Klasik ve Bayes Meta Analiz Yöntemlerinin İncelenmesi: Sağlık Alanında Bir Uygulama

Abstract

Bu çalışmada, özellikle küçük hücre dışı akciğer kanseri üzerine gerçekleştirilen çalışmaların sonuçlarını entegre eden meta-analiz yaklaşımlarının iki temel kategorisi olan klasik ve Bayes yöntemleri karşılaştırmalı olarak incelenmiştir. Araştırmada, immünoterapi uygulamalarının klinik sonuçlar üzerindeki etkisini değerlendirmek ve yöntemlerin performansını kıyaslamak amacıyla literatürde yer alan bağımsız klinik çalışmalar sistematik bir şekilde derlenmiş ve toplamda 21 çalışmadan elde edilen veriler kullanılarak her iki meta-analiz yöntemiyle analizler gerçekleştirilmiştir. Klasik meta-analiz, sabit ve rastgele etkili modellerle yürütülmüş ve heterojenlik durumları dikkate alınmıştır; Bayes meta-analiz ise olasılık temelli öncüller kullanılarak uygulanmıştır. Analizler kapsamında, immünoterapiyle ilişkili komplikasyonların değerlendirildiği çalışmalar irdelenmiş ve performans, güven aralıkları, heterojenlik ölçütleri ile sonuçların güvenilirliği temel karşılaştırma kriterleri olarak belirlenmiştir. Bulgular, klasik meta-analizlerin heterojen ve sınırlı sayıda çalışma içeren veri setlerinde sonuçların geçerliliğinin kısıtlı olabildiğini göstermiştir. Buna karşın, rastgele etkili model ve Bayes modelinde veri dönüşümleri olmaksızın heterojen veri setlerinin analizinde yetersizlikler gözlemlenmiştir. Bu durum, heterojenliğin dikkate alınması ve uygun dönüşüm yöntemlerinin değerlendirilmesi gerektiğine işaret etmektedir. Araştırma sonuçları, Logit dönüşümlü rastgele etkili ve Logit dönüşümlü Bayes yöntemlerinin, heterojen dağılımlı veri setlerinde daha esnek ve tutarlı sonuçlar üretebildiğini ortaya koymuştur. Özellikle, akciğer kanseri tedavisinde immünoterapinin klinik bulgularına ilişkin analizlerde, rastgele ve Bayes meta-analiz yaklaşımlarıyla elde edilen sonuçların daha klinik anlamlı ve güvenilir olduğu tespit edilmiştir. Gelecekte, farklı klinik durumlar ve hasta popülasyonları için rastgele ve Bayes meta-analiz yaklaşımlarının kullanımının teşvik edilmesi ve model seçiminde uygun karşılaştırma kriterlerinin dikkate alınması önem arz etmektedir. Ayrıca, metodolojik farklılıkların ve veri heterojenliğinin göz önünde bulundurulmasıyla, klinik kararların bu analiz sonuçlarına dayanılarak yönlendirilmesi önerilmektedir.In this study, the classical and Bayesian approaches, the two main categories of meta-analysis methods that integrate the results of studies conducted specifically on non-small cell lung cancer, were comparatively examined. To evaluate the impact of immunotherapy applications on clinical outcomes and to compare the performance of these methods, independent clinical studies available in the literature were systematically compiled, and analyses were performed using data from a total of 21 studies with both meta-analytic approaches. The classical meta-analysis used fixed and random effects models, considering heterogeneity; the Bayesian meta-analysis was implemented using probability-based priors. Within the scope of the analyses, studies evaluating complications related to immunotherapy were examined, and performance metrics, confidence intervals, heterogeneity measures, and the reliability of the results were identified as primary comparison criteria. The findings indicated that classical meta-analyses may have limited validity in heterogeneous datasets and small sample sizes. Conversely, deficiencies were observed in analyzing heterogeneous datasets without data transformations when applying the random effects and Bayesian models. This underscores the importance of considering heterogeneity and evaluating appropriate transformation methods. The results demonstrated that Logit-transformed random effects and Logit-transformed Bayesian methods could produce more flexible and consistent results in heterogeneous datasets. In analyzing clinical findings related to immunotherapy in lung cancer treatment, results obtained through random effects and Bayesian meta-analytic approaches were found to be more clinically meaningful and reliable. Future efforts should focus on promoting the use of random effects and Bayesian meta-analyses across different clinical settings and patient populations, carefully considering appropriate criteria for model selection. Additionally, methodological differences and data heterogeneity should be considered to guide clinical decision-making based on these analysis outcomes.