Modelos de efeitos aleatórios agrupados para meta-análise Bayesiana

Meta-análise refere-se a métodos quantitativos para combinar resultados de estudos independentes a fim de tirar conclusões gerais. Frequentemente, resultados de estudos dissimilares são combinados de maneira inadequada, resultando em uma síntese inferencial suspeita. Apresentamos um método simples para identificar e abordar esse problema por meio do desenvolvimento de modelos de efeitos aleatórios agrupados para meta-análise. Examinamos 15 estudos comparativos que investigam a eficácia de um novo medicamento anti-epiléptico, progabide. A flexibilidade deste esquema de modelagem é exemplificada pelo resultado de que os estudos abertos apoiam a eficácia do progabide, enquanto os estudos fechados apoiam a hipótese inversa. Abordagens Bayesianas para meta-análise são preferíveis devido ao pequeno número de estudos predominantes na meta-análise. Especificamos distribuições difusas adequadas e hiperpiores para garantir a propriedade posterior. Investigamos a sensibilidade da posterior à escolha do prior. Utilizamos amostragem de Gibbs e o algoritmo de Metropolis para gerar amostras das posteriores relevantes. Analisamos resumos posteriores e gráficos de parâmetros do modelo para sugerir soluções para questões de interesse.