[論文レビュー] Target estimands for population-adjusted indirect comparisons

Antonio Remiro‐Azócar|arXiv (Cornell University)|Dec 15, 2021

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本論文は、健康技術評価（HTA）の承認決定において、母集団レベルの治療効果を表すマージナル推定統計量が不可欠であると主張し、MAIC や STC といった対比較手法に代わって多段階ネットワークメタ回帰（ML-NMR）を推奨する。ML-NMR は、実世界データを用いて任意の目的の母集団におけるマージナル効果を柔軟に推定可能であり、既存手法が比較対象研究固有の母集団に限定されるという制限を克服する。

ABSTRACT

Disagreement remains on what the target estimand should be for population-adjusted indirect treatment comparisons. This debate is of central importance for policy-makers and applied practitioners in health technology assessment. Misunderstandings are based on properties inherent to estimators, not estimands, and on generalizing conclusions based on linear regression to non-linear models. Estimators of marginal estimands need not be unadjusted and may be covariate-adjusted. The population-level interpretation of conditional estimates follows from collapsibility and does not necessarily hold for the underlying conditional estimands. For non-collapsible effect measures, neither conditional estimates nor estimands have a population-level interpretation. Estimators of marginal effects tend to be more precise and efficient than estimators of conditional effects where the measure of effect is non-collapsible. In any case, such comparisons are inconsequential for estimators targeting distinct estimands. Statistical efficiency should not drive the choice of the estimand. On the other hand, the estimand, selected on the basis of relevance to decision-making, should drive the choice of the most efficient estimator. Health technology assessment agencies make reimbursement decisions at the population level. Therefore, marginal estimands are required. Current pairwise population adjustment methods such as matching-adjusted indirect comparison are restricted to target marginal estimands that are specific to the comparator study sample. These may not be relevant for decision-making. Multilevel network meta-regression (ML-NMR) can potentially target marginal estimands in any population of interest. Such population could be characterized by decision-makers using increasingly available "real-world" data sources. Therefore, ML-NMR presents new directions and abundant opportunities for evidence synthesis.

研究の動機と目的

• 健康技術評価（HTA）における母集団調整付き間接比較において、マージナル推定統計量と条件付き推定統計量のどちらが適切かという継続的な議論を解決すること。
• 推定統計量（estimand）ではなく推定量（estimator）が方法論的選択を決定すべきでないことを明確にし、意思決定との関連性を主な基準とするべきであることを強調すること。
• 現在用いられている対比較手法（例：MAIC や STC）が、一般化可能な母集団レベルの推定統計量を的確に標本化できないことの限界を示すこと。
• 多段階ネットワークメタ回帰（ML-NMR）が、実世界データを用いて任意のターゲット母集団におけるマージナル治療効果を推定する可能性を浮き彫りにすること。
• 推定の精度と柔軟性を向上させるために、結果モデリングに基づく手法（例：ML-NMR）の使用を支援すること。

提案手法

• HTAにおける主な推論的目標として、ターゲット母集団全体における平均治療効果を表すマージナル推定統計量を採用すべきであると提唱する。
• マージナル効果の推定量は共変量を調整可能であり、未調整である必要はないと主張し、重み付け手法に関する誤解を是正する。
• 非可換性のない効果尺度（例：リスク比）では一般に可換性が成立しないことから、条件付き推定値が必ずしも母集団レベルの解釈を有するわけではないことを強調する。
• 多段階ネットワークメタ回帰（ML-NMR）を、条件付き効果とマージナル効果の両方を推定可能な手法として導入し、条件付き推定値の標準化によってマージナル効果を取得可能であることを示す。
• 電子カルテや大規模な観察データベースなどの実世界データソースを用いて、外部のターゲット母集団を定義し、推論の根拠とする。
• 従来の MAIC や STC が対比較に限定されるのに対し、ML-NMR はより大きな治療ネットワークを扱える点で優位であることを強調する。

実験結果

リサーチクエスチョン

• RQ1 健康技術評価における母集団調整付き間接比較の適切なターゲット推定統計量は何か？
• RQ2 なぜ現在用いられている対比較型母集団調整手法（例：MAIC や STC）は、一般化可能な母集団レベルの推論を支援できないのか？
• RQ3 多段階ネットワークメタ回帰（ML-NMR）は、関心のある任意の母集団におけるマージナル治療効果を的確に標本化できるか？
• RQ4 非可換性のない効果尺度（例：リスク比）を用いる場合、マージナル推定統計量と条件付き推定統計量の解釈と妥当性にはどのような相違があるか？
• RQ5 意思決定に必要な推定統計量とは異なる推定統計量を標本化する効率的だが、その推定量を使用する場合に生じる影響は何か？

主な発見

• HTAの承認決定では、機関が母集団レベルの意思決定を行うため、マージナル推定統計量が不可欠である。
• 現在用いられている対比較手法（例：MAIC や STC）は、比較対象研究のサンプル固有のマージナル効果に限定され、意思決定に必要な母集団を代表するとは限らない。
• ML-NMR は、関心のある任意の母集団におけるマージナル推定統計量を標本化可能であり、外部妥当性があり意思決定ニーズと整合した推論を可能にする。
• 特に重複度が低い状況下では、結果モデリングに基づく手法（例：ML-NMR）は、重み付けに基づく手法（例：MAIC）よりも一般に推定精度と効率性に優れる。
• 非可換性のない尺度（例：リスク比）からの条件付き推定値は、期待値において可換であっても、母集団レベルの解釈が有効ではない。
• ML-NMR は条件付き推論とマージナル推論の両方を可能とし、条件付き推定値を標準化してマージナル効果に変換できるため、対比較手法に比べてより高い柔軟性を提供する。