首页 目录

第 13 章 竞品比较：没有头对头时怎么判断

写作种子 review

本章原始种子是：

> 竞品比较：没有头对头时怎么判断

这颗种子很关键，因为生物制药资产很少活在真空里。

一个药物的数据看起来漂亮，不等于它在真实市场里有优势。投资人最容易犯的错误，是把某家公司新闻稿里的疗效数字，直接拿去和另一家公司试验里的数字比较，然后得出“这个更好”“那个更差”的结论。

这通常是不可靠的。

因为两项临床试验之间，可能在很多层面完全不同：

所以本章要解决的问题不是“如何找到一个数字更大的药”，而是：

> 在没有头对头试验时，如何尽量减少错比、乱比、过度比。

本章应该服务第二本书的主线：从临床证据到商业化概率。竞品比较不是为了做排行榜，而是为了判断资产质量是否足以在未来真实竞争格局中成立。

本章写作方向确认如下：

一句话：

> 没有头对头时，可以比较，但必须先校准；不能只比结果，要先比试验条件。

---

一、竞品比较不是附加题，而是资产判断的核心题

很多药物资产在单独看时都不错。

机制合理，I 期安全，II 期有信号，III 期达到主要终点，新闻稿数字也不差。

但真正的问题是：

> 它上市时，病人和医生为什么要选它？

如果一个药只是“有效”，但没有比现有疗法更好、更安全、更方便、更便宜，或者没有解决现有疗法无法解决的人群，它就不一定是好资产。

药物资产的商业价值，不只来自“能不能治病”，还来自“相对于其他选择，它有什么位置”。

临床世界里，医生和患者不会问：

> 这个药在真空中是否有效？

他们会问：

> 和我现在能用的药相比，它值不值得换？

支付方也不会只问：

> 这个药有没有统计显著？

它会问：

> 这个药比已有方案多出来的获益，值不值得多付这个价格？

所以竞品比较不是投资报告里的装饰部分。它决定一个资产能否从“临床成立”走向“商业成立”。

一个资产如果没有清晰竞争位置，即使数据成功，也可能只是一个临床成功、商业平庸的药。

---

二、没有头对头时，最危险的是直接比数字

假设有两个药：

直觉上，A 药更好。

但这个判断可能完全错。

如果 A 药试验入组的是一线、低风险、biomarker 阳性的患者，而 B 药试验入组的是三线、重度预处理、疾病进展快的患者，那么 A 药的 60% 和 B 药的 45% 根本不能直接比较。

再比如：

A 药的 PFS 中位数尚未成熟，B 药已经有成熟 PFS 和 OS 数据。此时只看早期反应率，可能会高估 A 药。

再比如：

或者：

数字看起来相似，含义可能不同。

跨试验比较最常见的错误，是把两个不在同一坐标系里的数字，当成同一坐标系里的数字。

这不是分析，是误判。

---

三、头对头试验为什么重要

头对头试验的价值，在于它尽量让两个治疗方案在同一规则下比较。

同一个入组标准，同一个随机化过程，同一个终点定义，同一个随访体系，同一批中心，同一套统计方案。

这并不能消除所有偏差，但至少让比较有了基础。

比如一个新药对比标准治疗：

如果在这样的框架下，新药显著改善 PFS、OS 或其他有临床意义的终点，投资人的把握就明显更高。

没有头对头时，比较就退化成间接比较。

间接比较不是不能做，但它的证据等级低于直接比较。

所以第一条原则是：

> 头对头证据优先于跨试验比较；跨试验比较只能作为推断，不能当作确证。

这句话听起来简单，但很多投资误判就发生在这里。

公司会自然强调自己最有利的比较对象，投资人也容易把有利数字当成真实优势。真正要做的是先问：

> 这个比较有没有共同坐标系？

---

四、第一层校准：患者人群是否相同

比较两个药，首先要比患者。

不是比药。

因为同一个药在不同患者人群里，疗效可能完全不同。

1. 疾病阶段

早期疾病和晚期疾病不同。

一线治疗和后线治疗不同。

新诊断患者和复发难治患者不同。

如果一个药在一线患者中取得高反应率，另一个药在复发难治患者中取得较低反应率，不能直接说前者更强。

因为治疗线数本身就是疗效的重要决定因素。

2. 既往治疗

患者之前用过什么药，决定后续治疗效果。

在肿瘤领域尤其明显。

如果一个试验入组了大量未接受过某类强效治疗的患者，而另一个试验入组的是已经对该类疗法耐药的患者，那么两者疗效数字不能直接比较。

比如同样是二线治疗：

这两个“二线”不是同一个二线。

3. 风险分层

很多疾病都有风险分层。

低风险患者天然预后更好，高风险患者天然更难治。

如果 A 试验低风险患者比例更高，A 药数据更好，不一定说明 A 药更好。

可能只是患者更容易治疗。

4. biomarker 状态

如果一个药只入组 biomarker 阳性患者，而另一个药入组全人群，疗效数字也不能直接比较。

富集人群通常更容易看到疗效。

这不代表富集策略不好。相反，富集策略可能是资产优势。

但比较时必须承认：

> 富集人群数据不能直接外推到非富集人群，也不能直接和全人群试验对比。

---

五、第二层校准：治疗线和对照背景是否相同

治疗线是竞品比较中最容易被忽略的变量。

一线、二线、三线，不只是标签不同，而是疾病状态、患者体能、耐药机制、治疗目标都不同。

一线治疗通常患者状态更好，肿瘤负荷可能更低，器官功能更完整，对治疗耐受性更强。

后线治疗则相反。

所以同一个 endpoint，在不同治疗线里的含义不同。

比如：

再比如：

这就是为什么不能只拿数字做横向比较。

还要看它发生在哪条治疗线上。

对照背景也很重要。

如果一项试验对照组很弱，新药容易显得强。

如果另一项试验对照组很强，新药即使改善幅度不大，也可能代表更高质量。

投资人要特别看：

一个药打赢弱对照，不等于能打赢真实世界里的强竞品。

---

六、第三层校准：终点是否可比

不同终点不能随便比。

ORR、CR、DoR、PFS、OS、MRD negativity、EFS、DFS、PRO，各自含义不同。

即使都是 PFS，也可能不可比。

因为 PFS 的定义、评估频率、影像判读方式、删失规则，都可能不同。

1. ORR 和 DoR 要一起看

反应率高，不等于获益深。

如果一个药 ORR 高，但反应持续时间短，可能只是短暂压制疾病。

另一个药 ORR 稍低，但 DoR 很长，长期价值可能更强。

所以比较反应率时，必须同时看：

2. PFS 和 OS 不能简单互替

PFS 改善不一定带来 OS 改善。

尤其在后续治疗很多、交叉治疗复杂的领域，OS 可能被稀释。

但在某些疾病中，如果 PFS 改善很大、毒性可控、症状改善明确，即使 OS 尚不成熟，也可能有临床价值。

关键不是机械说“必须 OS”，而是看：

> 这个终点在这个疾病、这个治疗线、这个监管场景中，是否足以代表病人获益。

3. biomarker 终点要看是否已验证

MRD、ctDNA、影像反应、生物标志物下降，都可能很有用。

但它们不是天然等于临床获益。

如果一个竞品有成熟 OS 或 PFS 数据，而另一个只有 biomarker 数据，不能直接说后者更好。

只能说：

> 后者有早期信号，但证据等级还低。

---

七、第四层校准：随访时间和数据成熟度

早期数据经常好看。

成熟数据经常变复杂。

这是临床研究的常态。

原因很简单：

早期读数时，事件少，患者还没有充分暴露在风险中，很多长期毒性、复发、进展、死亡事件还没有出现。

所以比较竞品时，必须看随访时间。

例如：

A 药 ORR 高，B 药 PFS 成熟。

这种情况下，不能直接说 A 药优于 B 药。

A 药可能确实更好，也可能只是数据还早。

投资人要问：

成熟度越低，比较时越要保守。

---

八、第五层校准：安全性是否处在同一暴露水平

安全性比较也不能只看百分比。

假设：

A 药看起来更安全。

但如果 A 药中位暴露时间只有 3 个月，B 药中位暴露时间 18 个月，那么安全性比较并不公平。

暴露时间越长，越容易观察到不良事件。

所以安全性比较要看：

有些药短期安全，长期问题大。

有些药毒性高，但可管理。

有些药毒性低，却疗效不足。

安全性比较的核心不是“谁的不良事件百分比更低”，而是：

> 在获得相应疗效的前提下，这个安全性是否可接受、可管理、可商业化。

---

九、第六层校准：试验设计是否相似

试验设计本身会影响结果。

需要比较的变量包括：

单臂试验和随机对照试验的数据，不在同一证据层级。

开放标签研究的主观终点，要比双盲研究更容易受偏倚影响。

研究者评估的 PFS，通常要比独立评审更容易产生乐观偏差。

这些都不是细节。

它们会影响资产判断。

一个数据如果来自严格设计，可信度更高。

一个数据如果来自宽松设计，即使数字漂亮，也要打折。

---

十、没有头对头时，可以用“校准后比较”

没有头对头，并不代表什么都不能比。

投资世界不可能等所有药都做完直接比较。

关键是要用校准后的比较，而不是裸比。

一个实用框架是：

第一步：确认比较对象

先问：

> 它真正要替代谁？

不是随便找一个数据差的竞品，而是找未来市场上真实会竞争的方案。

比较对象可能是：

如果比较对象选错，后面所有分析都会偏。

第二步：列出可比和不可比变量

把两项试验放在表里：

先判断它们有多少可比性。

可比性低时，结论要更保守。

第三步：只做有限结论

如果试验差异很大，就不要给强结论。

可以说：

这比强行说“谁赢谁输”更诚实。

第四步：把比较转化成待验证问题

好的竞品比较，最后应该落成几个待验证问题：

这才是投资人应该跟踪的东西。

---

十一、间接比较和网络 meta 分析要谨慎使用

有时候公司或分析师会使用间接比较、匹配调整间接比较、网络 meta 分析等方法。

这些方法不是没用。

但它们依赖大量假设。

如果基础试验之间差异太大，再复杂的统计方法也不能完全消除偏差。

投资人读这类分析时要问：

间接比较可以提高分析质量，但不能把低确定性证据变成高确定性证据。

它最多帮助你更好地提出假设。

不能替代头对头试验。

---

十二、竞品比较要看“临床差异是否足够大”

有时候一个药确实比竞品好一点。

但问题是：

> 好一点，够不够？

如果疗效改善很小，安全性差不多，给药方式更复杂，价格更高，医生可能不会换。

如果疗效改善中等，但安全性明显更好、给药更方便、覆盖人群更广，商业价值可能很大。

所以竞品比较不能只看是否有差异，而要看差异是否足够改变行为。

需要看：

临床差异不等于商业差异。

只有足以改变医生、患者和支付方行为的临床差异，才会转化为商业价值。

---

十三、竞品比较中的常见误判

误判一：只比最高数字

公司会展示最有利的数字。

投资人不能只看最高 ORR、最高 PFS、最高 CR。

要看完整数据结构。

误判二：拿早期数据打成熟数据

早期数据容易漂亮。

成熟数据更接近真实。

用 6 个月随访去挑战 3 年随访，本身就要保守。

误判三：拿富集人群打全人群

富集人群数据好，不一定代表全人群更好。

要明确这是选择策略优势，还是药物本身广泛优势。

误判四：拿弱对照试验打强对照试验

打赢弱对照，不能证明能打赢真实强竞品。

误判五：忽略安全性和便利性

疗效强但毒性重、给药复杂、监测负担高，商业化可能受限。

误判六：把公司叙事当成市场现实

公司会说“best-in-class potential”。

投资人要问：

> 潜力来自什么证据？现在证据足够吗？还差什么？

---

十四、从竞品比较到商业化概率

竞品比较最终要回答商业化问题。

不是简单回答：

> 这个药是否比竞品好？

而是回答：

> 这个药未来有没有清晰位置？

清晰位置可能来自几种情况。

1. 明显更强疗效

如果在可比人群中，疗效明显优于现有方案，而且安全性可接受，这是最强定位。

2. 更好安全性

如果疗效相近，但安全性明显更好，尤其适用于长期治疗或脆弱患者，也可能形成强定位。

3. 更方便给药

口服替代注射，低频给药替代高频给药，门诊治疗替代住院治疗，都可能有价值。

但便利性必须建立在疗效和安全性不明显牺牲的基础上。

4. 覆盖未满足人群

如果它能治疗现有疗法无效、禁忌或耐药的人群，即使整体市场较小，也可能是高质量资产。

5. 联合治疗平台价值

有些药单药优势不明显，但作为联合治疗组件很有价值。

这类资产要看机制互补性、安全性叠加和联合数据。

如果没有这些，不能只靠“未来可联合”讲故事。

---

十五、投资人读竞品比较的检查清单

每次看到公司声称“优于竞品”“best-in-class”“同类领先”时，可以按下面顺序检查：

如果这些问题答不上来，就不要急着接受“优于竞品”的结论。

---

十六、本章结论

没有头对头时，竞品比较可以做，但必须降级理解。

它不是确证工具，而是推断工具。

最危险的做法，是直接拿两个试验里的疗效数字比较，然后得出强结论。

真正可靠的做法，是先校准：

校准之后，才能判断这个资产是否真的有竞争位置。

竞品比较的最终目的，不是证明某个药“数字更好”，而是判断：

> 它在未来真实治疗格局里，是否有足够清晰、足够强、足够可持续的位置。

如果没有这个位置，临床数据再漂亮，也可能只是一个会被市场挤压的资产。

下一章进入新闻稿、poster、论文和完整 CSR 的阅读。竞品比较告诉我们“和别人比，它可能站在哪里”。下一章要解决的是：公司披露给你的材料，到底够不够支撑这个判断。

---

上一章下一章