前言
multinma是由Phillippo开发的程序包，主要用来实现基于IPD校准的多水平网状Meta回归（ML-NMR），同时该程序包也可以用来实现传统的网状meta分析。今天的文章介绍如何使用multinma程序包实现生存数据的贝叶斯网状meta分析，用来评估6种免疫疗法（ Camrelizumab、Tislelzumab、Toripalimab、Sintilimab、Pembrolizumab、Nivolumab）联合化疗方案治疗一线晚期或转移性鳞状食管癌的NMA。
程序包及数据加载
首先是相关程序包安装及加载，其次是数据的加载，multinma的数据要求与gemtc相同,多一列每种干预措施的样本量。
install.packages("multinma")
library(tidyverse)
library(multinma)
library(bayesplot)
library(cowplot)
OS <- read_csv("OS_HR.csv")
模型初始设定与网状证据图
通过set_agd_contrast进行模型的初始设定，然后使用plot函数进行网状证据图的绘制。
nma.set = set_agd_contrast(OS,
trt_ref = "che",
study = Study,
trt = Treatment,
y = logHR,
se = std.err,
sample_size = n)
plot(nma.set,
weight_edges = TRUE)
运行模型
使用nma函数运行NMA模型
os.nma<- nma(
nma.set,
trt_effects = "fixed",
likelihood = "normal",
link = "identity",
seed = 123,
adapt_delta = 0.90,
warmup = 20000,
iter = 40000,
chains = 4)
模型运行过程
模型结果
使用dic查看模型拟合优度，可以对比固定模型和随机效应模型（DIC越小模型效果越好）
dic(os.nma)
--------------------------------------------------
Residual deviance: 6 (on 6 data points)
pD: 6
DIC: 12
mcmc诊断图
绘制贝叶斯需要诊断的三类图mcmc_trace（轨迹图）、mcmc_neff（有效样本量与总样本量的比率）和mcmc_rhat（Rhat是一种收敛诊断方法，它比较了各条链的参数估计值，Rhat值接近1说明链已经收敛并且混合良好；如果Rhat值为1.05或更高，表明存在收敛问题，需增大迭代量）
diag_plot <- function(model, pars_list, ncol_trace){
color_scheme_set("teal")
plt_1 <-
mcmc_trace(as.array(model),
pars = pars_list,
facet_args = list(ncol = ncol_trace,
strip.position = "left")) +
theme_classic() +
theme(
axis.text = element_blank(),
axis.ticks = element_blank(),
strip.background = element_blank(),
strip.text = element_blank(),
legend.position = "none"
)
plt_2 <-
neff_ratio(model,
pars = pars_list) %>%
mcmc_neff() +
theme_classic() +
theme(
legend.position = "none"
)
plt_3 <-
rhat(model, pars = pars_list) %>%
mcmc_rhat() +
#theme_+
theme(
legend.position = "none"
)
grid <-
plot_grid(plt_2, plt_3, ncol = 2, align = "hv", axis = "b",
rel_widths = c(1, 0.5))
plot_grid(plt_1, grid, ncol = 1, align = "hv", axis = "l",
rel_heights = c(0.5, 1))
}
diag_plot(model = os.nma$stanfit,
pars_list = c("d[cam_plus_che]",
"d[niv_plus_che]",
"d[pem_plus_che]",
"d[sin_plus_che]",
"d[tis_plus_che]",
"d[tor_plus_che]"),
ncol_trace = 3)
森林图
使用plot绘制森林图（需要对模型结果进行log转换）
plot(os.nma, ref_line = 1)+
scale_x_continuous(breaks = log(seq(0.2, 1.8, 0.2)),
labels = seq(0.2, 1.8, 0.2),
limits = log(c(0.4, 2
还可以绘制后验分布面积图对森林图进行美化
plot(os.nma,
pars = "d",
stat = "halfeye",
point_interval = ggdist::median_hdi,
.width = 0.95,
ref_line = 0) +
aes(fill = stat(x < 0))+
scale_x_continuous(breaks = log(seq(0.2, 1.6, 0.2)),
labels = seq(0.2, 1.6, 0.2),
limits = log(c(0.4, 1.6)))+
scale_fill_manual(values = c("#BFBFBF","#5C8286"))
概率排序图
使用posterior_rank_probs计算不同干预措施排序的概率
rankprobs <- posterior_rank_probs(os.nma)
plot(rankprobs)
通过设置sucra=TRUE,cumulative = TRUE计算不同干预措施排序的累积概率
cumrankprobs <- posterior_rank_probs(os.nma,
sucra=TRUE,
cumulative = TRUE)
plot(cumrankprobs)
使用posterior_ranks计算不同干预措施成为最优方案的排序
ranks <- posterior_ranks(os.nma,lower_better=TRUE)
plot(ranks)
此外还可以对nma函数设置consistency="nodesplit"进行节点分割法判断模型的一致性，由于本次模型干预措施未连成网状，遂未展示。更多的功能与丰富案例可参考其官方手册。
参考文献
[1] https://dmphillippo.github.io/multinma/articles/example_hta_psoriasis.html.
[2] 小侃数据：手把手系列教程|基于贝叶斯学派使用R的multinma包做连续变量网状meta分析(https://mp.weixin.qq.com/s/se9fQe4CT4CEJbLQ-o5AZA)
[3] Gao, Tian-Tian et al. “Comparative efficacy and safety of immunotherapy for patients with advanced or metastatic esophageal squamous cell carcinoma: a systematic review and network Meta-analysis.” BMC cancer vol. 22,1 992. 17 Sep. 2022, doi:10.1186/s12885-022-10086-5IF: 3.8 Q2.
