[논문 리뷰] Target estimands for population-adjusted indirect comparisons

Antonio Remiro‐Azócar|arXiv (Cornell University)|2021. 12. 15.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 건강기술평가(HTA)의 보상 결정에서 인구수준 치료 효과를 나타내는 경계적 추정량(marginal estimands)이 필수적이라고 주장하며, MAIC나 STC와 같은 쌍별 방법보다 다수준 네트워크 메타분석 회귀(ML-NMR)를 권장한다. ML-NMR는 실제 세계 데이터를 활용해 원하는 어떤 인구집단에서도 경계적 효과를 영리하게 추정할 수 있어, 기존 방법들이 비교 연구에 국한된 인구집단에만 적용 가능한 한계를 극복한다.

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.

연구 동기 및 목표

• 건강기술평가(HTA)에서 인구조정 간접 비교에 있어 경계적 추정량과 조건부 추정량 중 어느 것이 지배해야 할지에 대한 지속적인 논쟁을 해결하기 위해.
• 추정량이 추정기법이 아닌 의사결정과의 관련성에 따라 방법론적 선택이 이뤄져야 하며, 이는 의사결정과의 관련성이 주요 기준이 되어야 한다는 점을 명확히 하기 위해.
• 현재의 쌍별 방법들인 MAIC와 STC가 일반화 가능한 인구수준 추정량을 추정하는 데 제한되어 있음을 입증하기 위해.
• 실제 세계 데이터를 활용해 어떤 목표 인구집단에서든 경계적 치료 효과를 추정할 수 있는 다수준 네트워크 메타분석 회귀(ML-NMR)의 잠재력을 부각하기 위해.
• 정밀도와 유연성 향상을 위해 추정 모델 기반 방법들인 ML-NMR의 사용을 지지하기 위해.

제안 방법

• HTA에서의 주요 추론 목표로 경계적 추정량—즉, 목표 인구집단 전반의 평균 치료 효과를 나타내는 것—이 되어야 한다고 제안한다.
• 경계적 효과의 추정기법은 공변량 조정이 가능하며, 무작위화되지 않은 방법이 아니라는 점을 주장하여, 가중치 방법에 대한 오해를 바로잡는다.
• 비가역성 효과 측정치(예: 위험비)와 같은 비가역성 효과 측정치에서는 일반적으로 가역성이 성립하지 않기 때문에, 조건부 추정치는 본질적으로 인구수준 해석을 갖지 못한다.
• 다수준 네트워크 메타분석 회귀(ML-NMR)를 조건부 및 경계적 효과를 모두 추정할 수 있는 방법으로 도입하며, 조건부 추정치를 표준화함으로써 경계적 효과를 도출할 수 있다.
• 전자 건강기록, 대규모 관찰 데이터베이스 등 실제 세계 데이터 자료를 활용해 외부 목표 인구집단을 정의하여 추론을 수행한다.
• 기존의 MAIC나 STC와 달리, ML-NMR는 쌍별 비교를 넘어서 더 큰 치료 네트워크를 다룰 수 있다.

실험 결과

연구 질문

• RQ1 건강기술평가에서 인구조정 간접 비교에 적합한 목표 추정량은 무엇인가?
• RQ2 왜 현재의 쌍별 인구조정 방법들인 MAIC와 STC는 일반화 가능한 인구수준 추론을 지원하지 못하는가?
• RQ3 다수준 네트워크 메타분석 회귀(ML-NMR)는 관심 있는 임의의 인구집단에서 경계적 치료 효과를 추정할 수 있는가?
• RQ4 비가역성 효과 측정치에서 경계적 추정량과 조건부 추정량은 해석과 타당성 측면에서 어떻게 다를까?
• RQ5 의사결정에 관련된 추정량과 다른 추정량을 추정하는 효율적인 추정기법을 사용할 경우 어떤 의미가 있는가?

주요 결과

• HTA 보상 결정에서는 기관이 인구수준의 결정을 내리므로 경계적 추정량이 필요하다.
• 현재의 쌍별 방법들인 MAIC와 STC는 비교 연구 샘플에 국한된 경계적 효과를 추정할 수 있으며, 이는 의사결정 인구집단을 대표하지 않을 수 있다.
• ML-NMR는 관심 있는 어떤 인구집단에서도 경계적 추정량을 추정할 수 있어, 외부 타당성과 의사결정 요구사항에 부합하는 추론을 가능하게 한다.
• 특히 오버랩이 열악한 경우, 경계적 효과를 추정할 때 추정 모델 기반 방법들인 ML-NMR는 가중치 기반 방법(예: MAIC)보다 일반적으로 더 정밀하고 효율적이다.
• 비가역성 측정치(예: 위험비)에서 유도된 조건부 추정치는 기대치에서 가역성이 있더라도, 본질적으로 인구수준의 해석이 타당하지 않다.
• ML-NMR는 조건부 및 경계적 추론을 모두 지원하며, 조건부 추정치를 표준화하여 경계적 효과로 변환할 수 있어, 쌍별 방법보다 더 큰 유연성을 제공한다.