为了帮助临床医师及科研人员了解网络meta分析的统计学方法和解读结果，作者以统计学家的角度，以此文章为例，指出了一些可能会使结论被误判的问题。总的来说，MTM的统计学方法若要运用于临床科研中需慎重。
多种治疗措施meta分析（MTM），也称网络meta分析，是将多种治疗措施相互比较并排序的meta分析。然而，MTM的统计学方法复杂，难以理解，若应用于临床科研中可能会导致研究结论的欠准确。
统计学家在审查临床研究文章时无法做到以下两点：一，由于缺乏临床专业知识，因此他们无法完全体会当下研究问题的临床或科研意义。然而，这些研究结论的准确性与患者健康相关，统计学家完全可以从患者角度来进行评估。二，统计学家无法辨别结论的错与对。相反，他们的任务是评估现有数据是否能支撑所报道的结论。然后，根据“无伤害原则”：数据是否足以支撑结论从而避免该结论误导临床决策？虽然很多情况下，向文章作者索取更多或不同的信息可帮助判断，但Ribassin-Majet等人1的文章表明过早将复杂的统计方法运用于临床科研中会导致潜在的问题。
单独一个对比治疗措施T1和T2的随机对照研究（RCT），尽管有效且具有足够的检验效能，却不能给出一个有决定性的结论，因为这需要独立的验证。 当存在关于该研究问题多个有效的RCT时，meta分析是确立共识的一种宝贵工具。每一个对比T1和T2的研究均应纳入分析，同时排除无效研究。从每个有效的研究中分别估算出一个效应量。这些效应量间的比较确保了他们之间存在合理的同质性（同质性，如在数据组内的其他数学假设，通常被证伪不被证真）。消除所有异质性后，合并后的效应量以及其可信区间来指导结论。对比这两种治疗措施的有效研究数目越多，每项研究每个治疗方案的样本量越大（不是所有研究的总样本量），那么越可能得出一个有决定性的、准确的比较这两种治疗措施的共识结论。多种治疗措施meta分析（MTM），也称为网络meta分析，将传统的两措施对比meta分析拓展至多种治疗措施互相比较并排序的meta分析。在MTM里，之前提及的标准适用于每个配对组间的互相比较。
让我们认为Ribassin-Majet等人1（7种治疗措施，21种配对比较组合可能）研究中的每个治疗措施配组均符合meta分析标准。在配对比较中，有7个RCT比较了化放疗（CRT）序贯辅助化疗（AC；CRT-AC）和单独放疗（RT）（每个试验每个治疗措施平均90例患者）。更上一层的分析是，评估4个RCT中CRT和单独RT对比（平均101名患者）。剩下的配对比较中，一对包含3个RCT，4对包含两个RCT，4对只有1个RCT，另外10对完全缺失。两个排序最靠前的治疗措施是CRT-AC和CRT，这是一种巧合还是因为这两种治疗措施涉及的RCT数目和标本量足够使它们排序靠前占有优势呢？
同时，诱导化疗（IC）序贯CRT（IC-CRT），一个永远不会与RT或CRT-AC直接比较的治疗措施，在最佳治疗措施中排列第三。这是通过数学假设实现的。在假设一个非观察配对组间比较发生的情况下，通过被观察配对组间的直接比较估算该非观察配对组间的比较结果（间接比较）。
用风险比值（HR）表示效应量。在某个随访时间的风险函数是指那个时间的生存曲线对数的负斜率，而某个随访时间的两个生存曲线（T1 v T2）对比的HR是那个时间的这个风险函数的比值。总体来说，HR函数因随访时间而异。当文献中出现一个HR时，如本文中的例子，没有提及时间的话，HR代表比例风险（HR常数）的一个假设。
根据前面介绍的定义，临床医师或其他研究员、统计学家是否真正理解HR对病人意义呢？当然我们可以精准定义HR，描述其计算过程以及在统计检验和预测中的作用，但HR是基于一个不确定的假设（比例风险）得到的，怎样将HR和病人关联起来？
这种情况下，一个更可靠的效应量是曲线下面积（AUC）2,3，或T1组患者比T2组患者活的更长的概率，这两名患者是从人群中抽样出来的。如果生存期更长的患者标记为一个成功另外一个标记为失败，那要抽样出多少个配对才能使T1组比T2组多一个成功案例呢？这就是需要治疗的病人数目（NNT；相当于1/[2AUC-1]）。2,4NNT级别越低，某种治疗措施比另一种更好。AUC或NNT不仅反映个体的效应，而且他们不像HR，不需要限定的假设，可以不管结局指标而从任何RCT中估算出来。
那HR和NNT有什么相关性呢？一般来说，没有。AUC是通过对比每个RCT中每一名患者的生存情况获得的，然而P值是通过对比RCT之间的效应量获得的。据本例子所报道，21个配对比较中有10个缺失，这时P值大小更多的受纳入研究的总数目及样本量影响而不是效应量。
假如对所有研究人群给予同一种治疗措施那还应该以将7种治疗措施排序为最终目标吗？我们希望我们的医师能给我们提供最合适的治疗措施。因此，理想情况下，从7种治疗措施中挑选出对人群中的每一个体最合适的方案才是最重要的目标。
我们用以下简单的例子说明这些目标之间的区别。假设一个群体中，男女各占一半，T1对男性100%有效而对女性毫无效果，T2则完全相反。T3对男女疗效均为50%。MTM的结论应该是三种措施等效，即三者有效率均为50%。但显然，对于男性，疗效排序是T1，T3，T2，而女性则是T2，T3，T1。如果给予个别患者优选方案（男性T1，女性T2）则疗效会是100%；如果给予所有患者任何一种治疗措施，疗效则减半。这种情况下，性别弱化了任何两治疗措施对比RCT中的疗效。5发现疗效的弱化因素是个体化或精准医疗的基础。6,7
对本例子中个别RCT进行弱化因子分析可能会发现7个不同的亚组人群，7种治疗措施分别对应不同亚组会是最合适的方案。虽然最适合CRT-AC的亚群也许是这类中样本量最大的，但将CRT-AC应用于所有患者也许对于大部分患者来说仍是错误的决策。这里暗示一种假设，某人群的最佳治疗措施也适用于该人群中的所有个体。
作为一个统计学家，我是带着膜拜的心情来阅读MTM方面的统计学文献的：理解虽困难但有趣，假设表达清晰，数学推导很完美。然而，将如此高大上的统计方法运用到临床科研的话，研究人员要确保统计符合这么重要的数学假设很有压力。此讨论部分中，我仅指出了此研究中可能对其结论引起质疑的众多假设中的一部分。如其中一篇引用文献中所总结的：“MTM的方法学仍是统计学专家们的研究范畴， MTM结果的解读同样是个挑战。”8（p169）Ribassin-Majed等人1的结论是否正确呢？这个很难给出肯定答案，因为数据并没有明确地支撑它的结论。在解决所有复杂问题之前将如此复杂的统计学方法应用于临床研究中是种危险。
