Transportabilidad de la evidencia de efectividad comparativa entre países – Healthcare Economist

Supongamos que tiene un ensayo clínico internacional que muestra que un nuevo medicamento (SuperDrug) funciona mejor que el estándar de atención anterior (OldDrug). Supongamos también que los individuos con una comorbilidad específica (llamémosla FE) responden menos bien al tratamiento con SuperDrug. Si vive en un país donde la comorbilidad EF es común, ¿qué tan bien cree que funcionará SuperDrug en su población?

Esta es la pregunta planteada por Turner y cols. (2023) en su reciente Farmacoeconomía papel. El problema general que enfrentan los tomadores de decisiones en los países es el siguiente:

Cuando las poblaciones de estudio no se seleccionan al azar de una población objetivo, la validez externa es más incierta y es posible que las distribuciones de los modificadores del efecto (características que predicen la variación en los efectos del tratamiento) difieran entre la muestra del ensayo y la población objetivo.

Muchos de ustedes habrán adivinado que mi comorbilidad EF en realidad significa un modificador de efecto. Cuatro clases de modificadores de efectos que los autores consideran incluyen:

• Características del paciente/enfermedad (p. ej., prevalencia de biomarcadores),
• Entorno (por ejemplo, ubicación y acceso a la atención),
• Tratamiento (por ejemplo, momento, dosis, terapias comparativas, medicamentos concomitantes)
• Resultados (por ejemplo, seguimiento o
• momento de las mediciones)

Ver Beal et al. (2022) para obtener una lista de verificación potencial para modificadores de efectos.

En su artículo, los autores examinan el problema de la transportabilidad. Qué es transportabilidad?

Mientras que la generalizabilidad se relaciona con si las inferencias de un estudio pueden extenderse a una población objetivo de la cual se tomó como muestra el conjunto de datos del estudio, la transportabilidad se relaciona con si
Las inferencias se pueden extender a una población separada (externa) de la cual no se derivó la muestra del estudio.

Las diferencias clave entre países que pueden hacer que la transportabilidad sea problemática incluyen modificadores de efectos.
como las características de la enfermedad, las terapias comparativas y los entornos de tratamiento.

¿Cuál es el problema de interés?

Por lo general, los tomadores de decisiones están interesados ​​en el efecto promedio del tratamiento en la población objetivo (PATE): el efecto promedio del tratamiento si a todos los individuos de la población objetivo se les asignara el tratamiento. Sin embargo, los investigadores comúnmente tienen acceso solo a una muestra y deben estimar el efecto promedio del tratamiento de la muestra del estudio (SATE).

Los supuestos clave para estimar el PATE se incluyen a continuación:

Principalmente, hay dos elementos clave que abordar (al menos para los ECA): (i) ¿existen diferencias en las distribuciones de características entre el estudio y la población del país/geografía objetivo y (ii) estas características son modificadoras del efecto? [or for single arm trials with external controls, prognostic factors].

Se pueden probar diferencias en la distribución de covariables utilizando diferencias medias de puntuaciones de propensión, examinando las distribuciones de puntuaciones de propensión, así como pruebas de diagnóstico formales para identificar la ausencia de superposición. Posteriormente se pueden utilizar diferencias de medias estandarizadas univariadas (y pruebas relevantes) para examinar los factores determinantes de las diferencias generales. Si sólo se dispone de datos agregados, uno puede limitarse a comparar diferencias en los valores medios.

Para probar si una variable es un modificador del efecto, los autores recomiendan los siguientes enfoques:

Se pueden utilizar modelos paramétricos con interacciones tratamiento-covariable para detectar la modificación del efecto. Cuando muestras de estudio pequeñas resultan en problemas de energía o cuando se desconocen funciones
formas aumentan el riesgo de especificación errónea del modelo, se podrían considerar técnicas de aprendizaje automático como los árboles de regresión aditiva bayesiana y el uso de métodos acíclicos dirigidos.
Los gráficos pueden ser particularmente cruciales para seleccionar modificadores de efectos en este caso.

Los enfoques para ajustar los modificadores del efecto varían dependiendo de si una investigación tiene acceso a los datos de pacientes individuales.

• Con DPI: Utilice métodos basados ​​en regresión de resultados, emparejamiento, estratificación, ponderación de probabilidades inversas de participación y métodos doblemente robustos que combinen emparejamiento/ponderación con ajuste de regresión.
• Sin DPI. Utilice comparaciones de tratamientos indirectos ajustadas por población (p. ej., comparaciones indirectas ajustadas por pareamiento).

Para determinar qué datos del país (normalmente datos del mundo real) deberían usarse como población objetivo, se podrían considerar una variedad de herramientas como SOLICITUD DE EUnetHTA o la Evaluación de idoneidad de los datos
Herramienta (datos satelital) herramienta de NICE.

Puede leer más recomendaciones sobre cómo validar mejor los problemas de transportabilidad en el documento completo. aquí.