Doubly robust augmented weighting estimators for the analysis of externally controlled single-arm trials and unanchored indirect treatment comparisons

Probleemstelling

In de farmaceutische research zijn gerandomiseerde gecontroleerde trials (RCT's) de gouden standaard, maar ze zijn niet altijd haalbaar (bijv. bij zeldzame ziektes, "last-line" therapieën of wanneer placebos ethisch onaanvaardbaar zijn). In deze gevallen worden extern gecontroleerde single-arm trials (SAT's) gebruikt, waarbij de controlegroep volledig wordt afgeleid uit externe data (zoals eerdere trials of real-world data). Een gerelateerd ontwerp is de niet-geankerde indirecte behandelingsvergelijking (unanchored ITC), die nodig is wanneer er geen gemeenschappelijke controlegroep is om studies te verbinden.

Het centrale probleem bij deze ontwerpen is het ontbreken van randomisatie, wat leidt tot confounding door onbalans in basislijncovariaten tussen de SAT en de externe controlegroep. Bestaande statistische methoden om dit te corrigeren hebben beperkingen:

1. Propensity score-gewogen methoden (zoals IOW): Zijn kwetsbaar voor modelmisspecificatie van de propensity score en kunnen extreme gewichten produceren bij slechte overlap.
2. Matching-Adjusted Indirect Comparison (MAIC) / Entropy Balancing: Is populair en produceert stabielere gewichten, maar is slechts "lineair dubbel robuust". Dit betekent dat het consistent is als het outcome-model lineair is, maar faalt bij niet-lineaire relaties.
3. G-computatie (Model-based standardization): Is efficiënter maar volledig afhankelijk van de correctheid van het outcome-model; bij misspecificatie ontstaat grote bias.

Er is een behoefte aan een methode die dubbel robuust is (consistent als of het propensity score-model of het outcome-model correct is) en die specifiek werkt met de voordelen van entropy balancing, ook bij niet-lineaire outcome-modellen.

Methodologie

De auteurs presenteren een unificerend raamwerk voor causale inferentie dat de volgende stappen omvat:

1. Definitie van Estimanden: De focus ligt op het Average Treatment effect in the Control (ATC), wat de gemiddelde uitkomst onder de actieve interventie simuleert voor de populatie van de externe controlegroep.

2. Bestaande Benaderingen:

   • Inverse Odds Weighting (IOW): Gewichten worden geschat via logistieke regressie van de data-bron toewijzing.
   • MAIC (Entropy Balancing): Gewichten worden geoptimaliseerd via convex optimalisatie om covariaten exact in balans te brengen zonder expliciete propensity score modellering.
   • G-computatie: Voorspelling van potentiële uitkomsten via een outcome-model, gemiddeld over de covariatenverdeling van de controlegroep.

3. De Nieuwe Aanbod: Dubbel Robuuste Augmentatie:
   De auteurs ontwikkelen een augmented estimator die de entropy balancing (MAIC) gewichten combineert met een outcome-model. De formule voor de geschatte gemiddelde uitkomst ($\hat{\mu}^1_0$) is:
   $$\hat{\mu}^1_0 = \sum \hat{v}_i (Y_i - \hat{Y}^1_i) + \frac{1}{n_0} \sum \hat{Y}^1_i$$
   Waarbij:

   • $\hat{v}_i$ de genormaliseerde MAIC-gewichten zijn.
   • $Y_i$ de geobserveerde uitkomst is.
   • $\hat{Y}^1_i$ de voorspelde uitkomst is uit het outcome-model (fit op de SAT-data).
   • Het eerste deel is een gewogen gemiddelde van de residuen (foutcorrectie), en het tweede deel is de G-computatie schatting.

   Deze aanpak is dubbel robuust: de schatter is consistent als het outcome-model correct is, OF als de onderliggende structuur van de MAIC-gewichten correct is (wat betekent dat de log-odds van de propensity score lineair zijn over de gebalanceerde functies, of het outcome-model lineair is).

4. Uitbreiding naar Aggregaat Data: De methode wordt uitgebreid voor situaties waar geen individuele patiëntdata (IPD) beschikbaar is voor de externe controlegroep (alleen samenvattende statistieken). Hierbij worden hypothetische individuele profielen gesimuleerd op basis van de gepubliceerde aggregaatdata om de G-computatie en augmentatie mogelijk te maken.

5. Variantie Schatting: Er wordt een niet-parametrische bootstrap-methode voorgesteld om de onzekerheid in zowel de gewichtschatting als het outcome-model correct te vangen.

Belangrijkste Bijdragen

• Unificatie: Een enkel raamwerk voor zowel extern gecontroleerde SAT's als niet-geankerde ITC's.
• Nieuwe Schatter: De introductie van een dubbel robuuste augmented MAIC-schatter. Dit is een significant vooruitgang ten opzichte van de bestaande "lineair dubbel robuuste" eigenschap van standaard MAIC.
• Robuustheid: De methode biedt bescherming tegen bias door modelmisspecificatie, zelfs bij niet-lineaire outcome-relaties, wat een groot tekort was in eerdere MAIC-toepassingen.
• Praktische Toepasbaarheid: De methode is toepasbaar in realistische scenario's waar alleen aggregaatdata voor de controlegroep beschikbaar is.

Resultaten

De auteurs voerden een uitgebreide simulatiestudie uit (met 10.000 datasets) en een toegepast voorbeeld (synthetische longkankerdata).

Simulatiestudie:

• Bias: De voorgestelde augmented MAIC-schatter was vrij van bias in scenario's waar of het propensity score-model of het outcome-model correct was (dubbel robuustheid). In scenario's waar beide modellen verkeerd waren (KS4), vertoonde de augmented MAIC de laagste bias van alle gewogen methoden, en vaak minder bias dan G-computatie.
• Precisie: De augmented methoden vertoonden een hogere precisie (lagere empirische standaardfout) dan niet-augmenteerde gewogen methoden (zoals standaard MAIC of IOW). De precisie was bijna identiek aan die van G-computatie wanneer het outcome-model correct was.
• Stabiliteit: De augmented MAIC-schatter was robuuster dan augmented methoden die gebruikmaken van "modeling" gewichten (IOW), vooral bij kleine steekproeven of slechte overlap, omdat entropy balancing stabielere gewichten genereert.
• Kleinschalige Bias: Bij zeer kleine steekproeven ($n=200$) werd enige bias waargenomen bij alle gewogen methoden, maar de augmented MAIC bleef over het algemeen het beste presteren.

Toegepast Voorbeeld:
In een analyse van longkankerdata (SAT vs. externe controlegroep met aggregaatdata) leverden de verschillende methoden (Naïef, IOW, MAIC, G-computatie, Augmented MAIC) vergelijkbare puntenschattingen op, maar verschoven ze de schattingen aanzienlijk naar de null in vergelijking met de naïeve schatter. De augmented MAIC leverde een iets bredere betrouwbaarheidsinterval op dan G-computatie, maar bood meer zekerheid tegen modelmisspecificatie.

Betekenis en Conclusie

De studie bevestigt dat entropy balancing (MAIC) superieure eigenschappen heeft ten opzichte van standaard propensity score-modellering (zoals stabielere gewichten en betere prestaties bij IPD-AD scenario's), maar dat het traditionele MAIC geen volledige bescherming biedt tegen bias bij niet-lineaire uitkomsten.

De voorgestelde dubbel robuuste augmented MAIC-schatter lost dit op door de voordelen van entropy balancing te combineren met de bias-reductie van augmentatie. De auteurs concluderen dat deze methode de voorkeur verdient in de praktijk voor extern gecontroleerde trials en niet-geankerde ITC's, omdat deze:

1. De risico's van modelmisspecificatie minimaliseert.
2. Hogere precisie biedt dan niet-augmenteerde gewogen methoden.
3. Geschikt is voor de realiteit van beperkte data-access (aggregaatdata).

De auteurs pleiten ervoor dat toepassing van MAIC in de toekomst standaard geëxpandeerd moet worden met een outcome-model (augmentatie) om de dubbele robuustheid te garanderen, in plaats van te vertrouwen op de lineaire aannames van de basis MAIC.