Processing math: 100%
+ - 0:00:00
Notes for current slide
Notes for next slide

MAIC

Matching-Adjusted Indirect Comparisons

Claus Thorn Ekstrøm
Biostatistik, KU

13. oktober 2021

1

Problemstilling

2

Oversigt

Network Meta-Analysis (NMA)

  • AgD, IPD, direkte, indirekte sammenligninger, multiplicitet
  • Golden standard, fleksibilitet
  • Problemer: Lange netværk, disjunkte netværk, heterogenitet

Buchers metode

  • AgD, indirekte sammenligninger
  • Efficiens, simpel
  • Problemer: som NMA
3

Oversigt

Network Meta-Analysis (NMA)

  • AgD, IPD, direkte, indirekte sammenligninger, multiplicitet
  • Golden standard, fleksibilitet
  • Problemer: Lange netværk, disjunkte netværk, heterogenitet

Buchers metode

  • AgD, indirekte sammenligninger
  • Efficiens, simpel
  • Problemer: som NMA

Alternativer:

Matching-adjusted indirect comparisons (MAIC)

  • AgD + IPD, indirekte sammenligning
  • Kan "fixe" nogle problemer med heterogenitet, disjunkte netværk.

Simulated treatment comparisons (STC)

3

Indirekte sammenligninger

5

Buchers metode

Antagelser: Aggregerede resultater fra to (RCT-) studier AC og BC.

Forhold (HR, OR, RR):ˆμAˆμCˆμBˆμC=ˆμAˆμBForskel (RD, Gnst):ˆμAˆμCFra AC(ˆμBˆμC)Fra BC=ˆμAˆμB

Indenfor hvert studie (ca.):

ˆμt=Nti=1YitNt

6

Samme estimand?

Problemer med Buchers metode

Fordelingen af mindst en effektmodificerende variabel er forskellig i studierne for A og B.

  • Antagelser ikke opfyldte
  • Resultaterne er ikke direkte sammenlignelige
  • Forskellige estimander?
7
+ -
A 80 20 0.8
C 50 50 0.5

RRAC=8/5

+ -
B 60 40 0.6
C 50 50 0.5

RRBC=6/5

RRAB=8/56/5=86

8
+ -
A 80 20 0.8
C 50 50 0.5

RRAC=8/5

+ -
B 60 40 0.6
C 50 50 0.5

RRBC=6/5

RRAB=8/56/5=86

+ -
A 40 40 + 20 0.4
C 50 50 0.5

RRAC=4/5

+ -
B 30 30 + 40 0.3
C 50 50 0.5

RRBC=3/5

RRAB=4/53/5=43

8

Kun effektivt på 50% af befolkningen, men det er det samme for begge studier

+ -
A 40 40 + 20 0.4
C 50 50 0.5

RRAC=40/50

+ -
B 48 12 + 40 0.48
C 50 50 0.50

RRBC=48/50

RRAB=40/5048/50=4048

9

Effektmodifiktorer?

Effektmodifikation: forskellige effekter i forskellige undergrupper/strata.

Hvordan dukker de op?

  • Bør ikke være baseret på tests. Overmatchning, faktor 16, sample size

  • Marginale sammenligninger kan skjule forskelle ☞

  • Skala - additiv / multiplikativ?

100 0
0 100
0 100
100 0

Vehtari et al. (2021). Regression and Other Stories, Ch 16.4

10

MAIC

11

Ideen i MAIC

Grundidé: Udregn den effekt af A, man ville forvente at se i B populationen.

Hvordan? Lav en pseudo-population ud fra A, der ligner B-populationen så mneget som muligt.

Eksempel: køn som effektmodifikator

B studiet

50%

50%

12

Ideen i MAIC

Grundidé: Udregn den effekt af A, man ville forvente at se i B populationen.

Hvordan? Lav en pseudo-population ud fra A, der ligner B-populationen så mneget som muligt.

Eksempel: køn som effektmodifikator

B studiet

50%

50%

A studiet

3 3/5 3/5 3/5 3/5 3/5
12

Hvornår kan MAIC benyttes?

Antagelser: IPD er tilgængeligt for A, mens aggregerede data findes fra B.

  • kun forskel mellem populationerne for effektmodificerende variable eller prognostiske faktorer
  • ingen forskelle ift opfølgning, administration af behandling mm. Disse forskelle kan ikke korrigeres/fikses.
  • har tilgængelige data på alle relevante variable for både A og B.

Desuden antager ansøger (ofte lidt stiltiende), at

  • behandlingseffekten er nok populationsafhængig. Alternativt antages det modsatte!
  • den relevante population er tættere på B end på deres eget studie med A.
13

To typer sammenligninger

  • Anchored. Sammenligning går via en fælles komparator. Fx AC og BC.

    Justér for alle effektmodifikatorer for at sikre balance og reducere bias.

    Prognostiske variable "forkorter ud" i de enkelte studier, og hvis de medtages risikeres overmatching ⇒ mindre effektiv stikprøvestørrelse ⇒ større usikkerhed.

  • Unanchored. Sammenligning uden fælles komparator (fx single-arm). A og B

    Justér for alle effektmodifikatorer og alle prognostiske faktorer for at sikre balance, fjerne confoundere og reducere bias.

    Prognostiske variable skal inkluderes for at deres effekt "fjernes" i de enkelte studier og man så vidt muligt identificerer den konkrete behandlingseffekt. Hvis forskel i fordeling introduceres bias ⇒ hvad måler vi?

14

"Fri leg"

(Lad os alle matche)

15

ESS - effective sample size

ESS antal uafhængige observationer, som den vægtede stikprøve svarer til.

Lille ESS ift den oprindelige stikprøve indikerer at vægtene varierer meget og at estimaterne kan være ustabile. Skyldes begrænset sammenfald i fordelingen af match-variable.

ved store/mange små værdier.

16

MAIC vs Bucher

ˆμt(BC)=NACti=1YitwitNACti=1wit

Derefter traditionelle indirekte sammenligninger.

  • Studierne ens wi1. Unbiased, men usikkerhed på vægte og reduceret ESS giver større SE.
EM Justering Bucher MAIC
Ja Nej =
Ja
Nej Nej =
Ja
17

Generelle problemer med vægtede analyser

  • Observationerne er ikke længere uafhængige / den effektive stikprøvestørrelse reduceres.
  • Vægtene er estimerede og ikke kendte. Robuste SEs

Hvad sker der, hvis man vægter med noget, som ikke er en effektmodifikator?

Uheldige fordelinger:

A B
33% 15%
33% 0%
34% 85%

Dele af A udelukkes

A B
55% 15%
45% 5%
0% 80%

A og B vil ikke være sammenlignelige, medmindre der findes subgrupperesultater fra B uden .

18

MAIC i evidenshierarkiet

  • Rangerer lavere end direkte sammenlignende RCT'ere.
    Ingen kausale konklusioner (kræver massevis af utestbare antagelser)
  • Usikkert hvordan MAIC indgår i evidenshierarkiet
    • Hvis matching/propensity scoring er suboptimal kan det introducere/ikke fjerne bias.

      F.eks. bør der justeres for alle kendte effektmodifikatorer.

  • Bedre (= reducerer bias) end indirekte sammenligning uden justering for forskelle i population/effect modifiers, hvis gennemført korrekt.
19

Rapportering af MAIC analyser

  • Hvilke variable er blevet vurderet som potentielt effektmodificerende? Prognostiske faktorer? Argumentation! Hvilke er siet fra – og hvorfor?

  • Fordeling af vægte for hvert effektmål (gennemsnit, minimum, 25 percentil, median 75 percentil og maximum) – gerne visualiseret med histogrammer.

  • Effektiv sample size (ESS) for A studiet efter vægtning – er der en betydelig reduktion i studiets styrke? Hvor mange i A studiet vægtes til 0?

  • Ujusterede resultater fra A studiet

  • De justerede resultater fra A studiet

20

Referencer

Phillippo, D.M., Ades, A.E., et al. (2018) Methods for Population-Adjusted Indirect Comparisons in Health Technology Appraisal. Medical Decision Making, 38, 200-211.

Vehtari, Gelman, Hill (2021). Regression and Other Stories, Ch 16.4

Signorovitch, J. E., Wu, E. Q., et al. (2010). Comparative effectiveness without head-to-head trials. Pharmacoeconomics 28 935–945.

Signorovitch, J. E., Sikirica, V., et al. (2012). Matching-adjusted indirect comparisons: a new tool for timely comparative effectiveness research. Value in Health 15 940–947.

Cheng, D., Ayyagari, R., and Signorovitch, J. E. (2020) The Statistical Performance of Matching-Adjusted Indirect Comparisons. arXiv 1910.06449v2

21

Problemstilling

2
Paused

Help

Keyboard shortcuts

, , Pg Up, k Go to previous slide
, , Pg Dn, Space, j Go to next slide
Home Go to first slide
End Go to last slide
Number + Return Go to specific slide
b / m / f Toggle blackout / mirrored / fullscreen mode
c Clone slideshow
p Toggle presenter mode
t Restart the presentation timer
?, h Toggle this help
Esc Back to slideshow