DOI: https://doi.org/10.1017/rsm.2025.10059
PMID: https://pubmed.ncbi.nlm.nih.gov/41992905
تاريخ النشر: 2025-12-17
المؤلف: Ziren Jiang وآخرون
الموضوع الرئيسي: تحليل البيانات الشامل والمراجعات المنهجية
نظرة عامة
تناقش هذه القسم المنهجية والآثار المترتبة على المقارنة غير المباشرة للعلاج (ITC) في تقدير الفعالية المقارنة للعلاجات عندما لا تتوفر تجارب مباشرة. يوضح السيناريو النموذجي للمقارنة غير المباشرة المعتمدة، حيث يتم اشتقاق فعالية الدواء A مقابل الدواء B من مقارناتهما مع دواء مرجعي مشترك C. يفترض هذا النهج أن توزيعات المتغيرات المشتركة في التجارب متوازنة وأن مقياس التأثير المختار قابل للنقل. ومع ذلك، يحذر المؤلفون من أن نسبة المخاطر (HR)، المستخدمة عادة لنتائج البقاء في المقارنات غير المباشرة، تفتقر عمومًا إلى القابلية للنقل، مما قد يؤدي إلى استنتاجات مضللة.
يؤكد البحث على أهمية القابلية الإحصائية للنقل في تقييم مقاييس التأثير للمقارنة غير المباشرة ويقدم بدائل أكثر موثوقية لـ HR. تشمل هذه البدائل الفرق في متوسط وقت البقاء المقيد (RMST)، وفرق احتمالية البقاء في النقطة الزمنية المحددة، والفرق في المخاطر المتوسطة مع أوزان البقاء (AH-SW). يقدم المؤلفون براهين نظرية وأمثلة عملية لتوضيح المخاطر المرتبطة باستخدام HRs، خاصة عندما لا ينطبق افتراض المخاطر النسبية عبر أذرع العلاج، مما يبرز الحاجة إلى اختيار دقيق لمقاييس التأثير في أبحاث الفعالية المقارنة.
مقدمة
في سياق تطوير المنتجات الطبية، تبرز المقدمة ضرورة مقارنة فعالية العلاجات المعتمدة المتعددة لنفس المرض، خاصة لأغراض التعويض. بينما تعتبر التجارب العشوائية المضبوطة (RCTs) الطريقة المثلى لمثل هذه المقارنات، فإن إجراء تجارب مباشرة لجميع العلاجات المتاحة غالبًا ما يكون غير عملي. كحل، تستخدم طرق المقارنة غير المباشرة للعلاج (ITC) بيانات التجارب الحالية، والتي تتضمن عادةً مقارنًا مشتركًا، لتقييم تأثيرات العلاج النسبية. ومع ذلك، تعتمد صحة هذه المقارنات على قابلية النقل للتأثيرات النسبية، والتي تفترض أنه يمكن اشتقاق التأثير الحقيقي لعلاج واحد على آخر من تأثيراتهما مقابل مقارن مشترك.
تناقش هذه القسم التحديات التي تطرحها توفر بيانات المشاركين الفرديين (IPD) وبيانات المستوى الإجمالي (AgD)، مما يؤدي إلى تطوير طرق المقارنة غير المباشرة المعدلة للسكان (PAIC)، وخاصة المقارنة غير المباشرة المعدلة للمطابقة (MAIC). تهدف MAIC إلى موازنة توزيعات المتغيرات المشتركة بين التجارب لضمان مقارنات صحيحة. على الرغم من شعبية نسبة المخاطر (HR) كمقياس لنتائج الوقت حتى الحدث في المقارنات غير المباشرة، يحذر المؤلفون من أن HR قد لا يفي بمتطلبات القابلية للنقل، خاصة إذا تم انتهاك افتراض المخاطر النسبية. يقترحون مقاييس بديلة، مثل الفرق في متوسط وقت البقاء المقيد (RMST)، والتي قد توفر نتائج أكثر موثوقية في المقارنات غير المباشرة. تمهد المقدمة الطريق لاستكشاف إحصائي أعمق للقابلية للنقل في المقارنات غير المباشرة، مع التأكيد على أهمية الاعتبارات العلمية والإحصائية لضمان مقارنات علاجية صحيحة.
نقاش
في هذا القسم، يناقش المؤلفون مفهوم القابلية الإحصائية للنقل في سياق المقارنات غير المباشرة للعلاج (ITCs) التي تشمل الأدوية A وB وC. تسمح القابلية للنقل باستنتاج الفعالية المقارنة للأدوية A وB من خلال مقارن مشترك C، والذي يتم تمثيله رياضيًا كـ $\mu_{AB} = \mu_{AC} – \mu_{BC}$ أو $\mu_{AB} = \frac{\mu_{AC}}{\mu_{BC}}$. تعتمد صحة هذه الخاصية الانتقالية على ثلاثة عوامل رئيسية: اتساق الدواء المقارن C عبر التجارب، توازن معدلات التأثير في سكان التجارب، والقابلية الإحصائية لقياس التأثير نفسه. يؤكد المؤلفون أنه بينما العديد من مقاييس التأثير، مثل اختلاف المخاطر، قابلة للنقل، فإن نسبة المخاطر (HR) المشتقة من نموذج المخاطر النسبية لكوكس ليست كذلك، كما يتضح من خلال أمثلة توضيحية تتعلق بعلاجات سرطان المثانة.
يظهر المؤلفون أيضًا آثار عدم القابلية للنقل باستخدام بيانات محاكاة، حيث تؤدي HRs المباشرة وغير المباشرة إلى استنتاجات متضاربة بشأن فعالية الدواء A مقارنة بالدواء B. يبرزون أن عدم قابلية النقل لـ HR ينشأ من انتهاك افتراض المخاطر النسبية، والذي غالبًا ما يكون غير قابل للاختبار مع البيانات الإجمالية. وبالتالي، يوصي المؤلفون بالحذر في استخدام HRs للمقارنات غير المباشرة ويدعون إلى مقاييس بديلة مثل متوسط وقت البقاء المقيد (RMST) واحتمالات البقاء في النقاط الزمنية، والتي تكون قابلة للنقل إحصائيًا وأسهل في التفسير. يختتمون بالتأكيد على أهمية تقييم كل من القابلية الإحصائية والسريرية للنقل عند إجراء المقارنات غير المباشرة، مقترحين مخطط تدفق اتخاذ القرار لإرشاد الباحثين في تقييم قابلية المقارنة للمقارنات المشتركة عبر الدراسات.
DOI: https://doi.org/10.1017/rsm.2025.10059
PMID: https://pubmed.ncbi.nlm.nih.gov/41992905
Publication Date: 2025-12-17
Author(s): Ziren Jiang et al.
Primary Topic: Meta-analysis and systematic reviews
Overview
The section discusses the methodology and implications of Indirect Treatment Comparison (ITC) in estimating the comparative effectiveness of treatments when direct head-to-head trials are not available. It outlines the typical anchored ITC scenario, where the effectiveness of drug A versus drug B is derived from their respective comparisons to a common reference drug C. This approach assumes that the covariate distributions in the trials are balanced and that the chosen effect measure is transitive. However, the authors caution that the hazard ratio (HR), commonly used for survival outcomes in ITCs, generally lacks transitivity, which can lead to misleading conclusions.
The paper emphasizes the importance of statistical transitivity in evaluating effect measures for ITC and introduces more reliable alternatives to HR. These alternatives include the restricted mean survival time (RMST) difference, the landmark survival probability difference (or ratio) at a specified time point, and the average hazard with survival weights (AH-SW) difference. The authors provide theoretical proofs and practical examples to illustrate the risks associated with using HRs, particularly when the proportional hazard assumption does not hold across treatment arms, thereby underscoring the need for careful selection of effect measures in comparative effectiveness research.
Introduction
In the context of medical product development, the introduction highlights the necessity of comparing the effectiveness of multiple approved treatments for the same disease, particularly for reimbursement purposes. While randomized controlled trials (RCTs) are the ideal method for such comparisons, conducting head-to-head trials for all available treatments is often impractical. As a solution, indirect treatment comparison (ITC) methods utilize existing trial data, typically involving a common comparator, to assess relative treatment effects. However, the validity of these comparisons hinges on the transitivity of relative effects, which assumes that the true effect of one treatment over another can be derived from their respective effects against a common comparator.
The section discusses the challenges posed by the availability of individual participant data (IPD) and aggregate-level data (AgD), leading to the development of population-adjusted indirect comparison (PAIC) methods, particularly the matching-adjusted indirect comparison (MAIC). MAIC aims to balance covariate distributions between trials to ensure valid comparisons. Despite the popularity of the hazard ratio (HR) as a metric for time-to-event outcomes in ITC, the authors caution that HR may not satisfy the transitivity requirement, especially if the proportional hazards assumption is violated. They propose alternative measures, such as the restricted mean survival time (RMST) difference, which may provide more reliable results in indirect comparisons. The introduction sets the stage for a deeper statistical exploration of transitivity in ITC, emphasizing the importance of both scientific and statistical considerations in ensuring valid treatment comparisons.
Discussion
In this section, the authors discuss the concept of statistical transitivity in the context of indirect treatment comparisons (ITCs) involving drugs A, B, and C. Transitivity allows for the inference of the comparative effectiveness of drugs A and B through a common comparator C, represented mathematically as $\mu_{AB} = \mu_{AC} – \mu_{BC}$ or $\mu_{AB} = \frac{\mu_{AC}}{\mu_{BC}}$. The validity of this transitive property hinges on three key factors: the consistency of the comparator drug C across trials, the balance of effect modifiers in the populations of the trials, and the statistical transitivity of the effect measurement itself. The authors emphasize that while many effect measurements, such as risk differences, are transitive, the hazard ratio (HR) derived from the Cox proportional hazards model is not, as demonstrated through illustrative examples involving bladder cancer treatments.
The authors further illustrate the implications of non-transitivity using simulated data, where direct and indirect HRs yield conflicting conclusions regarding the effectiveness of drug A compared to drug B. They highlight that the HR’s non-transitivity arises from the violation of the proportional hazards assumption, which is often untestable with aggregate data. Consequently, the authors recommend caution in using HRs for ITCs and advocate for alternative measures such as restricted mean survival time (RMST) and landmark survival probabilities, which are statistically transitive and easier to interpret. They conclude by emphasizing the importance of assessing both statistical and clinical transitivity when conducting ITCs, proposing a decision-making flowchart to guide researchers in evaluating the comparability of common comparators across studies.