Netwerk meta-analyses zijn nuttig om verschillende behandelingen met elkaar te vergelijken. Surface under the cumulative ranking curve (SUCRA) werd ontwikkeld om de clinicus te helpen bij de interpretatie van het resultaat van een netwerk meta-analyse. Wanneer het aantal directe vergelijkingen echter beperkt is en wanneer de graad van bewijs van de directe en indirecte vergelijkingen laag tot zeer laag is, mogen we als clinicus geen rekening houden met het resultaat van de SUCRA.

Een Zelen’s design randomiseert patiënten in een interventie- en een controlegroep zonder geïnformeerde toestemming voor de randomisatie. Patiënten in de controlegroep zijn er zich zelfs niet van bewust dat ze deelnemen aan een studie. Dit design biedt een antwoord op performance bias in open-label gerandomiseerde gecontroleerde studies zonder placebogroep, waarbij men vooral de bereidheid van patiënten voor een bepaalde (be-)handeling wenst te onderzoeken. Het niet respecteren van de autonomie van de patiënt en de mogelijke schade voor de arts-patiëntrelatie maken deel uit van een ethisch debat.

Zijn umbrella reviews nu de top van de piramide? Ja en nee. Wanneer ze correct worden uitgevoerd, misschien wel. Naast de hoger beschreven criteria kunnen we hier ook verwijzen naar een apart hoofdstuk over ‘overview of reviews’ in het handboek van de Cochrane Collaboration. In een ‘wetenschappelijke’ wereld die steeds sneller evolueert hebben umbrella reviews misschien wel een voordeel omdat ze sneller gemaakt kunnen worden dan systematische reviews. Anderzijds, en dat is eigenlijk niet verschillend met wat we vroeger reeds besloten over ‘gewone’ systematische reviews en meta-analyses, zijn ze maar zo sterk als de zwakste schakel, namelijk de RCT’s, de observationele studies en de kwalitatieve studies die het fundament van onze piramide vormen.

Om de klinische relevantie van studieresultaten voor de dagelijkse praktijk te kunnen beoordelen, moeten we verschillende elementen in rekening nemen: de doelstelling van de studie, de uitkomstmaten, de effectgrootte, de precisie van het effect, de vergelijkende interventie, de representativiteit van de studiepopulatie en de haalbaarheid van een behandeling.

Het aandeel van ontbrekende gegevens in een studie evalueren is belangrijk om de resultaten te interpreteren. Vooral elke asymmetrie tussen de behandelingsarmen moet aansporen tot voorzichtigheid. Om het effect van deze ontbrekende gegevens te corrigeren kan men statistische technieken gebruiken die beter uitgewerkt zijn dan LOCF. Deze technieken situeren zich op het niveau van sensitiviteitsanalyses.