considerar
es la robustez de la metodología de cada comparación cabeza a cabeza. La elección del
comparador no siempre es aleatoria(6,7), a menudo se prefiere comparar contra placebo o
intervenciones subóptimas, que utilizar una alternativa más realista, como un tratamiento
efectivo establecido o estándar, para favorecer la intervención de interés.
Si la elección del comparador está asociada, directa o indirectamente, con la efectividad
relativa de las intervenciones, entonces se podría violar el supuesto fundamental de
transitividad. Al sintetizar la evidencia de muchas comparaciones deben identificarse
tempranamente posibles modificadores de efecto y analizar su distribución entre los
estudios.
6 Rizos EC, Salanti G, Kontoyiannis DP, Ioannidis JP. Homophily and co-occurrence patterns shape randomized
trials agendas: illustration in antifungal agents. J Clin Epidemiol. 2011 Aug;64(8):830-42. doi:
10.1016/j.jclinepi.2010.11.017. Epub 2011 Mar 16. Review.
7 Salanti G, Kavvoura FK, Ioannidis JP. Exploring the geometry of treatment networks. Ann Intern Med. 2008 Apr
1;148(7):544-53.
En este caso los tratamientos pueden ser comparables en teoría, pero no en la práctica.
Comúnmente, los meta-análisis en red se representan gráficamente como una red como se
muestra a continuación:
Pasta Dental
69
3
No tratar
Placebo 1
6
13 4
4
31 9
3
Gel
“Barniz
Dental” 1
4
Enguaj.
Tomado de Caldwell D, Basic ideas of indirect comparisons and network meta-analysis. Cochrane. Comparing Multiple
Interventions Methods Group Oxford Training event, 2013
cada tratamiento se pueden utilizar nodos (cada vértice representa las intervenciones que
compiten) y, cuando existen estudios que presentan comparaciones directas, se establecen
líneas o conexiones entre ellos. El grosor de la línea expresa la cantidad de estudios
existentes con cada comparación directa.
Existen múltiples opciones gráficas que facilitan la interpretación de los MAR que serán
desarrolladas más adelante.
Los métodos frecuentistas son aquellos que utilizan únicamente la información obtenida
en el análisis y fundamentan la evaluación de una hipótesis a partir de la significación
estadística de los datos del estudio que se esté realizando.
Los programas estadísticos más utilizados para el meta-análisis en red son los programas
STATA (para abordajes frecuentistas) y WinBUGs (para los Bayesianos), que cuentan con
comandos para efectuar numerosas gráficas de MAR.
Figura 8
En el siguiente cuadro se sintetizan las diferencias entre los métodos frecuentista y Bayesiano:
Las principales ventajas de los meta-análisis en red (MAR) pueden sintetizarse en que
permiten:
• obtener estimadores más precisos que los obtenidos sólo mediante evidencia
directa, disminuyendo la incertidumbre, y además,
Sin embargo, cabe la pregunta ¿Con qué frecuencia los resultados de los MAR difieren
sustancialmente de las comparaciones directas correspondientes?
Song y sus colegas abordaron esta cuestión mediante la búsqueda de meta-análisis en red
en los que se disponía tanto de comparaciones directas como indirectas. Calcularon el
grado de discrepancias entre los resultados de las comparaciones directas e indirectas,
tanto la diferencia en las estimaciones de riesgo relativo como las discrepancias en las
conclusiones sobre la significación estadística. Encontraron que, de 44 meta-análisis en red,
sólo tres dieron resultados significativamente diferentes con las comparaciones directas e
indirectas. Los intervalos de confianza de las diferencias entre las comparaciones directas
e indirectas en general fueron amplios, mostrando alto grado de incertidumbre.
Por lo tanto, se puede interpretar que en la mayoría de los casos los estimadores de meta-
análisis en red (MAR) no difieren en forma sustancial de las comparaciones cabeza a cabeza
existentes o futuras. En sucesivos estudios estas discrepancias oscilan entre el 10 y el 15%.
Todo meta-análisis en red (MAR) debe estar inmerso dentro de una RS metodológicamente
impecable para que se pueda evaluar la red completa de estudios y evitar sesgos (omitir
estudios importantes o mala descripción de los resultados). Esto es más importante aún
que en los meta-análisis (MA) tradicionales, ya que, un meta-análisis en red (MAR) pretende
establecer rankings comparativos de eficacia y seguridad de todos los tratamientos
disponibles.
Además, deben cumplir los criterios de buena calidad en las revisiones sistemáticas (RS) con
o sin meta-análisis (MA) (AMSTAR II(8)).
8 Shea BJ, Reeves BC, Wells G, Thuku M, Hamel C, Moran J, et al. AMSTAR 2: a critical appraisal tool for systematic
reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ. 2017;358.
La tabla a continuación muestra un ranking de revistas científicas que han publicado MAR
(hasta el año 2013):
Las principales agencias de evaluación de tecnologías sanitarias, NICE (The National Institute
for Health and Care Excellence) en el Reino Unido o FDA (Food and Drug Administration) en los
Estados Unidos aceptan MAR en sus informes y la utilización de métodos bayesianos, desde
hace más de 10 años.
En un estudio se revisaron las directrices de 33 países para MAR y nueve de éstos (Australia,
Bélgica, Canadá, Francia, Alemania, Escocia, España, Sudáfrica y el Reino Unido) incluyeron
recomendaciones detalladas sobre la realización de MAR(9).
9 Laws A, Kendall R, Hawkins N. A comparison of national guidelines for network meta-analysis. Value Health.
2014;17(5):642-54.
10 Efthimiou O, Mavridis D, Debray TP, Samara M, Belger M, Siontis GC, et al. Combining randomized and non-
randomized evidence in network meta-analysis. Stat Med. 2017.
11 Nikolakopoulou A, Mavridis D, Furukawa TA, Cipriani A, Tricco AC, Straus SE, et al. Living network meta-analysis
compared with pairwise meta-analysis in comparative effectiveness research: empirical study. BMJ. 2018;360:k585.
re interventions, or both. BMJ. 2017;358.
En los casos donde no se cuenta con evidencia directa y/o hay múltiples
alternativas terapéuticas, los meta-análisis en red (MAR) cobran máxima
relevancia porque permiten combinar las estimaciones directas, indirectas
y mixtas establecidas entre un conjunto de intervenciones alternativas,
permitiendo así, generar estimaciones previamente inexistentes - y/o mejorar
la precisión de las existentes- y además, estimar rankings de eficacia y
seguridad.
Referencias bibliográficas
1 Cipriani A, Higgins JP, Geddes JR, Salanti G. Conceptual and technical challenges in
network meta-analysis. Ann Intern Med. 2013;159:130-7
5 Rizos EC, Salanti G, Kontoyiannis DP, Ioannidis JP. Homophily and co-occurrence
patterns shape randomized trials agendas: illustration in antifungal agents. J Clin
Epidemiol. 2011 Aug;64(8):830-42. doi: 10.1016/j.jclinepi.2010.11.017. Epub 2011
Mar 16. Review.
6 Salanti G, Kavvoura FK, Ioannidis JP. Exploring the geometry of treatment networks.
Ann Intern Med. 2008 Apr 1;148(7):544-53.
7 Shea BJ, Reeves BC, Wells G, Thuku M, Hamel C, Moran J, et al. AMSTAR 2: a critical
appraisal tool for systematic reviews that include randomised or non-randomised
studies of healthcare interventions, or both. BMJ. 2017;358.
9 Efthimiou O, Mavridis D, Debray TP, Samara M, Belger M, Siontis GC, et al. Combining
randomized and non-randomized evidence in network meta-analysis. Stat Med.
2017.
• Bucles (ciclos): dos o más comparaciones cabeza a cabeza que contribuyen a una
estimación indirecta. Los bucles de primer orden son aquellos bucles que involucran
solo una intervención adicional. Por ejemplo, si estamos interesados en A-B, los
nodos de tratamiento de A, B y C constituyen un bucle de primer orden (véase la
figura). Un bucle de segundo orden implicaría otra intervención más (como D). Los
bucles de orden superior implican intervenciones adicionales pero cada vez tendrán
menor peso en la estimación de red.