[论文解读] Target estimands for population-adjusted indirect comparisons

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

Advanced Causal Inference Techniques被引用 4

一句话总结

本文主张，边际估计量——代表总体水平治疗效应——对于卫生技术评估（HTA）的报销决策至关重要，提倡使用多水平网络荟萃回归（ML-NMR）而非成对方法（如MAIC或STC）。ML-NMR能够利用真实世界数据，在任何目标人群中灵活地估计边际效应，克服了现有方法仅限于比较研究特定人群的局限性。

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.

研究动机与目标

• 解决关于在卫生技术评估（HTA）中，应使用边际估计量还是条件估计量来指导人群调整的间接比较的持续争议。
• 阐明应由估计量而非估计方法决定方法选择，以与决策的相关性为主要标准。
• 证明当前的成对方法（如MAIC和STC）在针对可推广的总体水平估计量方面存在局限性。
• 突出多水平网络荟萃回归（ML-NMR）利用真实世界数据在任意目标人群中估计边际治疗效应的潜力。
• 支持使用基于结果建模的方法（如ML-NMR）以提高证据综合的精确度和灵活性。

提出的方法

• 提出边际估计量——代表目标人群中平均治疗效应——应在HTA中作为主要推断目标。
• 主张边际效应的估计量可以进行协变量调整，不一定是未调整的，以纠正对加权方法的误解。
• 强调非可 collapsible 效应度量（如风险比）通常不具有可 collapsibility 性质，因此条件估计量并不天然具有总体水平的解释。
• 引入多水平网络荟萃回归（ML-NMR）作为能够估计条件效应和边际效应的方法，其中边际效应可通过标准化条件估计量获得。
• 利用真实世界数据源（如电子健康记录、大型观察性数据库）定义外部目标人群以进行推断。
• 强调ML-NMR不仅超越成对比较，还可处理更大规模的治疗网络，而传统MAIC或STC则不具备此能力。

实验结果

研究问题

• RQ1 在卫生技术评估中，人群调整的间接比较的适当目标估计量是什么？
• RQ2 为何当前的成对人群调整方法（如MAIC和STC）无法支持可推广的总体水平推断？
• RQ3 多水平网络荟萃回归（ML-NMR）能否在任意感兴趣的群体中靶向边际治疗效应？
• RQ4 在非可 collapsible 效应度量下，边际估计量与条件估计量在解释和有效性上如何不同？
• RQ5 使用高效但靶向与决策相关估计量不同的估计量，会产生何种影响？

主要发现

• HTA报销决策需要边际估计量，因为监管机构需做出总体水平的决策。
• 当前的成对方法（如MAIC和STC）仅限于针对比较研究样本的边际效应，而这些样本可能无法代表决策人群。
• ML-NMR可在任何感兴趣的群体中靶向边际估计量，实现外部有效且与决策需求一致的推断。
• 基于结果建模的方法（如ML-NMR）在估计边际效应方面通常比基于加权的方法（如MAIC）更精确、更高效，尤其在重叠性差的情况下。
• 即使在期望上具有可 collapsibility 性质，非可 collapsible 度量（如风险比）的条件估计量也不具备有效的总体水平解释。
• ML-NMR支持条件和边际推断，可通过标准化条件估计量获得边际效应，其灵活性优于成对方法。