匹配调整间接比较（MAIC）与单纯间接比较（NIC）在生存结局数据场景中的性能大对决

研究人员开展模拟研究对比 MAIC 和 NIC 在生存结局数据场景中的性能，MAIC 表现更优。

　　在生存结局方面，研究人员旨在比较匹配调整间接比较（MAIC）和单纯间接比较（NIC）在广泛数据场景下的性能表现。方法上，进行了一项模拟研究，该研究包含 729（3⁶）种单臂试验数据场景，这些场景是通过对 6 个情境变量进行三水平全因子排列创建的，这 6 个变量分别是个体患者数据（IPD）样本量、汇总数据（AgD）样本量、协变量强度、协变量相关性、协变量重叠度以及相对治疗效果。在每个场景中，利用蒙特卡罗方法生成 1000 次重复的模拟数据集。使用 MAIC 和 NIC 方法来估计每个模拟数据集的相对治疗效果，并分别从偏差、经验标准误差（ESE）、均方误差（MSE）以及置信区间覆盖率等方面评估其性能。结果显示，在大多数场景中，与 NIC 相比，MAIC 对相对治疗效果的估计偏差较小，具有更好的覆盖率和均方误差，但经验标准误差更高。没有一个情境变量对 MAIC 的偏差和覆盖率有显著影响。然而，增加 IPD 样本量和协变量重叠度显著降低了 MAIC 的经验标准误差和均方误差。在协变量重叠度低且协变量强度高的场景中，MAIC 的偏差较大，甚至大于 NIC。结论表明，在各种场景下，MAIC 的性能始终优于 NIC。与 NIC 相比，MAIC 通常能提供更无偏差的估计，且置信区间覆盖率更接近名义值。虽然在特定场景下 MAIC 的经验标准误差可能较高，但这种额外的不确定性能够更准确地反映变异性，增强了结果的稳健性。研究人员应充分理解影响这些方法性能的因素及其相互作用，并明智地应用研究成果。