DOI: https://doi.org/10.1017/rsm.2026.10106
PMID: https://pubmed.ncbi.nlm.nih.gov/42396748
تاريخ النشر: 2026-07-03
المؤلف: Harlan Campbell وآخرون
الموضوع الرئيسي: تقنيات الاستدلال السببي المتقدمة
نظرة عامة
في هذا القسم، يناقش المؤلفون أهمية التجارب السريرية ذات الذراع الواحد التي يتم التحكم فيها خارجيًا (SATs) والمقارنات غير المرتبطة للعلاج غير المباشر (ITCs) في تقييم فعالية العلاج عندما تكون التجارب العشوائية المضبوطة غير عملية. يقدمون إطار استدلال سببي موحد يعزز طريقة المقارنة غير المباشرة المعدلة بواسطة التوازن الانتروبي (MAIC) الحالية من خلال دمج نموذج لتوقعات النتائج الشرطية. يتميز هذا المقدّر المعزز MAIC بأنه قوي مضاعف (DR)، مما يوفر مرونة محسنة ضد خطأ تحديد النموذج مقارنة بمقدّر MAIC القياسي، الذي يتميز فقط بأنه قوي فردي.
يؤكد المؤلفون نهجهم من خلال دراسة محاكاة تتضمن نتائج ثنائية، مما يوضح أن المقدّر المعزز لا يحافظ فقط على خاصية DR ولكن أيضًا يحقق دقة أكبر من مقدّرات الوزن غير المعززة ودقة قابلة للمقارنة مع حساب G. كما يمددون نتائجهم إلى السيناريوهات التي تكون فيها بيانات المشاركين الفرديين للتحكم الخارجي غير متاحة، مما يعزز مزايا الطرق المعتمدة على التوازن الانتروبي مقارنة بالطرق النمذجة التقليدية. بشكل عام، تؤكد الدراسة على ضرورة تعزيز هذه الطرق لتحسين حماية التحيز وضمان القوة المضاعفة في تقدير تأثير العلاج.
مقدمة
في مجال البحث الصيدلاني، تعتبر التجارب العشوائية المضبوطة (RCTs) معيارًا لتقييم فعالية العلاج وسلامته نظرًا لصلاحيتها الداخلية القوية. ومع ذلك، قد لا تكون التجارب العشوائية المضبوطة ممكنة في بعض السيناريوهات، مثل الأمراض النادرة، أو الحالات المهددة للحياة مع خيارات علاج محدودة، أو عندما تثار مخاوف أخلاقية بشأن التحكم الوهمي. تعترف الهيئات التنظيمية مثل FDA وEMA بضرورة وجود تصاميم تجريبية بديلة، مثل التجارب السريرية ذات الذراع الواحد التي يتم التحكم فيها خارجيًا (SATs)، والتي تستخدم بيانات خارجية لمجموعات التحكم. لقد زاد استخدام SATs التي يتم التحكم فيها خارجيًا، خاصةً في ظل عمليات الموافقة المعجلة، حيث يمكن أن توفر رؤى قيمة في الحالات التي تكون فيها التجارب العشوائية المضبوطة التقليدية غير عملية.
على الرغم من القبول المتزايد لـ SATs التي يتم التحكم فيها خارجيًا، يمكن أن تتعرض صلاحيتها للخطر بسبب غياب العشوائية. تم اقتراح طرق إحصائية مختلفة للتعديل على عدم توازن المتغيرات الأساسية، مع كون وزن الدرجات الاحتمالية والمقارنة غير المباشرة المعدلة (MAIC) من الأساليب البارزة. تُفضل MAIC بشكل خاص لقدرتها على فرض توازن المتغيرات من خلال تحسين محدب، مما يجعلها مناسبة للسيناريوهات التي تتوفر فيها بيانات المشاركين الفرديين (IPD) وبيانات المستوى الإجمالي (AD). ومع ذلك، لا يزال تطبيق طرق التقدير “القوية المضاعفة” (DR)، التي يمكن أن توفر تقديرات متسقة لتأثير العلاج تحت افتراضات نموذج أقل صرامة، محدودًا في سياق SATs التي يتم التحكم فيها خارجيًا والمقارنات غير المرتبطة للعلاج غير المباشر (ITCs). تهدف هذه الورقة إلى توضيح طرق تقدير DR لـ SATs التي يتم التحكم فيها خارجيًا وتقديم مقدّر MAIC المعزز DR للمقارنات غير المرتبطة ITCs، مما يعالج فجوة حاسمة في المنهجيات الحالية.
طرق
في هذه الدراسة، قمنا بتقييم 16 مقدّرًا مختلفًا لتقييم أدائها في تقدير متوسط تأثير العلاج (ATE) تحت مواصفات نموذجية مختلفة. شملت المقدّرات مقدّرًا بسيطًا بدون تعديل المتغيرات، وعدة مقدّرات وزن الاحتمالات العكسية (IOW)، ومقدّرات معززة قوية مضاعفة (DR) مختلفة، جميعها تستخدم الانحدار اللوجستي لنمذجة النتائج. من الجدير بالذكر أن المساهمة الرئيسية للبحث هي مقدّر MAIC المعزز DR، الذي يستخدم نهج التوازن الانتروبي.
تم اختبار المقدّرات تحت أربعة سيناريوهات رئيسية (KS1 إلى KS4) التي تختلف في صحة نماذج النتائج ونماذج درجات الاحتمالات. في KS1، كانت كلا النموذجين محددة بشكل صحيح؛ في KS2، كانت نموذج النتائج محددة بشكل غير صحيح؛ في KS3، كانت نموذج درجات الاحتمالات غير صحيحة؛ وفي KS4، كانت كلا النموذجين غير صحيحة. لتقييم أداء المقدّرات، قمنا بحساب فترات الثقة (CIs) بنسبة 95% باستخدام طريقة bootstrap غير المعلمية مع 200 إعادة عينة من البيانات المجمعة. تهدف هذه المقارنة الشاملة إلى تحديد قوة وموثوقية كل مقدّر تحت مواصفات نموذجية مختلفة.
نتائج
تشير نتائج دراسة المحاكاة إلى أنه بالنسبة لـ $n = 200$ محاكاة، فإن الأخطاء القياسية لمونت كارلو (MCSEs) للتحيز، والأخطاء القياسية المقدرة (ESE)، وتغطية فترات الثقة بنسبة 95% (CI) جميعها أقل من 0.018، 0.013، و0.006، على التوالي. بالنسبة لـ $n = 1,000$، تتحسن هذه القيم أكثر، مع MCSEs أقل من 0.011 للتحيز، و0.008 لـ ESE، و0.005 لتغطية 95% CI. يظهر المقدّر البسيط باستمرار تحيزًا عبر جميع السيناريوهات، بينما تظهر المقدّرات القوية المضاعفة (DR) عدم التحيز عندما يتم تحديد إما نموذج درجات الاحتمالات أو نموذج النتائج بشكل صحيح. من الجدير بالذكر أن مقدّرات حساب G الموزونة تظهر تحيزًا في السيناريو KS2 عند استخدام دالة الربط Cauchit، مما يشير إلى أن أدائها يعتمد على دالة الربط المستخدمة.
فيما يتعلق بالدقة، يظهر حساب G كأكثر مقدّر معدل للمتغيرات دقة تحت مواصفات نموذجية صحيحة، على الرغم من أن المقدّرات المعززة تؤدي أيضًا بشكل جيد. تؤكد الدراسة أن أوزان التوازن الانتروبي، كما هو مستخدم في طريقة MAIC، تحقق دقة أكبر من أوزان نمذجة الاحتمالات العكسية عبر جميع السيناريوهات، مع وراثة الطرق المعززة لهذه المكاسب في الدقة. معدلات التغطية للطرق التي تم تقييمها قريبة عمومًا من 0.95، مما يشير إلى كفاية النهج غير المعلمي المقترح لتقدير التباين. ومع ذلك، تظهر بعض الطرق تحيزًا يؤدي إلى نقص في التغطية، خاصة في السيناريوهات التي تكون فيها متحيزة، مع إظهار المقدّر البسيط نقصًا كبيرًا في التغطية في عدة سيناريوهات. بشكل عام، يظهر مقدّر MAIC المعزز DR أقل تحيزًا وأعلى دقة بين الطرق التي تم تقييمها، خاصةً عند استخدام الربط Cauchit.
مناقشة
في هذا القسم، يحدد المؤلفون تقديرات ذات صلة بالتجارب السريرية ذات الذراع الواحد التي يتم التحكم فيها خارجيًا (SATs)، مؤكدين على أهمية توافق هذه التقديرات مع الأسئلة السريرية، وتصميم البحث، والأساليب التحليلية. يركزون على ثلاثة تقديرات رئيسية: متوسط تأثير العلاج (ATE)، ومتوسط تأثير العلاج في المعالجين (ATT)، ومتوسط تأثير العلاج في المجموعة الضابطة (ATC). تنشأ الفروق بين هذه التقديرات من استهدافها لمجموعات سكانية أو مجموعات تحليلية مختلفة. يجادل المؤلفون بأنه بينما تكون ATE وATT وATC متطابقة في التجارب العشوائية المضبوطة (RCTs)، فإنها تختلف عادةً في SATs التي يتم التحكم فيها خارجيًا، خاصةً في وجود تباين تأثير العلاج. غالبًا ما يتم إعطاء الأولوية لـ ATT للحصول على الموافقة التنظيمية، حيث تعكس تأثير العلاج ضمن مجموعة SAT، بينما قد تكون ATC أكثر ملاءمة للتعميم على الإعدادات الواقعية.
يناقش المؤلفون أيضًا البيانات والافتراضات اللازمة لتقدير هذه التأثيرات العلاجية، معتمدين على افتراض قيمة العلاج الثابتة (SUTVA) والاستقلال الشرطي للنتائج المحتملة من مصدر البيانات، بالنظر إلى المتغيرات الأساسية. يسلطون الضوء على التحديات المرتبطة بتقدير ATC، خاصةً الحاجة إلى افتراضات قوية للجهل والإيجابية لضمان القابلية للمقارنة بين نتائج SAT ونتائج التحكم الخارجي. يختتم القسم بتقديم طرق وزن الاحتمالات العكسية (IOW) وطرق التوازن الانتروبي، مثل المقارنة غير المباشرة المعدلة (MAIC)، كاستراتيجيات لمعالجة هذه التحديات وتحسين قوة تقديرات تأثير العلاج في سياق SATs التي يتم التحكم فيها خارجيًا.
DOI: https://doi.org/10.1017/rsm.2026.10106
PMID: https://pubmed.ncbi.nlm.nih.gov/42396748
Publication Date: 2026-07-03
Author(s): Harlan Campbell et al.
Primary Topic: Advanced Causal Inference Techniques
Overview
In this section, the authors discuss the significance of externally controlled single-arm trials (SATs) and unanchored indirect treatment comparisons (ITCs) in evaluating treatment efficacy when randomized controlled trials are impractical. They introduce a unified causal inference framework that enhances the existing entropy balancing-matching-adjusted indirect comparison (MAIC) method by incorporating a model for conditional outcome expectations. This augmented MAIC estimator is characterized as doubly robust (DR), offering improved resilience against model misspecification compared to the standard MAIC estimator, which is only singly robust.
The authors validate their approach through a simulation study involving binary outcomes, demonstrating that the augmented estimator not only maintains the DR property but also achieves greater precision than non-augmented weighting estimators and comparable precision to G-computation. They further extend their findings to scenarios where individual participant data for external controls are unavailable, reinforcing the advantages of entropy balancing-based methods over traditional modeling approaches. Overall, the study emphasizes the necessity of augmenting these methods to enhance bias protection and ensure double robustness in treatment effect estimation.
Introduction
In the realm of pharmaceutical research, randomized controlled trials (RCTs) are regarded as the benchmark for assessing treatment efficacy and safety due to their robust internal validity. However, RCTs may not be feasible in certain scenarios, such as in rare diseases, life-threatening conditions with limited treatment options, or when ethical concerns arise regarding placebo controls. Regulatory bodies like the FDA and EMA acknowledge the necessity for alternative trial designs, such as externally controlled single-arm trials (SATs), which utilize external data for control groups. The use of externally controlled SATs has been increasing, particularly under accelerated approval processes, as they can provide valuable insights in situations where traditional RCTs are impractical.
Despite the rising acceptance of externally controlled SATs, their validity can be compromised due to the absence of randomization. Various statistical methods have been proposed to adjust for baseline covariate imbalances, with propensity score-based weighting and matching-adjusted indirect comparison (MAIC) being prominent approaches. MAIC, in particular, is favored for its ability to enforce covariate balance through convex optimization, making it suitable for scenarios where individual participant data (IPD) and aggregate-level data (AD) are available. However, the application of “doubly robust” (DR) estimation methods, which can provide consistent treatment effect estimates under less stringent model assumptions, remains limited in the context of externally controlled SATs and unanchored indirect treatment comparisons (ITCs). This paper aims to clarify DR estimation approaches for externally controlled SATs and introduces a DR augmented MAIC estimator for unanchored ITCs, addressing a critical gap in the current methodologies.
Methods
In this study, we evaluated 16 different estimators to assess their performance in estimating the Average Treatment Effect (ATE) under various model specifications. The estimators included a naïve estimator without covariate adjustment, several Inverse Odds Weighting (IOW) estimators, and various doubly robust (DR) augmented estimators, all employing logistic regression for outcome modeling. Notably, the main contribution of the research is the DR augmented MAIC estimator, which utilizes an entropy balancing approach.
The estimators were tested under four key scenarios (KS1 to KS4) that varied the correctness of the outcome and propensity score models. In KS1, both models were correctly specified; in KS2, the outcome model was incorrectly specified; in KS3, the propensity score model was incorrect; and in KS4, both models were incorrect. To evaluate the estimators’ performance, we computed 95% confidence intervals (CIs) using a non-parametric bootstrap method with 200 resamples of the concatenated data. This comprehensive comparison aims to identify the robustness and reliability of each estimator under different model specifications.
Results
The results of the simulation study indicate that for $n = 200$ simulations, the Monte Carlo Standard Errors (MCSEs) for bias, Estimated Standard Error (ESE), and 95% Confidence Interval (CI) coverage are all below 0.018, 0.013, and 0.006, respectively. For $n = 1,000$, these values improve further, with MCSEs under 0.011 for bias, 0.008 for ESE, and 0.005 for 95% CI coverage. The naïve estimator consistently exhibits bias across all scenarios, while the doubly robust (DR) estimators show unbiasedness when either the propensity score or outcome model is correctly specified. Notably, the weighted G-computation estimators demonstrate bias in Scenario KS2 when employing the Cauchit link function, suggesting that their performance is contingent on the link function used.
In terms of precision, G-computation emerges as the most precise covariate-adjusted estimator under correct model specifications, although augmented estimators also perform comparably well. The study confirms that entropy balancing weights, as utilized by the MAIC method, yield greater precision than inverse odds modeling weights across all scenarios, with augmented approaches inheriting these precision gains. Coverage rates for the methods assessed are generally close to 0.95, indicating the adequacy of the proposed non-parametric bootstrap approach for variance estimation. However, some methods exhibit bias-induced undercoverage, particularly in scenarios where they are biased, with the naïve estimator showing significant undercoverage in multiple scenarios. Overall, the proposed DR augmented MAIC estimator demonstrates the least bias and highest precision among the evaluated methods, particularly when the Cauchit link is employed.
Discussion
In this section, the authors define estimands relevant to externally controlled single-arm trials (SATs), emphasizing the importance of aligning these estimands with clinical questions, research design, and analytical methods. They focus on three key estimands: the average treatment effect (ATE), the average treatment effect in the treated (ATT), and the average treatment effect in the control (ATC). The distinctions among these estimands arise from their targeting of different populations or analysis sets. The authors argue that while the ATE, ATT, and ATC are identical in randomized controlled trials (RCTs), they typically differ in externally controlled SATs, particularly in the presence of treatment effect heterogeneity. The ATT is often prioritized for regulatory approval, as it reflects the treatment effect within the SAT population, while the ATC may be more suitable for generalizability to real-world settings.
The authors also discuss the data and assumptions necessary for estimating these treatment effects, relying on the stable unit treatment value assumption (SUTVA) and the conditional independence of potential outcomes from the data source, given baseline covariates. They highlight the challenges associated with estimating the ATC, particularly the need for strong ignorability and positivity assumptions to ensure comparability between the SAT and external control outcomes. The section concludes by introducing inverse odds weighting (IOW) and entropy balancing methods, such as matching-adjusted indirect comparison (MAIC), as strategies for addressing these challenges and improving the robustness of treatment effect estimates in the context of externally controlled SATs.