Sintesi Tecnica: Anchors Away: Navigating Unanchored Indirect Comparisons with Multilevel Unanchored Meta-Regression (ML-UMR)

1. Definizione del Problema

Nella Valutazione delle Tecnologie Sanitarie (HTA), i decisori si trovano frequentemente di fronte a reti di evidenza disconnesse, il che significa che i trattamenti vengono valutati in studi separati (ad esempio, trial a braccio singolo) senza un comparatore comune (come un placebo o lo standard di cura). In questi contesti "non ancorati" (unanchored), la Network Meta-Analysis (NMA) standard è inapplicabile perché non esiste un anchor condiviso per collegare l'evidenza.

I metodi esistenti di confronto indiretto con aggiustamento della popolazione (PAIC), principalmente il Matching-Adjusted Indirect Comparison (MAIC) e il Simulated Treatment Comparison (STC), sono ampiamente utilizzati per affrontare questo problema. Tuttavia, gli autori identificano tre criticità fondamentali:

1. Restrizione a Coppie (Pairwise Restriction): Sono generalmente limitati ai confronti a coppie e faticano a sintetizzare più trattamenti o studi simultaneamente.
2. Disallineamento della Popolazione Target: Tipicamente stimano gli effetti nella popolazione dello studio del comparatore. Nell'HTA, la popolazione rilevante per le decisioni è spesso la popolazione dello studio indice o una specifica giurisdizione. Trasportare gli effetti dal comparatore alla popolazione indice si basa spesso su assunzioni implicite e non testate.
3. Mancanza di un Framework Unificato: Gli attuali metodi non separano esplicitamente l'identificazione degli effetti del trattamento (distinguendo gli effetti del trattamento dalle differenze di popolazione) dalla trasportabilità di tali effetti a una popolazione target. Ciò limita l'inferenza coerente tra molteplici trattamenti e contesti decisionali.

2. Metodologia: Multilevel Unanchored Meta-Regression (ML-UMR)

Gli autori propongono il ML-UMR, un framework bayesiano di regressione degli esiti a livello di outcome unificato, progettato per sintetizzare dati individuali (IPD) e dati aggregati (AgD) da evidenze completamente disconnesse. Esso estende la Multilevel Network Meta-Regression (ML-NMR) ad ambiti non ancorati.

Struttura del Modello Core

Il ML-UMR utilizza un modello gerarchico di regressione dell'outcome dove la relazione tra esiti, trattamenti e covariate di base (fattori prognostici) è modellata a livello individuale, anche quando per alcuni studi sono disponibili solo dati aggregati.

• Regressione dell'Outcome: Per il trattamento $k$, la media condizionata dell'outcome è modellata come:
  $$g(\theta_k(x)) = \alpha_k + x^\top \beta_k$$
  dove $g(\cdot)$ è una funzione di legame, $\alpha_k$ è un'intercetta specifica per il trattamento e $\beta_k$ rappresenta gli effetti delle covariate.
• Verosimiglianza Congiunta (Joint Likelihood): Il framework costruisce una verosimiglianza congiunta combinando:
  1. Componente a Livello Individuale (IPD): Verosimiglianza standard per studi con IPD.
  2. Componente a Livello Aggregato (AgD): Per studi con soli AgD, il modello integra il modello di outcome condizionale sulla distribuzione ricostruita delle covariate di quello studio ($f_B(x)$) per derivare la media marginale. Ciò comporta l'integrazione numerica (ad esempio, quasi-Monte Carlo) per evitare il bias di aggregazione, particolarmente in presenza di funzioni di legame non lineari.
• Assunzioni di Identificazione: L'inferenza valida si basa sulla scambiabilità condizionale tra gli studi e sulla Shared Prognostic Factor Assumption (SPFA). Sotto l'ipotesi SPFA, si assume che gli effetti delle covariate ($\beta$) siano identici tra i trattamenti ($\beta_A = \beta_B$), implicando l'assenza di interazione trattamento-covariata (modifica dell'effetto).
  • Rilassamento della SPFA: Il framework consente di rilassare la SPFA se sono disponibili dati AgD a livello di sottogruppo, consentendo la stima di effetti delle covariate specifici per il trattamento. In alternativa, è possibile eseguire analisi di sensibilità strutturate (ad esempio, analisi del tipping point) per valutare l'impatto della violazione della SPFA.

Trasportabilità

Una volta identificati gli effetti del trattamento, il ML-UMR li trasporta in qualsiasi popolazione target ($\tilde{P}$) rilevante per le decisioni tramite la standardizzazione specifica per la popolazione (g-computation bayesiana). Ciò comporta l'integrazione del modello di outcome stimato sulla distribuzione delle covariate della popolazione target ($f_{\tilde{P}}(x)$).

• Effetti Condizionali: Sotto la SPFA e con predittori lineari, gli effetti condizionali sono invarianti rispetto alla popolazione target.
• Effetti Marginali: Gli effetti marginali (ad esempio, i rapporti di rischio, i rapporti di odds) dipendono generalmente dalla distribuzione delle covariate della popolazione target e devono essere ristandardizzati per ogni specifica popolazione di interesse.

Estensioni

Il documento delinea le estensioni per:

• Molteplici Trattamenti: Generalizzazione della formulazione a coppie a $K$ trattamenti.
• Molteplici Studi per Trattamento: Incorporazione dell'eterogeneità tra gli studi tramite intercette di studio fissi o casuali.
• Esiti di Sopravvivenza: Adattamento del framework per dati time-to-event mediante la ricostruzione di pseudo-IPD da curve di Kaplan-Meier e la marginalizzazione sulle distribuzioni delle covariate per la verosimiglianza aggregata.

3. Risultati dello Studio di Simulazione

Gli autori hanno condotto uno studio di simulazione Monte Carlo confrontando ML-UMR (sotto SPFA e con SPFA rilassata) rispetto a MAIC e STC utilizzando evidenze a braccio singolo disconnesse con esiti binari.

• Popolazione del Comparatore: Tutti i metodi (ML-UMR, MAIC, STC) hanno recuperato con successo gli effetti del trattamento nella popolazione del comparatore con basso bias e copertura nominale, anche quando la SPFA era violata.
• Trasporto alla Popolazione Target (Indice):
  • MAIC e STC: Hanno mostrato un bias sostanziale e una scarsa copertura quando trasportavano gli effetti marginali (ad esempio, log risk ratios) alla popolazione indice, particolarmente in presenza di squilibrio della popolazione o modifica dell'effetto. Ciò evidenzia il fallimento delle assunzioni di trasporto implicite in questi metodi.
  • ML-UMR (SPFA): Ha performato bene quando la SPFA era rispettata, ma ha mostrato un bias crescente all'aumentare delle violazioni della SPFA (modifica dell'effetto) e dello squilibrio della popolazione.
  • ML-UMR (SPFA Rilassata): Quando sono stati utilizzati i dati di sottogruppo per rilassare la SPFA, il ML-UMR ha ripristinato una stima quasi priva di bias e una copertura nominale in tutti gli scenari.
• Robustezza: I risultati sono stati robusti a una moderata misspecification delle strutture di dipendenza delle covariate.
• Dimensione del Campione: L'aumento della dimensione del campione ha ridotto la varianza ma non ha ridotto il bias strutturale; di fatto, ha portato a intervalli di credibilità più stretti attorno a stime distorte, esacerbando la scarsa copertura negli scenari con assunzioni violate.

4. Contributi Chiave

1. Formalizzazione delle Assunzioni: Il documento distingue esplicitamente tra assunzioni di identificazione (necessarie per separare gli effetti del trattamento dalle differenze di popolazione in dati disconnessi) e assunzioni di trasportabilità (necessarie per applicare tali effetti a una specifica popolazione target).
2. Framework Unificato (ML-UMR): Introduce un framework bayesiano generalizzabile che sintetizza IPD e AgD da evidenze disconnesse, supportando simultaneamente molteplici trattamenti, molteplici studi e molteplici popolazioni target.
3. Dimostrazione dei Rischi di Trasportabilità: Attraverso la simulazione, gli autori dimostrano che, sebbene i metodi PAIC possano apparire robusti nella popolazione del comparatore, possono produrre risultati distorti nelle popolazioni rilevanti per le decisioni se le assunzioni di trasportabilità (specificamente la modifica dell'effetto e la collassabilità) non vengono esplicitamente modellate e testate.

5. Significato e Rivendicazioni

Gli autori affermano che il ML-UMR non elimina i limiti intrinseci dei confronti non ancorati (che si basano su assunzioni forti e spesso non verificabili come la SPFA). Invece, esso rende queste assunzioni esplicite all'interno di un framework di modellazione trasparente.

La significatività di questo lavoro risiede nel suo allineamento con i requisiti di evidenza dell'HTA:

• Permette agli analisti di stimare gli effetti del trattamento direttamente nella popolazione target rilevante per le decisioni, anziché affidarsi a un trasporto implicito da una popolazione di comparatore.
• Facilita l'esecuzione di analisi di sensibilità strutturate per quantificare come le violazioni delle assunzioni di identificazione (ad esempio, la modifica dell'effetto) impattino i risultati di costo-efficacia e le decisioni di rimborso.
• Fornisce un'alternativa rigorosa ai metodi a coppie attuali, offrendo un approccio coerente per la sintesi di evidenze disconnesse, meglio adatto a complesse valutazioni di economia sanitaria.

Il documento conclude osservando che il lavoro futuro dovrebbe concentrarsi sull'analisi quantitativa del bias (QBA) per i confronti non ancorati e sull'estensione di questi metodi a reti parzialmente connesse, dove alcune evidenze sono ancorate e altre no.