La méta-analyse bayésienne offre de nombreux avantages par rapport à la méta-analyse classique fréquentiste. L’approche bayésienne donne des résultats plus fiables, en particulier lorsque le nombre d’études est faible et qu’elles présentent une importante hétérogénéité statistique. L’interprétation des résultats et des intervalles de confiance se base sur une probabilité ou probabilité a posteriori. Le point essentiel consiste à déterminer une probabilité a priori et une variance. Un mauvais choix peut entraîner un biais.

Les méta-analyses en réseau sont utiles pour comparer différents traitements. La surface sous la courbe de classement cumulatif (Surface Under the Cumulative Ranking, SUCRA) pourrait aider le clinicien à interpréter plus facilement le résultat d’une méta-analyse en réseau. Cependant, lorsque le nombre de comparaisons directes est limité et que le niveau de preuve des comparaisons directes et indirectes est faible à très faible, le clinicien ne doit pas prendre en compte le résultat de la SUCRA.