Network meta-analysis (NMA) is a central tool for evidence synthesis in clinical research. The results of an NMA depend critically on the quality of evidence being pooled. In assessing the validity of an NMA, it is therefore important to know the proportion contributions of each direct treatment comparison to each network treatment effect. The construction of proportion contributions is based on the observation that each row of the hat matrix represents a so-called 'evidence flow network' for each treatment comparison. However, the existing algorithm used to calculate these values is associated with ambiguity according to the selection of paths. In this work we present a novel analogy between NMA and random walks. We use this analogy to derive closed-form expressions for the proportion contributions. A random walk on a graph is a stochastic process that describes a succession of random 'hops' between vertices which are connected by an edge. The weight of an edge relates to the probability that the walker moves along that edge. We use the graph representation of NMA to construct the transition matrix for a random walk on the network of evidence. We show that the net number of times a walker crosses each edge of the network is related to the evidence flow network. By then defining a random walk on the directed evidence flow network, we derive analytically the matrix of proportion contributions. The random-walk approach, in addition to being computationally more efficient, has none of the associated ambiguity of the existing algorithm.


翻译:网络元分析( NMA) 是临床研究中证据合成的核心工具。 NMA 的结果主要取决于集合证据的质量。 因此, 在评估 NMA 的有效性时, 有必要了解每个直接处理贡献与每个网络处理效果的对比比例。 比例贡献的构建基于以下观察: 帽子矩阵的每一行代表了每个治疗比较的所谓“ 证据流网络 ” 。 然而, 计算这些值的现有算法与选择路径的模糊性相关。 在这项工作中, 我们提出了一个NMA 和随机行走之间的新类比。 我们使用这个类比来得出比例贡献的封闭式表达方式。 图表上的随机行走是一个随机过程, 描述与边缘相连的脊椎之间的随机“ hops” 顺序。 边缘的权重与行走沿边缘移动的概率有关。 我们使用 NMA 的图形表示构建过渡矩阵用于在网络上随机行走。 我们用这个类比来显示一个行走的行走次数, 每端都有比例表示比例贡献的表达方式, 我们通过随机的计算模型来测量网络的路径流。 。 随机算算算算中, 我们的路径的路径的路径的路径与随机计算方法是随机路路路路路路路路路流有关。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
【AAAI2021】Graph Diffusion Network提升交通流量预测精度
专知会员服务
53+阅读 · 2021年1月21日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【NeurIPS2019】图变换网络:Graph Transformer Network
专知会员服务
110+阅读 · 2019年11月25日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
已删除
将门创投
4+阅读 · 2018年11月6日
Arxiv
20+阅读 · 2021年2月28日
Arxiv
4+阅读 · 2019年1月14日
Arxiv
4+阅读 · 2018年2月19日
Arxiv
3+阅读 · 2017年5月14日
VIP会员
相关资讯
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
已删除
将门创投
4+阅读 · 2018年11月6日
相关论文
Top
微信扫码咨询专知VIP会员