網狀meta分析是傳統Meta 分析的擴展，可以同時比較三個或者三個以上的干預措施的療效。國際藥物經濟學和結果研究協會”的報告指出網狀Meta 分析包括調整間接比較和混合治療分析。間接比較是指通過乾預措施A vs. C和乾預措施B vs. C的結果，間接得出A vs. B的相對效果的一種方法。目前認為，Meta分析中進行間接比較的原因有二：一是無直接比較的原始研究；二是有直接比較的原始研究但這些研究數量較少或質量較低；混合治療分析是在直接比較的基礎上合併間接比較的證據，從而提高分析結果的精確性，但是這種方法主要是應用於乾預措施可以形成具有閉合環路( loop) 時。
網狀Meta 分析的最大優勢就是可以對治療同類疾病的不同干預措施進行量化比
較，並按照某一結果指標效果好壞進行排序，進而選擇最優治療方案。
2網狀Meta分析的基本假設
英國東安格利亞大學醫學院Song等指出，間接比較和網狀Meta分析應用有三個水平的基本假設：
第一，同質性假設。此與傳統直接比較Meta分析相同，一般用Q統計量檢驗法，若檢驗結果無統計學差異，可認為納入研究具有同質性，採用固定效應模型進行合併；否則需要探討異質性來源，當無法解釋統計學異質性時，
採用隨機效應模型進行合併，或提示不宜對納入研究進行合併。
第二，相似性假設。包括臨床相似性和方法學相似性。臨床相似性指A vs. C和B vs. C的兩組試驗中研究對象、干預措施和結局測量等的相似性，方法學相似性指兩組試驗的質量相似性。研究表明，若兩個試驗集足夠相似，間接比較可以平衡兩個試驗集的偏倚，而且相比直接比較偏倚更小。目前相似性假設沒有公認的方法來檢驗，只能通過比較試驗特徵進行主觀判斷，或者通過敏感性分析、亞組分析以及Meta回歸來識別。
第三，一致性假設。若既有直接比較結果又有間接比較結果，或同時有多個間接比較結果（如：A vs. B可以通過A vs. C和B vs. C獲得，亦可通過A vs. D和B vs . D獲得），在決定是否合併這些結果時，則需要進行第３個水平的一致性檢驗，如果各比較結果之間差異小的話，認為符合一致性假設，可以進行合併；如果出現不一致性，常提示直接比較或間接比較證據存在方法學缺陷，或兩者臨床特徵有差異，或兩種原因同時存在，此時需探討出現不一致性可能的原因並考慮是否應合併直接比較和間接比較證據。當前，進行一致性檢驗仍主要使用Bucher法或Lumley法。
3網狀Meta分析的統計方法
頻率學方法：通過統計樣本得到結論。這種統計推斷框架是基於建立完善的假設檢驗與可信區間理論的基礎上。在網狀Meta 分析的證據合成中，頻率學方法目前主要應用的有倒方差法和廣義線性( 混合) 模型。倒方差法實施相對簡單，即將各研究的方差倒數作為權重，對各研究效應進行加權平均，總體效應的方差為權重之和的倒數。大多數統計軟件算法與結果都是基於頻率統計學思想，如SAS，STATA，SPSS，S-plus，Ｒ 等。頻率統計網狀Meta 分析主要用混合模型建模，綜合考慮研究間的異質性、混合因素等條件，二分類變量也有用Logistic 回歸建模。
貝葉斯方法：是基於貝葉斯定理髮展起來用於系統闡述和解決統計問題的方法。簡述如下: 以往證據表明結局事件θ，出現的概率為P( θ) ，稱為先驗概率。現研究獲得一批新數據y，y 在y /θ 的前提下發生的條件概率記為P( y /θ) ，稱為似然。根據先驗概率和似然可計算出概率P( θ /y) ，表示θ 在y 存在的前提下發生的可能性大小，稱為後驗概率。後驗概率和先驗概率與似然的乘積成正比，即P( θ /y) α，P( y /θ) ，P( θ) 。在貝葉斯框架下，分析必須包括模型、參數和似然。貝葉斯統計比頻率統計方法需要更強大的計算能力來完成推斷。馬爾科夫鏈-蒙特卡羅是一種通過構造馬爾科夫鏈模擬參數聯合後驗分佈的一種方法，其中以Gibbs抽樣的應用最為廣泛。 Winbugs 是用於Gibbs 抽樣的專用軟件包，為免費軟件，目前已廣泛應用於實施貝葉斯方法。 SAS，STATA 等軟件相關模塊可供進行貝葉斯計算，上述軟件均需編程，而ADDIS 軟件不需編程，且操作較簡單，但其數據錄入較繁瑣。
頻率學方法與貝葉斯方法最本質的區別在於兩者對概率的解讀方式不同。貝葉斯方法有先驗分佈，這是貝葉斯統計最鮮明的特徵; 貝葉斯分析將未知參數視為隨機變量，而頻率統計將其視為固定但未知的數值; 貝葉斯推斷允許概率與某一未知參數相聯繫，這裡的概率可以是頻率方法概率的解讀，也可以是貝葉斯方法的解讀。貝葉斯解讀還允許研究者對特定參數設置值保留自己的理解; 貝葉斯結果可以是一個從試驗或研究中得到關於參數的一個後驗概率分佈; 而頻率統計結論是接受或拒絕假設檢驗或是看結果是否包含在某一樣本推斷下的可信區
間內。與頻率學方法相比，貝葉斯方法優勢在於: ( 1)不僅可有效地整合數據，靈活建模，還可利用所得到的後驗概率對所有參與比較的干預進行排序，分出優劣順序。而頻率統計在排序上目前僅能依靠兩兩比較的OＲ 及其95% CI。 (2) 因為頻率統計方法在參數估計時採用最大似然法，通過不斷的迭代去估計最大似然函數，容易出現不穩定而得到有偏倚的結果，而貝葉斯法不存在這個問題，所以比頻率統計方法的估計值更準確。
4網狀Meta分析的問題爭議
儘管間接比較和網狀Meta分析得到了較為普遍的認可及使用，但作為一種新生方法，仍存在一些爭議：
第一，當能獲得直接比較證據時，是否還需要間接比較證據？ Cochrane手冊推薦當兩種來源證據同時存在時，應優先考慮直接比較證據。不過，當直接比較的試驗數目或樣本例數過少，不能綜合得出比較結果，而間接比較能獲得相對多的試驗數目時，可考慮間接比較或綜合直接比較和間接比較結果。如果間接比較和直接比較證據出現不一致的情況，應對可能的原因進行詳盡探討。
第二，直接比較與間接比較結果一致性如何？與直接比較相比，間接比較的偏倚是否較大？會不會高估療效？ Song等通過研究已發表的Meta分析來判定間接比較結果的可靠性，結果發現44項中有3項間接比較和直接比較結果有差異，該研究認為，間接通常但並不總是與直接比較的結果一致。當隨機對照試驗的直接證據缺乏或不足時，間接比較可以提供有用的補充信息。間接比較的可靠性取決於所納入的試驗的內部真實性和相似性。而他在進一步對3個實例進行研究後的結果提示，調整後間接比較的偏倚可能小於直接比較的偏倚。但在方法學部分，間接比較仍有一些問題仍需要進一步研究，如如何更客觀地檢驗不同試驗集的相似性假設、分層貝葉斯模型如何用來評價RD值。
第三，實際應用中存在的問題。網狀Meta分析是一種同時綜合直接比較和間接比較證據的較為複雜的方法，其可靠性取決於一定的假設條件，這種假設條件比傳統Meta分析的假設條件要復雜得多。 Song等的研究表明：隨著可納入研究的增多，直接比較和間接比較的不一致性比較先前發現的結果更具普遍性。因此，他們提出應該在對證據的一致性進行充分評估後才能綜合直接比較和間接比較的證據，即在納入間接比較證據時，要充分檢驗假設條件，保證結果的可靠性。
5總結
NMA 是從傳統Meta 分析發展而來的一種方法，即從標準的兩組試驗Meta 分析擴展為同時將多個不同處理因素進行相互分析比較的方法，其最大的優越性在於可以將治療同類疾病的不同干預措施匯總後進行定量化的統計分析。但必須意識到在方法學部分，NMA 仍有一些需要進一步探討的問題，如納入研究質量評價標準選擇問題，異質性處理問題，如何規範化報告問題等，仍需要進一步研究。
