没有头对头研究，如何判断两种药物孰优孰劣？

*仅供医学专业人士阅读参考

大量的治疗干预缺乏头对头比较，选择最佳的一线治疗并非易事。

随机对照试验（RCT）是目前公认的评估干预性措施疗效比较的金标准，RCT将患者进行随机化分组，分别给予不同的干预措施来观察不同组别的疗效，从而达到直接比较。然而，在临床实践中RCT常因伦理和经济等原因难以实施。

那么问题来了，当缺乏这种头对头直接比较的临床研究证据时，该如何对比两种干预措施的优劣，从而指导临床治疗措施的选择呢？

此时，间接比较可能是一个节约资源且有效的替代手段。

匹配调整间接比较（MIAC）是间接比较中具有代表性的方法，适用于2 种干预措施的疗效的比较。该方法通过对研究干预的个体病例数据加权来匹配对照干预的汇总性数据，从而在匹配后组间基线均衡的研究人群中进行疗效比较。MAIC的方法流程结构图如下。

图1. MAIC 的方法流程结构图

IPD：个体病例数据；AgD：汇总性数据

目前MAIC研究方法在国际上越来越受到关注，特别是在药品的评审与评价中得到较多应用。其优点包括：

▎第一，MAIC只需要提供研究干预的个体病例数据（对照干预仅需汇总性数据即可），能有效利用医疗信息资源，避免重新开展新试验的失败风险和人力物力资源的浪费。

▎第二，MAIC利用匹配调整生成虚拟的基线相似分布数据集，有效降低混杂因素和效应修正因子对研究结局比较的影响。

▎第三，MAIC通过匹配调整方法，无需进行参数估计。

▎第四，MAIC可利用加权后数据进行多种分析，并可给出多个加权有关统计量说明原数据差别程度，如有效样本量和权重分布等。

文末小调研

参考文献：

[1] 刘颖欣, 王若婷, 黎国威. 匹配调整间接比较在医学研究中的应用[J]. 中国循证医学杂志. 2022; 22(10): 1201-1205.

责任编辑丨织星

阅读原文