日本版敗血症診療ガイドライン2020 (J-SSCG2020) の血糖管理でネットワークメタアナリシスをやってみる

The Japanese Clinical Practice Guidelines for Management of Sepsis and Septic Shock 2020 (J-SSCG 2020)
「日本版敗血症診療ガイドライン2020 (J-SSCG2020)」正式版公開のお知らせ｜日本集中治療医学会
 日本版敗血症診療ガイドライン2020 (J-SSCG2020)」正式版公開のお知らせ
集中治療学会のほうは「許可なくリンクを貼ることを禁じます」と書いてあるが、ネットに無償公開しているものについて引用の範囲でリンクを貼ることについては法律的になんら問題はないので、APRINで倫理講習を受けましょう、とかアホなこと言ってないで法律的なことを真面目に勉強したほうがいいと思う。

ネットワークメタアナリシスというものがあり、ガイドライン中のいくつかのCQで検討が行われている。
CQ13-2 の「敗血症患者の目標血糖値はいくつにするか？」について、35件の研究が引用されている。
このうち、23番目のKalfon 2014 の論文では、付録の III >180 vs <110 アウトカム①短期死亡について、リスク比が Not estimated となっている。これは、<110 群で1336人にすべきところを136人と誤って解析しているからであるが、これを正しく1336人にして解析すると、論文と同じようなそれっぽい解析結果は出るが、対照 <110 群に対して144-180 群の結果が0.90 [0.83 - 0.97] となっているが、正しい入力データだと0.8946であり有効数字を考慮すると0.90 にならない。

Treatment estimate (sm = 'RR', comparison: other treatments vs '<110'):
            RR           95%-CI     z p-value
<110         .                .     .       .
>180    1.0102 [0.9480; 1.0766]  0.31  0.7538
110-144 0.8841 [0.7144; 1.0942] -1.13  0.2575
144-180 0.8946 [0.8272; 0.9676] -2.78  0.0054

Kalfon の誤った入力データでやってみるともちろん出力は異なるので、本解析と付録で入力データが異なるし、出力も完全再現に至らないので本当どういうことなんだろう（）

出力結果のグラフの点の大きさやエッジの太さを適当にいじったが、本文に書いていないので本当にあっているかは謎。
Control size of points in netgraph in R - Stack Overflow

library(NMA)
library(netmeta)

dat <- read.csv(text="
study,trial,trt,n,d,pubyear
1,Oksanen,110-144,51,18,2007
1,Oksanen,<110,39,13,2007
2,Finfer,144-180,3012,751,2009
2,Finfer,<110,3010,829,2009
3,Preiser,144-180,542,105,2009
3,Preiser,<110,536,125,2009
4,Green,144-180,36,9,2010
4,Green,<110,45,16,2010
5,Coester,144-180,40,4,2010
5,Coester,<110,39,2,2010
6,Cappi,144-180,35,10,2012
6,Cappi,<110,28,5,2012
7,van den Berghe,>180,765,55,2001
7,van den Berghe,<110,783,85,2001
8,Mitchell,>180,35,3,2006
8,Mitchell,<110,35,9,2006
9,van den Berghe,>180,605,242,2006
9,van den Berghe,<110,595,222,2006
10,Iapichino,>180,36,11,2008
10,Iapichino,<110,36,13,2008
11,De La Rosa Gdel,>180,250,96,2008
11,De La Rosa Gdel,<110,254,102,2008
12,Brunkhorst,>180,288,102,2008
12,Brunkhorst,<110,247,98,2008
13,Arabi,>180,257,83,2008
13,Arabi,<110,266,72,2008
14,Savioli,>180,45,13,2009
14,Savioli,<110,45,14,2009
15,Annane,>180,254,109,2010
15,Annane,<110,255,117,2010
16,Arabi,>180,120,45,2011
16,Arabi,<110,120,42,2011
17,Kalfon,>180,1312,447,2014
17,Kalfon,<110,1336,431,2014
18,Wang,>180,44,14,2017
18,Wang,<110,44,12,2017
19,McMullin,144-180,9,4,2007
19,McMullin,110-144,11,6,2007
20,Davies,>180,34,6,1991
20,Davies,110-144,35,6,1991
21,Walters,>180,12,0,2006
21,Walters,110-144,13,1,2006
22,Farah,>180,48,26,2007
22,Farah,110-144,41,19,2007
23,Bruno,>180,15,0,2008
23,Bruno,110-144,31,2,2008
24,Bilotta,>180,49,4,2008
24,Bilotta,110-144,48,4,2008
25,Chan,>180,55,3,2009
25,Chan,110-144,54,2,2009
26,de Azevedo,>180,169,42,2010
26,de Azevedo,110-144,168,38,2010
27,Hsu,>180,57,28,2012
27,Hsu,110-144,55,18,2012
28,Giakoumidakis,>180,107,7,2013
28,Giakoumidakis,144-180,105,1,2013", stringsAsFactors=FALSE)

hf <- setup(study=study, trt=trt, d=d, n=n, measure="RD", ref="<110", data=dat)
n <- nma(hf, eform=TRUE)

nmadat <- as.data.frame(t(sapply(split(dat[,-1], dat$study), unlist))[,c(-1, -10)])
for(i in 4:7){
  nmadat[,i] <- as.numeric(nmadat[,i])
}

p1 <- pairwise(treat=list(trt1, trt2), event=list(d1, d2), n=list(n1, n2), dat=nmadat, sm="RR")
net1 <- netmeta(p1, common = FALSE)
net1
cols <- c("skyblue3", "orange", "red", "green")
netgraph(net1, points=TRUE, cex=1.5, number.of.studies=TRUE, thickness="se.random", col.points=cols, cex.points=table(c(net1$treat1, net1$treat2)), plastic=FALSE, rotate=-90)