[論文レビュー] The Statistical Performance of Matching-Adjusted Indirect Comparisons

David Cheng, Rajeev Ayyagari+1 more|arXiv (Cornell University)|Oct 14, 2019

Statistical Methods and Inference参考文献 36被引用数 4

ひとこと要約

この論文は、個別症例データ（IPD）を用いた1つの研究と集計データ（AGD）を用いた別の研究を組み合わせて、間接的治療比較におけるベースライン共変量の不均衡を補正する手法であるマッチング調整間接比較（MAIC）の統計的性能を厳密に評価している。同論文は同定化仮定を確立し、大標本の性質を導出し、シミュレーションを通じて標準誤差推定法を比較し、正しいモデル仕様のもとでMAICが頑健であることを示し、健康技術評価における妥当な推論のための適切な分散推定の重要性を強調している。

ABSTRACT

Indirect comparisons of treatment-specific outcomes across separate studies often inform decision-making in the absence of head-to-head randomized comparisons. Differences in baseline characteristics between study populations may introduce confounding bias in such comparisons. Matching-adjusted indirect comparison (MAIC) (Signorovitch et al., 2010) has been used to adjust for differences in observed baseline covariates when the individual patient-level data (IPD) are available for only one study and aggregate data (AGD) are available for the other study. The approach weights outcomes from the IPD using estimates of trial selection odds that balance baseline covariates between the IPD and AGD. With the increasing use of MAIC, there is a need for formal assessments of its statistical properties. In this paper we formulate identification assumptions for causal estimands that justify MAIC estimators. We then examine large sample properties and evaluate strategies for estimating standard errors without the full IPD from both studies. The finite-sample bias of MAIC and the performance of confidence intervals based on different standard error estimators are evaluated through simulations. The method is illustrated through an example comparing placebo arm and natural history outcomes in Duchenne muscular dystrophy.

研究の動機と目的

• 混合IPDとAGDを用いた間接的治療比較の文脈において、マッチング調整間接比較（MAIC）の統計的性質を形式的に評価すること。
• ベースライン共変量が研究集団間で異なる場合に、MAIC推定法を正当化する因果的同定化仮定を特定すること。
• 完全なIPDが両研究から得られない状況においても、異なる標準誤差推定法から得られる信頼区間の有限標本バイアスおよびカバレッジ特性を評価すること。
• 研究者および意思決定者に対して、健康技術評価および規制評価におけるMAICの信頼性ある応用に関する方法論的ガイダンスを提供すること。

提案手法

• MAICは、推定された試験選択オッズに基づく逆確率重み付けを用いて、個別症例データ（IPD）集団と集計データ（AGD）集団の間でベースライン共変量をバランスさせる。
• この手法は、IPD研究に属する患者がターゲット集団に選択される確率を共変量を用いてモデル化し、それに応じてアウトカム推定値を調整する。
• 主な構成要素には、共変量をIPD群とAGD群の間でバランスさせるために、指数型分布族モデル（例：ロジスティック回帰）を用いた重みの推定が含まれる。
• 本論文は、影響関数を用いてMAICのための大標本分散推定法を導出し、さまざまなモデル仕様下での代替標準誤差推定法を評価している。
• 有限標本バイアスおよび信頼区間のカバレッジを、正しいモデルと誤ったモデルの下で評価するために、シミュレーション研究を実施している。
• 本手法は、ドゥシェンヌ型筋ジストロフィーにおけるプラセボと自然経過の結果を比較する事例を用いて実証されている。

実験結果

リサーチクエスチョン

• RQ1 どのような同定化仮定のもとで、MAIC推定法は、間接的比較における因果的治療効果を推定するために有効であるか？
• RQ2 異なるモデル仕様および標本サイズのもとで、MAICの有限標本バイアスはどのように変化するか？
• RQ3 両研究から完全なIPDが得られない状況において、どの標準誤差推定法が最も正確な信頼区間カバレッジを提供するか？
• RQ4 モデルの誤指定は、バイアスおよび精度の観点からMAIC推定法の性能にどのように影響するか？
• RQ5 正しいモデル仮定のもとで、MAIC推定法の大標本の性質はどのようなものか？

主な発見

• 正しいモデル仕様およびアウトカムモデルが正しく指定されている場合、MAIC推定法は漸近的に不偏である。
• 選択オッズのモデルが正しく指定されている限り、MAICの有限標本バイアスは一般的に小さいが、モデルの誤指定時には増加する可能性がある。
• モデルが正しく指定されている大標本では、デルタ法に基づく標準誤差推定法が最も正確な信頼区間カバレッジを提供する。
• ナード推定法よりも、サンドイッチ推定法などの代替標準誤差推定法は、共変量のバランスが不完全な場合に、有限標本でより優れた性能を示す。
• シミュレーション結果から、特に条件付き交換可能性および正の性質（positivity）を含む、主な同定化仮定が満たされている限り、MAICは良好な統計的性質を維持することが示された。
• ドゥシェンヌ型筋ジストロフィーの事例研究において、MAICはベースライン差を適切に補正し、プラセボと自然経過の結果の間接比較を妥当に実施した。