Multilevel network meta-regression for multistate models: Population-adjusted joint synthesis of progression and survival data from individual and aggregate evidence

Technische Samenvatting: Multilevel Network Meta-Regressie voor Multistate Modellen (ML-NMR-MS)

Probleemstelling
In oncologische netwerkmeta-analyse (NMA) is er een erkende behoefte om progressievrije overleving (PFS) en algehele overleving (OS) gezamenlijk te synthetiseren in plaats van afzonderlijk, aangezien zij functionaliteiten zijn van hetzelfde onderliggende ziekteproces. Vorig werk door Jansen et al. introduceerde een multistate NMA met behulp van een tri-state (stabiel, geprogresseerd, overleden) Markov-model dat werd gefit op geaggregeerde data (AgD). Hoewel dit een coherente gezamenlijke synthese en parametrisatie biedt voor state-transition economische modellen, kan het niet corrigeren voor onevenwichtigheden in effect-modificerende covariaten tussen studies. Bijgevolg kunnen relatieve effecten vertekend of irrelevant zijn voor specifieke doelpopulaties.

Daartegenover staat dat bestaande ML-NMR-methoden de problemen van covariantie-imbalans oplossen door individuele patiëntmodellen te integreren over de aggregatieve covariantieverdelingen, waardoor IPD (Individual Participant Data) en AgD coherent worden gecombineerd. Echter, bestaande ML-NMR-methoden zijn beperkt gebleven tot single-endpoint uitkomsten en kunnen de gezamenlijke structuur van multistate modellen niet aan. De kloof ligt in het onvermogen om gelijktijdig populatie-aanpassing en de gezamenlijke synthese van PFS/OS-data uit te voeren.

Methodologie: ML-NMR-MS
Het artikel introduceert Multilevel Network Meta-Regressie voor Multistate Modellen (ML-NMR-MS), die de ML-NMR geïntegreerde IPD-plus-AgD likelihood binnen een illness–death multistate model inbedt.

• Modelstructuur: De methode maakt gebruik van een algemeen multistate proces waarbij transities (bijv. stabiel→progressie, stabiel→dood, progressie→dood) worden gemodelleerd via tijd-inhomogene intensiteiten op de log-schaal. Het model bevat studiespecifieke baseline coëfficiënten, behandelingseffecten, prognostische covariaat-effecten en effect-modifier interacties.
• Data-integratie:
  • IPD-studies: Dragen bij met de volledige multistate likelihood over gelinkte transities, gebruikmakend van geobserveerde individuele gebeurtenisgeschiedenissen en covariaten.
  • AgD-studies: Gebruiken geen pseudo-individuele reconstructie (wat de link tussen progressie- en doodstijden zou verbreken). In plaats daarvan berekent de methode covariaat-marginale state-occupancy waarschijnlijkheden via quasi-Monte-Carlo integratie van de transitie-intensiteiten over een gereconstrueerde covariaatverdeling (met behulp van een Gaussische copula om gerapporteerde samenvattingen te matchen).
• Constructie van de Likelihood:
  • Voor AgD worden de marginale occupancies ingevoerd in een conditional-survival likelihood.
  • Het artikel bespreekt twee vormen voor de geaggregeerde likelihood: een two-binomial composite (waarbij PFS en OS als onafhankelijke binomialen worden behandeld, de standaard voor curve-only bewijs) en een multinomial (waarbij de gezamenlijke state occupancy als een enkele multinomial wordt behandeld, de voorkeur geniet wanneer gezamenlijke aantallen beschikbaar zijn).
  • De gezamenlijke likelihood combineert de individuele bijdragen van IPD en de marginale bijdragen van AgD onder een gedeelde parametervector.
• Estimanden: Het framework levert zowel conditionele effecten (voor patiënten met specifieke covariaatwaarden) als marginale effecten (populatie-gemiddelde), evenals absolute hoeveelheden. Dit onderscheid is cruciaal vanwege de niet-collapsibiliteit van hazard ratios.
• Schatting: Het model wordt gefit in een Bayesiaans kader met behulp van Hamiltonian Monte Carlo (Stan). De covariaat-integraal wordt binnen het model geëvalueerd met behulp van quasi-Monte-Carlo integratie (Sobol'-punten), waarbij het aantal punten wordt bepaald door een doubling rule om te garanderen dat de integratiefout verwaarloosbaar is.

Kernbijdragen

1. Methodologische Unificatie: Het artikel bedt de ML-NMR geïntegreerde likelihood in een multistate model. Voor IPD gebruikt het de volledige multistate likelihood; voor AgD integreert het de state occupancy over de covariaatverdeling. Dit maakt de synthese van gelinkte transities (progressie en dood) mogelijk terwijl tegelijkertijd wordt gecorrigeerd voor covariaat-imbalans.
2. Populatie-gecorrigeerde Gezamenlijke Synthese: De methode levert populatie-gecorrigeerde gezamenlijke PFS/OS behandelingseffecten voor elke besluitvormingsrelevante doelpopulatie. Het produceert zowel conditionele als marginale relatieve effecten, die direct de state-transition economische modellen kunnen parametriseren zonder de estimand-mismatch die vaak bij partitioned-survival modellen voorkomt.
3. Decompositie van Effecten: Door transities apart te modelleren, kan de methode het effect van een behandeling op progressie onderscheiden van het effect op de overleving na progressie. Dit biedt een mechanisch begrip van hoe PFS vertaalslaat naar OS.
4. Illustratieve Toepassing en Validatie: De methode wordt toegepast op een netwerk van multiple myeloom trials (combinatie van IPD en AgD) en gevalideerd via een simulatiestudie met volledig bekende waarheid.

Resultaten

• Illustratief Voorbeeld: In het multiple myeloom netwerk slaagde ML-NMR-MS erin de behandelingseffecten te scheiden. Voor lenalidomide werd vastgesteld dat het voordeel voor OS grotendeels werd overgenomen van de vertraging in progressie (de stabiel→progressie transitie), in plaats van een direct effect op de overleving na progressie. Het model produceerde onderscheidende conditionele en marginale hazard ratios, wat aantoont dat marginale effecten verschuiven met de covariaatverdeling van de doelpopulatie vanwege niet-collapsibiliteit.
• Simulatiestudie:
  • Herstel: Onder correcte modelspecificatie herstelde ML-NMR-MS de populatie-gecorrigeerde transitie-effecten met onbevooroordeelde schattingen en een bijna nominale 95% dekking, vergelijkbaar met een full-IPD gouden standaard.
  • Precisie: Het vervangen van individuele data door geaggregeerde curves veroorzaakte een precisie-straf (toename van de standaardfout) die schaalde met het aandeel AgD in het netwerk, maar de validiteit (bias en dekking) bleef intact.
  • Robuustheid: De methode was robuust tegen misspecificatie van de covariaat-reconstructie (Gaussische copula correlatie). Echter, zoals alle methoden, leed het aan bias en een instorting van de dekking wanneer een niet-geobserveerde gedeelde frailty aanwezig was (een structurele misspecificatie). Het hanteerde ook correct de niet-proportionele hazards wanneer een time-varying coefficient model werd gespecificeerd, terwijl een fixed proportional-hazards model steeds meer vertekend werd naarmere tijd.

Betekenis en Claims
Het artikel claimt dat ML-NMR-MS een enkel coherent framework biedt voor de populatie-gecorrigeerde synthese van individuele en geaggregeerde progressie- en overlevingsdata. De primaire betekenis ligt in het vermogen om:

• De trade-off tussen gezamenlijke synthese (multistate NMA) en populatie-aanpassing (ML-NMR) op te lossen.
• De specifieke bouwstenen te leveren (conditionele baseline hazards, prognostische effecten en conditionele behandelingseffecten) die nodig zijn om de state-transition economische modellen voor doelpopulaties te parametriseren, waardoor de bias wordt vermeden die ontstaat bij het toepassen van conditionele hazard ratios op marginale referentiecurves.
• Behandelingseffecten te deconstrueren in component-transities, wat een mechanisch inzicht biedt in hoe PFS impact heeft op OS.

De auteurs blijven bescheiden over de reikwijdte van hun validatie en merken op dat de simulatiestudie van moderate omvang was en zich richtte op een specifieke parameterisatie. Zij erkennen dat bredere vragen over netwerken met zeer dunne connectiviteit of extreem lage IPD-beschikbaarheid openstaan voor toekomstig onderzoek. De methode wordt gepresenteerd als een oplossing voor de specifieke technische uitdaging van het integreren van multistate structuren met covariaat-aanpassing in de aanwezigheid van gemengde datatypen.