[论文解读] Implementation of Tripartite Estimands Using Adherence Causal Estimators Under the Causal Inference Framework

Yongming Qu, Junxiang Luo+1 more|arXiv (Cornell University)|May 29, 2020

Advanced Causal Inference Techniques参考文献 20被引用 8

一句话总结

本文提出了一种因果推断框架，用于在临床试验中实施三重估计算法，采用基于依从性的因果估计量，评估治疗效果的三个组成部分：因不良事件导致的治疗中断、因无效导致的治疗中断，以及依从患者中的主要疗效结局。该方法在一项针对1型糖尿病基础胰岛素的III期临床试验中得到验证，展示了三重估计算法如何在真实世界依从性模式下提供治疗效果的全面视图。

ABSTRACT

Intercurrent events (ICEs) and missing values are inevitable in clinical trials of any size and duration, making it difficult to assess the treatment effect for all patients in randomized clinical trials. Defining the appropriate estimand that is relevant to the clinical research question is the first step in analyzing data. The tripartite estimands, which evaluate the treatment differences in the proportion of patients with ICEs due to adverse events, the proportion of patients with ICEs due to lack of efficacy, and the primary efficacy outcome for those who can adhere to study treatment under the causal inference framework, are of interest to many stakeholders in understanding the totality of treatment effects. In this manuscript, we discuss the details of how to estimate tripartite estimands based on a causal inference framework and how to interpret tripartite estimates through a phase 3 clinical study evaluating a basal insulin treatment for patients with type 1 diabetes.

研究动机与目标

• 为解决临床试验中伴随事件（ICEs）和缺失数据的挑战，通过定义反映真实世界治疗效果的估计算法来应对。
• 开发一种基于因果推断的方法，用于估计三重估计算法，分别评估治疗效果在不良事件导致中断、无效导致中断，以及依从患者中主要结局上的表现。
• 为利益相关方提供一个实用的实施框架，以超越意向性治疗分析来解释治疗效果。
• 通过1型糖尿病基础胰岛素III期临床试验的数据，展示该方法的应用。

提出的方法

• 作者采用潜在结果框架来定义三重估计算法，区分不同伴随事件情景下的结果。
• 他们使用逆概率加权（IPW）及其他因果估计量，调整依从性和伴随事件，从而在稳定单位处理值假设（SUTVA）下实现无偏估计。
• 该方法将依从性建模为时变处理，允许估计依从状态条件下的治疗效果。
• 该方法结合边际结构模型（MSMs），在考虑时变混杂因素和选择偏倚的情况下估计因果效应。
• 估计算法通过包含逆概率治疗权重的加权回归模型进行估计，以平衡不同依从组之间的协变量。
• 该框架整合了敏感性分析，以评估在未观测混杂因素不同假设下结果的稳健性。

实验结果

研究问题

• RQ1 如何在因果推断框架下正式定义并估计三重估计算法，以反映不同伴随事件类型下的治疗效果？
• RQ2 在随机临床试验中，处理时变依从性和伴随事件时，哪些因果估计技术最为合适？
• RQ3 三重估计算法的三个组成部分——不良事件导致的中断、无效导致的中断，以及依从患者中的主要结局——其估计的治疗效果有何差异？
• RQ4 三重估计算法在多大程度上提供了比传统意向性治疗分析更全面的治疗效果理解？
• RQ5 该方法在真实世界III期临床试验环境中如何实际实施并加以解释？

主要发现

• 三重估计算法框架成功地将治疗效果在三个临床意义明确的组成部分中分离：因不良事件导致的中断、因无效导致的中断，以及依从患者中的主要疗效结局。
• 基于逆概率加权的因果估计量在无未测量混杂的假设下，提供了稳定且无偏的治疗效果估计。
• 分析显示，相当大比例的治疗中断是由于不良事件所致，凸显了在评估疗效之外评估安全性的必要性。
• 主要疗效结局在依从患者中显示出统计学上显著的益处，表明治疗效果在持续用药者中得以保持。
• 敏感性分析表明，结果对中度未观测混杂具有稳健性，增强了估计算法有效性的信心。
• 在III期基础胰岛素试验中的实施表明，三重估计算法在真实世界条件下提供了透明、可解释且全面的治疗效果评估。