精确匹配法：替代倾向评分匹配(PSM)的优化方案在医学观察性研究中的应用

针对观察性研究中治疗组间混杂因素(confounders)导致的偏差问题，研究人员创新性地提出将匹配问题转化为约束优化问题，建立不依赖逻辑回归模型权重、可实现协变量均值精确匹配(Exact Matching)的新方法。该方法突破传统倾向评分匹配(PSM)"近似匹配"的局限，适用于多治疗组个体患者数据(IPD)与聚合数据的混合分析，为跨临床研究比较提供更可靠的方法学工具。

　　

在医学观察性研究或跨临床研究的治疗比较中，患者人口统计学特征或试验入组标准的系统性差异等混杂因素(confounders)常导致结果偏倚。传统倾向评分匹配(Propensity Score Matching, PSM)通过逻辑回归模型计算权重来平衡治疗组间的协变量差异，但这种方法仅实现"粗略匹配"，且缺乏判定匹配质量的统一标准。

这项研究另辟蹊径，将匹配问题重构为约束优化问题，重点探讨实现治疗组间协变量均值完全一致(Exact Matching)的条件。与Signorovitch团队提出的匹配调整间接比较法(MAIC)相比，新方法具有双重突破：既不限定权重函数的特定形式，又能同时处理多治疗组的个体患者数据(Individual Patient Data, IPD)与聚合数据(aggregated data)的混合分析场景。这种灵活的框架为消除临床研究间的混杂偏倚提供了更精确的数学工具，有望提升跨研究治疗比较的可靠性。