[论文解读] 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 4

一句话总结

本文严格评估了匹配调整间接比较（MAIC）的统计性能，该方法利用一项研究的个体患者数据（IPD）和另一项研究的汇总数据（AGD），以校正间接治疗比较中基线协变量不平衡的问题。研究确立了识别假设，推导了大样本性质，并通过模拟比较了标准误估计器，证明了在模型设定正确时MAIC具有稳健性，同时强调了在健康技术评估中进行适当方差估计对有效推断的重要性。

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.

研究动机与目标

• 正式评估在混合使用IPD和AGD的背景下，匹配调整间接比较（MAIC）的统计特性。
• 识别在不同研究人群基线协变量存在差异时，支持使用MAIC估计器的因果识别假设。
• 评估在两项研究均无法获得完整IPD的情况下，不同标准误估计器所生成置信区间的有限样本偏差和覆盖性能。
• 为研究人员和决策者提供关于在健康技术评估和监管评估中可靠应用MAIC的方法论指导。

提出的方法

• MAIC基于估计的试验选择优势比，采用逆概率加权法，以平衡个体患者数据（IPD）和汇总数据（AGD）人群之间的基线协变量。
• 该方法通过协变量建模IPD研究中患者被选入目标人群的概率，并据此调整结果估计。
• 关键组成部分包括：利用指数族模型（如逻辑回归）估计权重，以平衡IPD组与AGD组之间的协变量。
• 本文利用影响函数推导了MAIC的大样本方差估计器，并在各种模型设定下评估了替代标准误估计器。
• 通过模拟研究评估了在模型正确和错误设定下，有限样本偏差及置信区间覆盖性能。
• 使用一个真实世界案例（杜氏肌营养不良症中安慰剂与自然病程结局的比较）说明了该方法的应用。

实验结果

研究问题

• RQ1 在何种识别假设下，MAIC估计器可有效估计间接比较中的因果治疗效应？
• RQ2 在不同模型设定和样本量下，MAIC的有限样本偏差如何变化？
• RQ3 当两项研究均无法获得完整IPD时，哪种标准误估计器能提供最准确的置信区间覆盖？
• RQ4 模型误设如何影响MAIC估计器的偏差和精度表现？
• RQ5 在模型假设正确时，MAIC估计器的大样本性质如何？

主要发现

• 在模型设定正确且结果模型正确指定的假设下，MAIC估计器具有渐近无偏性。
• 当选择优势模型设定正确时，MAIC的有限样本偏差通常较小；但在模型误设时，偏差可能增加。
• 在模型正确设定的大样本中，基于德尔塔法的标准误估计器能提供最准确的置信区间覆盖。
• 与朴素估计器相比，替代标准误估计器（如异方差稳健估计器）在有限样本中表现更优，尤其是在协变量平衡不理想时。
• 模拟结果表明，当关键识别假设（尤其是条件交换性和可忽略性）得到满足时，MAIC能保持良好的统计特性。
• 在杜氏肌营养不良症的病例研究中，MAIC成功校正了基线差异，并为安慰剂与自然病程结局之间提供了合理可靠的间接比较。