In a quantitative synthesis of studies via meta-analysis, it is possible that some studies provide a markedly different relative treatment effect or have a large impact on the summary estimate and/or heterogeneity. Extreme study effects (outliers) can be detected visually with forest/funnel plots and by using statistical outlying detection methods. A forward search (FS) algorithm is a common outlying diagnostic tool recently extended to meta-analysis. FS starts by fitting the assumed model to a subset of the data which is gradually incremented by adding the remaining studies according to their closeness to the postulated data-generating model. At each step of the algorithm, parameter estimates, measures of fit (residuals, likelihood contributions), and test statistics are being monitored and their sharp changes are used as an indication for outliers. In this article, we extend the FS algorithm to network meta-analysis (NMA). In NMA, visualization of outliers is more challenging due to the multivariate nature of the data and the fact that studies contribute both directly and indirectly to the network estimates. Outliers are expected to contribute not only to heterogeneity but also to inconsistency, compromising the NMA results. The FS algorithm was applied to real and artificial networks of interventions that include outliers. We developed an R package (NMAoutlier) to allow replication and dissemination of the proposed method. We conclude that the FS algorithm is a visual diagnostic tool that helps to identify studies that are a potential source of heterogeneity and inconsistency.

中文翻译：

---

一种用于检测网络元分析中极端研究效果的前向搜索算法

在通过荟萃分析对研究进行定量合成中，一些研究可能提供显着不同的相对治疗效果或对总结估计和/或异质性有很大影响。可以使用森林/漏斗图和使用统计异常检测方法直观地检测极端研究效果（异常值）。前向搜索 (FS) 算法是最近扩展到元分析的常见外围诊断工具。FS 首先将假设模型拟合到数据子集，然后根据与假设数据生成模型的接近程度添加剩余研究，逐渐增加数据子集。在算法的每一步，参数估计、拟合度量（残差、似然贡献）、并且正在监控测试统计数据，并将其急剧变化用作异常值的指示。在本文中，我们将 FS 算法扩展到网络元分析 (NMA)。在 NMA 中，由于数据的多变量性质以及研究直接和间接对网络估计做出贡献的事实，离群值的可视化更具挑战性。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。在本文中，我们将 FS 算法扩展到网络元分析 (NMA)。在 NMA 中，由于数据的多变量性质以及研究直接和间接对网络估计做出贡献的事实，离群值的可视化更具挑战性。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。在本文中，我们将 FS 算法扩展到网络元分析 (NMA)。在 NMA 中，由于数据的多变量性质以及研究直接和间接对网络估计做出贡献的事实，离群值的可视化更具挑战性。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。由于数据的多元性质以及研究直接和间接对网络估计做出贡献的事实，离群值的可视化更具挑战性。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。由于数据的多元性质以及研究直接和间接对网络估计做出贡献的事实，离群值的可视化更具挑战性。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。异常值不仅会导致异质性，还会导致不一致，从而影响 NMA 结果。FS 算法应用于包括异常值的真实和人工干预网络。我们开发了一个 R 包（NMAoutlier）以允许复制和传播所提出的方法。我们得出结论，FS 算法是一种可视化诊断工具，有助于识别可能是异质性和不一致来源的研究。