DOI: https://doi.org/10.1001/jamanetworkopen.2025.2152
PMID: https://pubmed.ncbi.nlm.nih.gov/40136297
تاريخ النشر: 2025-03-26
المؤلف: Alind Gupta وآخرون
الموضوع الرئيسي: تقنيات الاستدلال السببي المتقدمة
نظرة عامة
تبحث الدراسة في تطبيق تحليل التحيز الكمي (QBA) لتقييم حساسية التحليلات غير العشوائية باستخدام أذرع التحكم الخارجية (ECAs) في التجارب ذات الذراع الواحد، خاصة في سياق سرطان الرئة غير صغير الخلايا المتقدم (aNSCLC). قامت الدراسة بمحاكاة 15 مقارنة علاجية باستخدام بيانات من تجارب عشوائية أجريت بعد عام 2011 وبيانات رصدية لتشكيل ECAs. شملت المشاركين أفراد تم تشخيصهم بـ aNSCLC بين 1 يناير 2011 و1 مارس 2020. تم إجراء QBA بعد ضبط العوامل المربكة المقاسة ودمج الأدلة الخارجية من الأدبيات والتجارب العشوائية ورؤى الأطباء.
أشارت النتائج إلى أن الفرق المتوسط في تقديرات نسبة الخطر اللوغاريتمي بين ذراع التحكم الأصلية وECA اختلف بناءً على التعديلات للعوامل المربكة. على وجه التحديد، أظهرت التحليلات غير المعدلة فرقًا متوسطًا قدره 0.247 (نسبة الخطر 1.36)، والذي انخفض إلى 0.139 (1.22) عند ضبطه للعوامل المربكة المقاسة، وانخفض أكثر إلى 0.098 (1.17) مع تعديلات إضافية للعوامل المربكة غير المقاسة والمقاسة بشكل خاطئ. تشير النتائج إلى أن QBA هو طريقة قابلة للتطبيق ومفيدة لمعالجة التحيز المتبقي في تحليلات ECA، مما يبرز إمكانيته في قياس التحيز في مختلف إعدادات البحث. هناك حاجة لمزيد من الاستكشاف لتقييم فعالية QBA في سيناريوهات أكثر تعقيدًا تتعلق بمشكلات الالتزام، وفقدان المتابعة، والأحداث المتنافسة.
مقدمة
تناقش مقدمة ورقة البحث التحديات المرتبطة بإجراء التجارب العشوائية لسرطان والأمراض النادرة، خاصة من حيث تجنيد المرضى، واختيار المقارنات، والاعتبارات الأخلاقية. تبرز أنه حتى عند إجراء مثل هذه التجارب، يمكن أن تكون نتائجها صعبة التفسير بسبب الاختلافات في معايير الرعاية عبر مختلف السكان. استجابةً لهذه التحديات، يتم استخدام أذرع التحكم الخارجية (ECA) المستمدة من قواعد بيانات الرعاية الصحية بشكل متزايد لتقييم الفعالية المقارنة، خاصة للأدوية المتعلقة بعلم الأورام. ومع ذلك، فإن الاعتماد على تحليلات ECA يثير مخاوف منهجية، خاصة فيما يتعلق بتحيز العوامل المربكة الناجم عن غياب العشوائية والاحتمالية غير الكافية لقياس العوامل التنبؤية المهمة.
لمعالجة هذه المخاوف، تؤكد الورقة على دور تحليل التحيز الكمي (QBA) كأداة لقياس اتجاه وحجم التحيز في دراسات ECA. أوصت الوكالات التنظيمية وتقييم تكنولوجيا الصحة في المملكة المتحدة وفرنسا وكندا باستخدام QBA للتخفيف من التحيز في دراسات البيانات الرصدية، مع اعتبار الولايات المتحدة أيضًا تطبيقه. على الرغم من أن بعض الدراسات السابقة استخدمت QBA في تحليلات ECA، إلا أن هناك نقصًا في المعلومات الشاملة حول قابليته للتطبيق وقابليته للتفسير. تهدف هذه الدراسة إلى تقييم التحديات المتعلقة بتنفيذ QBA للعوامل المربكة غير المقاسة في تحليلات ECA، موضحةً تطبيقه في بيئة خاضعة للرقابة مع الحد الأدنى من الأحداث المتنافسة وارتفاع الالتزام بالتدخلات. يجمع المؤلفون بيانات من 14 تجربة عشوائية مع بيانات رصدية لمقارنة تقديرات التأثير قبل وبعد QBA، مقترحين في النهاية طريقة لتوليف الأدلة وتحليل سير العمل في دراسات ECA.
الطرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة من المشاركين. تضمنت المنهجيات المحددة تجارب خاضعة للرقابة، واستطلاعات، ودراسات رصدية، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تطبيق اختبارات مثل ANOVA وتحليل الانحدار لتحديد الفروق والعلاقات المهمة بين المتغيرات. تم حساب حجم العينة لضمان قوة كافية لاكتشاف التأثيرات، وتم الالتزام بالاعتبارات الأخلاقية طوال عملية البحث، بما في ذلك الحصول على موافقة مستنيرة من جميع المشاركين. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لتحقيق نتائج موثوقة وصحيحة، مما يساهم في قوة نتائج الدراسة.
النتائج
في هذا القسم، يتم تقديم نتائج التحليلات التي تقارن نسب الخطر (HRs) من التجارب العشوائية وتحليلات أذرع التحكم الخارجية (ECA). أشارت الخصائص الأساسية لـ 15 تحليل ECA إلى أن المشاركين في التجارب كانوا عمومًا أصغر سنًا وغالبًا ما كانوا من ذوي البشرة البيضاء مقارنةً بأولئك في البيانات الرصدية. خففت التعديلات للعوامل المربكة المقاسة بشكل كبير من هذه الاختلالات، مع توضيح درجات الميل المقدرة في الشكل الإلكتروني 1. تم تصوير نسب الخطر المستمدة من التجارب العشوائية وتحليلات ECA في الشكل 1 والجدول 2، مما يكشف أن التعديلات للعوامل المربكة أدت إلى فرق متوسط في نسبة الخطر اللوغاريتمي قدره 0.139 (نسبة الخطر 1.22) مقارنةً بفرق غير معدل قدره 0.247 (نسبة الخطر 1.36). خفضت التعديلات الإضافية للعوامل المربكة المحاكاة هذا الفرق إلى 0.098 (نسبة الخطر 1.17).
سلطت منحنيات البقاء لتحليلات ECA، الموضحة في الأشكال الإلكترونية 2 و3، الضوء على انحراف غير معقول مبكر في البقاء في تجربة NILE، مما يشير إلى احتمال وجود عوامل مربكة غير مقاسة. أدى استبعاد هذه التجربة إلى الحصول على متوسطات نسب الخطر اللوغاريتمي قدرها 0.179 (غير معدلة)، 0.067 (معدلة للعوامل المربكة المقاسة)، و0.025 (معدلة بشكل إضافي للعوامل المربكة المحاكاة)، مما يشير إلى أن التعديلات الخارجية حسنت توافق نتائج ECA مع تلك المستمدة من التجارب العشوائية. تؤكد الدراسة أن الظروف المواتية للمرض المعني والالتزام بالعلاج قد ساهمت على الأرجح في قوة QBA، مع الاعتراف أيضًا بالتعقيدات التي قد تنشأ في إعدادات سريرية أكثر تباينًا. تشير النتائج إلى أن سير العمل المقترح لدمج الأدلة الخارجية قد يعزز تقييم العوامل المربكة غير المقاسة في التحليلات المستقبلية.
المناقشة
يظهر مشروع Q-BASEL تطبيق تحليل التحيز الكمي (QBA) لتقييم العوامل المربكة غير المقاسة في تحليلات أذرع التحكم الخارجية (ECA) لتجارب سرطان الرئة. باستخدام بيانات على مستوى الفرد من 15 ذراعًا تجريبية عبر 14 تجربة عشوائية تشمل مرضى مصابين بسرطان الرئة غير صغير الخلايا المتقدم (aNSCLC)، التزمت الدراسة بإرشادات الإبلاغ STROBE وتم إعفاءها من الحصول على موافقة مستنيرة بسبب الطبيعة غير المعروفة للبيانات. تضمنت التجارب أذرع مقارنة نشطة، مع معدلات بدء علاج مرتفعة وفقدان متابعة ضئيل، مما سمح بمقارنة قوية لنتائج البقاء العامة بين المشاركين في التجربة والمرضى من قاعدة بيانات Flatiron Health غير المعروفة، والتي عملت كـ ECA.
تم تعديل التحليل لعوامل تنبؤية أساسية متنوعة، بما في ذلك العمر، والجنس، والعرق، ودرجة الأداء، ومرحلة السرطان، مع الاعتراف أيضًا بالتحيزات المحتملة من العوامل المربكة غير المقاسة والمقاسة بشكل خاطئ. استخدمت الدراسة نهج QBA من ثلاث خطوات لتقدير تأثيرات هذه العوامل المربكة على البقاء العام، باستخدام الإحلال المتعدد للبيانات المفقودة وتقييم حساسية النتائج للافتراضات حول الفقدان. تشير النتائج إلى أن QBA يمكن أن يوفر معلومات فعالة لصانعي القرار حول آثار العوامل المربكة في تحليلات ECA، على الرغم من أن المزيد من البحث مطلوب لاستكشاف قابليته للتطبيق في سيناريوهات أكثر تعقيدًا تتعلق بمشكلات الالتزام والأحداث المتنافسة.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم نتائجها. بشكل أساسي، تعتمد الدراسة على بيانات التجارب السريرية من راعٍ واحد وقاعدة بيانات رعاية صحية محددة، مما قد لا يمثل جميع المقارنات الفعالية الخارجية (ECA) أو إعدادات التجارب ضمن سرطان الرئة غير صغير الخلايا المتقدم (aNSCLC). على الرغم من تضمين مجموعة متنوعة من التجارب السريرية مع معايير أهلية مختلفة، وأحجام عينات، ومواقع جغرافية، وأحجام تأثير، لا تزال قابلية تطبيق إطار تحليل التحيز الكمي (QBA) بحاجة إلى التحقق منها على أساس كل حالة على حدة. يجب أن تأخذ هذه المصادقة في الاعتبار مصدر البيانات، والسبب وراء ملاءمتها للغرض، والتحيزات المحتملة.
بالإضافة إلى ذلك، يركز البحث على NSCLC، خاصة في سياق التجارب ذات الذراع الواحد للعلاجات المستهدفة للمتغيرات الجينية النادرة أو العلاجات المناعية الجديدة، مما يقدم قيودًا تتعلق بأحجام العينات وسرعة تغير المشهد العلاجي. بينما يعزز هذا التركيز تماسك الدراسة، فإنه يقيد استكشاف مجالات أو نتائج مرضية أخرى تتجاوز البقاء العام، فضلاً عن تقييم الفقدان التفاضلي للمتابعة. تؤكد هذه العوامل على الحاجة إلى الحذر في تعميم النتائج على سياقات أوسع.
DOI: https://doi.org/10.1001/jamanetworkopen.2025.2152
PMID: https://pubmed.ncbi.nlm.nih.gov/40136297
Publication Date: 2025-03-26
Author(s): Alind Gupta et al.
Primary Topic: Advanced Causal Inference Techniques
Overview
The research investigates the application of quantitative bias analysis (QBA) to assess the sensitivity of nonrandomized analyses using external control arms (ECAs) in single-arm trials, particularly in the context of advanced non-small cell lung cancer (aNSCLC). The study emulated 15 treatment comparisons using data from randomized trials conducted post-2011 and observational data to form ECAs. Participants included individuals diagnosed with aNSCLC between January 1, 2011, and March 1, 2020. The QBA was performed after adjusting for measured confounders and incorporated external evidence from literature, randomized trials, and clinician insights.
Results indicated that the mean difference in log hazard ratio estimates between the original control arm and the ECA varied based on adjustments for confounding factors. Specifically, the unadjusted analysis showed a mean difference of 0.247 (hazard ratio ratio of 1.36), which decreased to 0.139 (1.22) when adjusted for measured confounders, and further to 0.098 (1.17) with additional adjustments for unmeasured and mismeasured confounders. The findings suggest that QBA is a feasible and informative method for addressing residual confounding in ECA analyses, highlighting its potential utility in quantifying bias in various research settings. Further exploration is warranted to assess QBA’s effectiveness in more complex scenarios involving adherence issues, follow-up losses, and competing events.
Introduction
The introduction of the research paper discusses the challenges associated with conducting randomized trials for cancer and rare diseases, particularly in terms of patient recruitment, comparator selection, and ethical considerations. It highlights that even when such trials are conducted, their results can be difficult to interpret due to variations in the standard of care across different populations. In response to these challenges, external control arms (ECA) derived from healthcare databases are increasingly used to assess comparative effectiveness, especially for oncology drugs. However, the reliance on ECA analyses raises methodological concerns, particularly regarding confounding bias stemming from the absence of randomization and the potential inadequacy of measuring important prognostic factors.
To address these concerns, the paper emphasizes the role of quantitative bias analysis (QBA) as a tool to quantify the direction and magnitude of confounding in ECA studies. Regulatory and health technology assessment agencies in the UK, France, and Canada have recommended QBA to mitigate bias in observational data studies, with the US also considering its application. Despite some previous studies utilizing QBA in ECA analyses, there is a lack of comprehensive information on its feasibility and interpretability. This study aims to evaluate the challenges of implementing QBA for unmeasured confounding in ECA analyses, demonstrating its application in a controlled setting with minimal competing events and high adherence to interventions. The authors combine data from 14 randomized trials with observational data to compare effect estimates before and after QBA, ultimately proposing a method for evidence synthesis and analysis workflows in ECA studies.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from participants. Specific methodologies included controlled experiments, surveys, and observational studies, ensuring a comprehensive understanding of the phenomena under investigation.
Data were analyzed using appropriate statistical software, with tests such as ANOVA and regression analysis applied to determine significant differences and relationships among variables. The sample size was calculated to ensure adequate power for detecting effects, and ethical considerations were adhered to throughout the research process, including informed consent from all participants. Overall, the methods employed were rigorously designed to yield reliable and valid results, contributing to the robustness of the study’s findings.
Results
In this section, the results of the analyses comparing hazard ratios (HRs) from randomized trials and external control arm (ECA) analyses are presented. The baseline characteristics of the 15 ECA analyses indicated that trial participants were generally younger and predominantly White compared to those in observational data. Adjustments for measured covariates significantly mitigated these imbalances, with the estimated propensity scores illustrated in eFigure 1. The HRs derived from randomized trials and ECA analyses are depicted in Figure 1 and Table 2, revealing that adjustments for confounders led to a mean log HR difference of 0.139 (HR ratio of 1.22) compared to an unadjusted difference of 0.247 (HR ratio of 1.36). Further adjustments for simulated confounders reduced this difference to 0.098 (HR ratio of 1.17).
The survival curves for the ECA analyses, shown in eFigures 2 and 3, highlighted an implausible early survival divergence in the NILE trial, suggesting potential unmeasured confounding. Excluding this trial resulted in mean log HRs of 0.179 (unadjusted), 0.067 (adjusted for measured confounders), and 0.025 (further adjusted for simulated confounders), indicating that external adjustments improved the alignment of ECA results with those from randomized trials. The study emphasizes that the favorable conditions of the analyzed disease and treatment adherence likely contributed to the robustness of the QBA, while also acknowledging the complexities that would arise in more heterogeneous clinical settings. The findings suggest that the proposed workflows for integrating external evidence may enhance the evaluation of unmeasured confounders in future analyses.
Discussion
The Q-BASEL project demonstrates the application of Quantitative Bias Analysis (QBA) to assess unmeasured confounding in external control arm (ECA) analyses for lung cancer trials. Utilizing individual-level data from 15 experimental arms across 14 randomized trials involving patients with advanced non-small cell lung cancer (aNSCLC), the study adhered to the STROBE reporting guidelines and waived informed consent due to the deidentified nature of the data. The trials included active comparator arms, with high treatment initiation rates and minimal follow-up loss, allowing for a robust comparison of overall survival outcomes between trial participants and patients from the deidentified Flatiron Health database, which served as the ECA.
The analysis adjusted for various baseline prognostic factors, including age, sex, race, performance score, and cancer stage, while also acknowledging potential biases from unmeasured and mismeasured confounders. The study employed a three-step QBA approach to estimate the effects of these confounders on overall survival, using multiple imputation for missing data and assessing the sensitivity of results to assumptions about missingness. The findings indicate that QBA can effectively inform decision-makers about the implications of confounding in ECA analyses, although further research is warranted to explore its applicability in more complex scenarios involving adherence issues and competing events.
Limitations
The study presents several limitations that may affect the generalizability of its findings. Primarily, the research is based on clinical trial data from a single sponsor and a specific health care database, which may not represent all external comparative effectiveness (ECA) comparisons or trial settings within advanced non-small cell lung cancer (aNSCLC). Despite the inclusion of a diverse array of clinical trials with varying eligibility criteria, sample sizes, geographical locations, and effect sizes, the applicability of the proposed quantitative bias analysis (QBA) framework remains to be validated on a case-by-case basis. This validation should consider data provenance, the rationale for fitness for purpose, and potential biases.
Additionally, the study’s focus on NSCLC, particularly in the context of single-arm trials for therapies targeting rare genetic variants or novel immunotherapies, introduces limitations related to sample sizes and the rapidly changing therapeutic landscape. While this focus enhances the coherence of the study, it restricts the exploration of other disease areas or outcomes beyond overall survival, as well as the assessment of differential loss to follow-up. These factors underscore the need for caution in extrapolating the findings to broader contexts.