[논문 리뷰] The Statistical Performance of Matching-Adjusted Indirect Comparisons

David Cheng, Rajeev Ayyagari외 1명|arXiv (Cornell University)|2019. 10. 14.

Statistical Methods and Inference참고 문헌 36인용 수 4

한 줄 요약

이 논문은 개별 환자 데이터(IPD)에서 유래한 한 연구와 집합 데이터(AGD)에서 유래한 다른 연구를 이용하여 기저 코버리에 불균형이 발생한 간접 치료 비교에서의 일치 조정 간접 비교(MAIC)의 통계적 성능을 철저히 평가한다. 연구는 식별 가정을 수립하고, 대표성 있는 표본 성질을 유도하며, 시뮬레이션을 통해 표준 오차 추정 방법을 비교하여, 모형이 올바르게 특정된 경우 MAIC의 강건성을 입증하고, 건강 기술 평가에서 타당한 추론을 위해 적절한 분산 추정의 중요성을 강조한다.

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.

연구 동기 및 목표

• 혼합된 IPD와 AGD를 사용한 간접 치료 비교의 맥락에서 매칭 조정 간접 비교(MAIC)의 통계적 성질을 공식적으로 평가하는 것.
• 기저 코버리가 연구 집단 간에 다를 경우 MAIC 추정 방법의 사용을 정당화하는 원인적 식별 가정을 규명하는 것.
• 모든 IPD가 두 연구에서 모두 확보되지 않은 경우에도, 다양한 표준 오차 추정 방법으로 유도된 신뢰구간의 유한 표본 편향과 커버리지 성질을 평가하는 것.
• 연구자들과 의사결정자들이 건강 기술 평가 및 규제 평가에서 MAIC를 신뢰성 있게 적용하기 위한 방법론적 지침을 제공하는 것.

제안 방법

• MAIC는 환자 선택 확률의 역수 가중치를 기반으로 하여 IPD와 AGD 집단 간의 기저 코버리 균형을 맞추는 방법이다.
• 이 방법은 IPD 연구의 환자들이 목표 집단에 선택될 가능성을 공변량을 이용해 모델링하여, 결과 추정치를 조정한다.
• 주요 구성 요소로는 IPD와 AGD 집단 간의 코버리 균형을 맞추기 위해 지수족 분포 모형(예: 로지스틱 회귀)을 이용해 가중치를 추정하는 것이 포함된다.
• 논문은 영향 함수를 이용해 MAIC의 대표성 있는 표본 분산 추정 방법을 유도하고, 다양한 모형 사양 하에서 대안적 표준 오차 추정 방법을 평가한다.
• 모형이 올바르게 특정되었는지 여부와 관계없이, 표본 수가 제한된 경우의 유한 표본 편향과 신뢰구간 커버리지 성질을 평가하기 위해 시뮬레이션 연구를 수행한다.
• 실제 사례 연구를 통해 도파킨의 근위축성 근이영양증에서 위약과 자연 병력 결과를 비교하는 데에서 방법을 적용하였다.

실험 결과

연구 질문

• RQ1 기저 코버리가 다를 경우 간접 비교에서 인과적 치료 효과를 추정하기 위해 MAIC 추정 방법이 유효한 식별 가정은 무엇인가?
• RQ2 다양한 모형 사양과 표본 크기 하에서 MAIC의 유한 표본 편향은 어떻게 변화하는가?
• RQ3 두 연구에서 모두 완전한 IPD를 확보할 수 없는 상황에서, 어떤 표준 오차 추정 방법이 가장 정확한 신뢰구간 커버리지 성질을 제공하는가?
• RQ4 모형이 잘못 설정된 경우 MAIC 추정 방법의 성능은 편향과 정밀도 측면에서 어떻게 영향을 받는가?
• RQ5 모형이 올바르게 특정된 조건 하에서 MAIC 추정 방법의 대표성 있는 표본 성질은 무엇인가?

주요 결과

• MAIC 추정 방법은 모형이 올바르게 특정되고 결과 모형이 정확히 특정된 조건 하에서 渐近적으로 편향이 없음을 입증하였다.
• 선택 확률 모형이 정확히 특정된 경우 MAIC의 유한 표본 편향은 일반적으로 작지만, 모형이 잘못 설정된 경우 편향이 증가할 수 있다.
• 표준 오차 추정 방법 중 델타 방법 기반 추정 방법은 모형이 올바르게 특정된 경우 대표성 있는 표본에서 가장 정확한 신뢰구간 커버리지 성질을 보였다.
• 나이브 추정 방법에 비해 샌드위치 추정 방법과 같은 대안적 표준 오차 추정 방법은 특히 코버리 균형이 불완전한 경우에 표본 수가 제한된 상황에서 성능이 향상됨을 보였다.
• 시뮬레이션 결과는 핵심 식별 가정—특히 조건부 교환 가능성과 양성 조건—이 충족된 경우 MAIC가 양호한 통계적 성질을 유지함을 입증하였다.
• 도파킨의 근위축성 근이영양증 사례 연구에서 MAIC는 기저 차이를 성공적으로 조정하고 위약과 자연 병력 결과 간의 타당한 간접 비교를 제공하였다.