Reframing Population-Adjusted Indirect Comparisons as a Transportability Problem: An Estimand-Based Perspective and Implications for Health Technology Assessment
Dit artikel herformuleert populatie-gecorrigeerde indirecte vergelijkingen als een transportabiliteitsprobleem, waarbij wordt aangetoond dat marginale behandelingseffecten afgeleid van dergelijke vergelijkingen vaak populatieafhankelijk zijn vanwege niet-collapsibiliteit en effectmodificatie, waardoor expliciete aannames en een zorgvuldige afstemming van estimanden noodzakelijk zijn om hun validiteit voor besluitvorming in de beoordeling van gezondheidstechnologie te waarborgen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de geneeskunde berust het besluit over welke nieuwe behandeling het beste werkt voor een specifieke groep patiënten vaak op het vergelijken van resultaten uit verschillende klinische trials. Deze trials zijn weliswaar de gouden standaard voor het bewijzen dat een medicijn werkt, maar ze zijn zelden een perfecte spiegel van de werkelijkheid. Een trial kan bijvoorbeeld alleen jonge, gezonde vrijwilligers hebben ingeschreven, terwijl de mensen die het medicijn daadwerkelijk nodig hebben, ouder zijn en andere gezondheidsproblemen hebben. Wanneer onderzoekers twee nieuwe medicijnen willen vergelijken die nooit direct tegenover elkaar zijn getest, moeten ze bewijs uit afzonderlijke studies aan elkaaren. Dit proces, bekend als een indirecte vergelijking, wordt ingewikkeld wanneer de patiëntengroepen in die studies verschillend zijn. Om dit op te lossen, gebruiken wetenschappers statistische instrumenten om de gegevens aan te passen, wat in feite neerkomt op het herwegen van de resultaten zodat de groepen meer op elkaar gaan lijken. Deze aanpassing is bedoeld om een cruciale vraag te beantwoorden voor gezondheidsinstanties: als we dit medicijn aan de mensen geven die het daadwerkelijk nodig hebben, hoeveel beter zullen zij dan afloop vergeleken met het alternatief?
Een nieuw artikel door Conor Chandler en Jack Ishak daagt een langgevestigd geloof uit over hoe deze aanpassingen werken. Jarenlang hebben instanties voor gezondheidstechnologie operaties gevoerd onder de aanname dat als onderzoekers correct identificeren welke factoren beïnvloeden hoe een medicijn werkt — zoals leeftijd of de ernst van de ziekte — en daarvoor corrigeren, de resulterende vergelijking geldig is voor elke populatie. De auteurs stellen dat dit niet altijd waar is. Zij laten zien dat zelfs wanneer de aanpassing perfect wordt uitgevoerd, de manier waarop het uiteindelijke resultaat wordt berekend, de vergelijking specifiek kan maken voor de oorspronkelijke onderzoeksgroep en onbruikbaar kan maken voor de bredere populatie. Hun werk onthult dat de wiskundige aard van de meting zelf — of het nu gaat om een eenvoudig verschil in gemiddelden of een complexere ratio — bepaalt of de resultaten veilig kunnen worden verplaatst van de ene groep mensen naar de andere.
De onderzoekers benaderden dit probleem door het hele proces te herformuleren als een vraag van "transportabiliteit". Stel je voor dat je een kaart hebt getekend voor een specifieke stad en je wilt die kaart gebruiken om door een andere, vergelijkbare stad te navigeren. Als de straten op exact dezelfde manier zijn aangelegd, werkt de kaart. Maar als de lay-out anders is, zelfs maar een klein beetje, kan de kaart je de verkeerde kant op leiden. In de context van medicijnstudies is de "kaart" de statistische schatting van hoe goed een medicijn werkt, en de "steden" zijn de verschillende patiëntenpopulaties. De auteurs hebben aangetoond dat voor veel gangbare manieren om de effectiviteit van een medicijn te meten, de kaart niet universeel is. Hij is verbonden aan de specifieke lay-out van de oorspronkelijke stad.
Het artikel richt zich op twee belangrijke manieren om behandelingseffecten te meten. De eerste is een conditioneel effect, dat kijkt naar hoe een medicijn werkt voor een patiënt met een specifieke set kenmerken, zoals een 60-jarige met een milde ziekte. De tweede is een marginaal effect, dat vraagt wat het gemiddelde resultaat zou zijn als iedereen in een hele populatie het medicijn zou krijgen. Gezondheidsinstanties geven meestal de voorkeur aan het marginale effect omdat ze moeten weten wat de impact is op de gehele populatie die zij dienen. De auteurs ontdekten dat hoewel conditionele effecten vaak van de ene populatie naar de andere getransporteerd kunnen worden als de juiste aanpassingen worden gemaakt, marginale effecten veel lastiger zijn.
Via een reeks gedetailleerde simulaties testten de onderzoekers vijf verschillende soorten metingen die in medisch onderzoek worden gebruikt. Ze creëerden virtuele populaties met variërende kenmerken en probeerden de resultaten van de ene groep naar de andere te transporteren. Ze ontdekten dat voor eenvoudige metingen, zoals het gemiddelde verschil in bloeddruk of een eenvoudig risicodifferentieel, de resultaten standhielden. Als de aanpassing correct werd uitgevoerd, was het resultaat hetzelfde, ongeacht de samenstelling van de populatie. Echter, voor complexere metingen die standaard zijn in het vakgebied, zoals hazard ratios (gebruikt voor overlevingsgegevens) en odds ratios (gebruikt voor binaire uitkomsten zoals succes of falen), liepen de resultaten in de soep. Zelfs wanneer de onderzoekers ervan uitgingen dat de factoren die de effectiviteit van het medicijn beïnvloeden identiek waren in alle groepen, veranderden de marginale resultaten nog steeds afhankelijk van de populatie.
Deze bevinding spreekt de huidige richtlijnen van grote instanties voor gezondheidsbeoordeling recht. Deze instanties beroepen zich gewoonlijk op de aanname van een gedeelde effectmodificator (shared effect modifier, SEMA) om de overdracht van resultaten van de ene studiepopulatie naar een andere te rechtvaardigen. Dit idee suggereert dat als dezelfde factoren de werking van verschillende medicijnen beïnvloeden, de vergelijking tussen die medicijnen voor iedereen hetzelfde moet zijn. De auteurs tonen echter aan dat deze aanname op zichzelf niet voldoende is. Hoewel SEMA de transportabiliteit van conditionele effecten kan mogelijk maken, garandeert het niet dat de gemiddelde, populatiebrede resultaten stabiel blijven wanneer ze naar een nieuwe groep worden verplaatst. Het probleem ligt in de wiskunde van de meting zelf. Niet-collapsibele maten, waartoe de veelgebruikte odds en hazard ratios behoren, gedragen zich niet als eenvoudige gemiddelden. Ze worden beïnvloed door de gehele distributie van de populatie, en niet alleen door de gemiddelde kenmerken.
De onderzoekers illustreerden dit met specifieke voorbeelden. Toen ze keken naar een eenvoudig verschil in gemiddelden, waren de resultaten stabiel over alle gesimuleerde populaties. Maar toen ze overschakelden naar een log-odds ratio, een veelgebruikte metriek voor binaire uitkomsten, verschoven de resultaten naarmate de populatie veranderde, ook al bleven de onderliggende medicijnprestaties en de aanpassingsfactoren constant. Op dezelfde manier voor overlevingsgegevens onderzochten ze de restricted mean survival time, een maatstaf die de gemiddelde overlevingstijd van een patiënt berekent. Hoewel deze maatstaf in een eenvoudige zin wiskundig "collapsible" is, slaagde hij er niet in om correct te transporteren omdat de manier waarop het effect werd gemodelleerd niet overeenkwam met de manier waarop het uiteindelijke resultaat werd berekend. De mismatch tussen de schaal die werd gebruikt om de gegevens te modelleren en de schaal die werd gebruikt om het resultaat te rapporteren, creëerde een verborgen afhankelijkheid van de populatie.
De implicaties van dit werk zijn aanzienlijk voor hoe medisch bewijs wordt gebruikt om beslissingen te nemen over financiering en toegang tot nieuwe behandelingen. De auteurs betogen dat onderzoekers en gezondheidsinstanties moeten stoppen met aannemen dat een succesvolle aanpassing automatisch een resultaat transporteerbaar maakt. In plaats daarvan moeten ze zorgvuldig overwegen wat voor soort effect ze proberen te meten en of de wiskundige eigenschappen van die meting toelaten dat het naar andere populaties wordt verplaatst. Als het doel is om een populatiebreed effect te schatten, kan het gebruik van een niet-collapsibele maat zoals een odds ratio leiden tot bevooroordeelde conclusies als de resultaten simpelweg op een nieuwe groep worden toegepast zonder verdere aanpassing.
Het artikel suggereert niet dat indirecte vergelijkingen nutteloos zijn. Integendeel, het roept op tot een nauwkeurigere en eerlijkere aanpak van hoe deze vergelijkingen worden geïnterpreteerd. Het stelt voor dat wanneer een studie een resultaat produceert dat inherent verbonden is aan de specifieke populatie waarin het is gemeten, dat resultaat als populatiespecifiek moet worden behandeld. Het mag niet blindelings worden toegepast op een andere groep patiënten, zelfs niet als de groepen op papier op elkaar lijken. Voor gezondheidstechnologische beoordelingen betekent dit dat de keuze van de statistische methode en het type effectmaatstaf niet slechts technische details zijn, maar fundamenteel zijn voor de vraag of het bewijs betrouwbaar kan worden gebruikt voor besluitvorming in de echte wereld.
Uiteindelijk biedt het werk een duidelijk kader om te bepalen wanneer een behandelingseffect veilig getransporteerd kan worden en wanneer niet. Het laat zien dat directe transportabiliteit geen gegeven is; het is een eigenschap die afhangt van de afstemming tussen het statistische model, het type gemeten effect en de aannames over hoe de populatie is gestructureerd. Door onderscheid te maken tussen conditionele en marginale effecten en door het belang van collapsibiliteit te begrijpen, kunnen onderzoekers de valkuil vermijden van de aanname dat een gecorrigeerd resultaat universeel toepasbaar is. De weg vooruit houdt in dat men erkent dat sommige resultaten lokaal zijn aan de studie die ze genereerde, en dat het toepassen ervan elders aanvullende, vaak onuitgesproken aannames vereist die mogelijk niet standhouden. Deze helderheid maakt een meer transparante en principiële toepassing van indirect bewijs mogelijk, waardoor wordt gewaarborgd dat beslissingen over patiëntenzorg gebaseerd zijn op een solide begrip van wat de gegevens ons wel en niet kunnen vertellen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.