Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
本文回顾了效应修饰与不可坍缩性的共同存在如何导致边际估计量与条件估计量产生冲突的治疗排序，并为利用多层网络元回归来为目标人群生成这两类估计值的决策过程提供了实践建议。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医疗保健领域，医生和决策者面临着一个持续的挑战：决定哪种治疗方法对特定人群最为有效。他们依赖于临床试验，即经过严格控制的实验，来寻找答案。然而，人与人并不尽相同。有些人患有严重的疾病，有些人则是轻症，还有些人携带特定的生物标志物，这些标志物会改变他们的身体对药物的反应。当这类因素改变了治疗效果时，科学家称之为“效应修饰”（effect modification）。众所周知，如果一种药物对某一类患者效果显著，而对另一类患者几乎无效，那么对于整个群体而言，最佳选择取决于该群体中包含哪些人。
为了做出这些决策，研究人员通常会结合来自多个试验的数据，以获得更清晰的图景。但存在一个数学上的奇特现象，使情况变得复杂。在衡量治疗成功率时，科学家经常使用比率，例如优势比（odds ratios）或风险比（hazard ratios），这些指标通过比较一组相对于另一组发生事件的可能性来进行比较。这些度量标准是“不可合并的”（non-collapsible），这是一个技术性说法，意指一个整体群体的平均结果并不简单地等于其中个体结果的加权平均值。因此，计算平均值的方式至关重要。你可以通过观察每个人的效应并取其平均值来计算平均值，也可以通过观察整个群体的总体事件发生率并进行比较来计算平均值。通常情况下，这两种方法得出的数值会有细微差异，但它们在判断哪种治疗更好这一点上通常是一致的。
David Phillippo及其同事的一篇新论文揭示了这种一致性并非总是能够保证。研究人员指出，当存在效应修饰时，这两种计算平均值的方法可能会得出完全相反的结论。一种方法可能表明治疗方案 A 是整个人群的最佳选择，而另一种方法则表明治疗方案 B 更优。这是因为这两种方法实际上是在回答两个不同的问题。一个问题是：“哪种治疗能为个体患者带来最好的平均获益？”而另一个问题是：“哪种治疗能导致整个群体中总体的负面事件最少？”当治疗的有效性在不同类型的患者之间存在显著差异时，这两个问题的答案可能会产生分歧。
作者通过一系列模拟实验阐明了这种冲突。在一种情景中，他们模拟了一个特定生物标志物使得某种治疗对某些人高度有效、而对另一些人效果较差的人群。当他们计算个体的平均获益时，数据指向了一种药物作为明显的胜出者。然而，当他们计算整个群体的总体事件发生率时，另一种药物却显得更为优越。在这个特定的例子中，如果选择能使总负面事件最少的药物，意味着 75% 的人口将接受一种对其个人而言实际上较差的治疗。反之，如果选择对平均个体最好的药物，则会导致整个人群中总的负面事件数量增加。
这一发现挑战了“对于一个群体总存在单一‘最佳’治疗方案”的普遍假设。研究人员认为，这种冲突源于代表不同治疗方案下事件概率的数学曲线可能会发生交叉。如果一种治疗对一个亚群组更好，但对另一个亚群组较差，且这些亚群组混合在一起，那么整体平均值可能会发生逆转。这对于涉及生存时间等“时间-事件”结局的情况尤为重要，因为即使是不改变治疗效应的患者特征，也会导致平均风险随时间发生变化。
该论文还探讨了目前用于调整这些研究人群差异的工具。诸如匹配调整后的间接比较（matching-adjusted indirect comparison）和模拟治疗比较（simulated treatment comparison）等方法被广泛用于将试验结果定制到特定的目标人群中。然而，作者证明，这些方法产生的估计值仅针对原始研究的人群具有特异性，无法轻易迁移到具有不同特征的新人群中。他们指出，多层网络元回归（multilevel network meta-regression）是目前唯一能够产生这两种类型估计值（即针对个体和针对群体的估计值）的方法，且适用于任何目标人群。
最终，作者建议决策者不要依赖单一数字来做出选择。相反，他们应该同时观察个体层面和群体层面的估计值。如果这两种方法对最佳治疗方案的判断一致，那么决策就很简单。如果它们不一致，则表明该人群并不统一，且对所有人采取统一决策可能并非最优。在这种情况下，最佳做法是将人群划分为不同的亚群组，并为每个组分配不同的治疗方案。这种方法可以确保患者接受与其特定特征相匹配的最佳治疗，而不是被迫接受一种可能让大多数人处境更糟的折中方案。论文总结道，虽然识别这些亚群组非常困难且需要精密的统计工作，但当存在效应修饰时，这是解决“最大化个体获益”与“最小化总体伤害”之间冲突的唯一途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。