¿Deberíamos extrapolar la supervivencia utilizando modelos de “curación”? – Economista de la salud
Los ensayos clínicos son breves, pero los beneficios de muchos medicamentos perduran meses o incluso años más allá de la duración de estos ensayos. Para cuantificar los costos y beneficios totales de un tratamiento a lo largo del tiempo (por ejemplo, como se usa para fines de evaluación de tecnologías sanitarias), se deben extrapolar estos beneficios clínicos. Por lo general, esta extrapolación se realiza utilizando una función paramétrica (como lo recomienda el documento de soporte técnico de la Unidad de Apoyo a la Toma de Decisiones (DSU) del NICE sobre análisis de supervivencia (Día de la Independencia 14). Un desafío es que las funciones paramétricas utilizadas para extrapolar la supervivencia no suelen ser muy flexibles. Latimer y Rutherford (2024) Escriba sobre estas limitaciones:
En particular, los modelos exponenciales, Weibull, Gompertz y Gamma no pueden hacer frente a ningún punto de inflexión en la función de riesgo a lo largo del tiempo (es decir, la tasa a la que ocurre el evento de interés a lo largo del tiempo), y los modelos log-logísticos, log-normales y Gamma generalizados solo pueden hacer frente a un punto de inflexión.
Con nuevas terapias (por ejemplo, CAR T, inmuno-oncología) que ofrecen ganancias de supervivencia duraderas y a largo plazo, estos enfoques paramétricos estándar pueden no captar suficientemente el perfil de supervivencia probable. Incluso en ausencia de un tratamiento completamente curativo, puede haber razones por las que los modelos de curación sean útiles. En concreto,
Es probable que los participantes con el peor pronóstico mueran primero, lo que cambiaría la combinación de pronósticos de los que permanecen en el seguimiento. Esto podría dar lugar a un punto de inflexión en la función de riesgo, con una reducción del riesgo de muerte a mediano plazo. A largo plazo, es probable que los riesgos sigan disminuyendo e incluso puedan llegar a los niveles esperados en la población general, en cuyo caso, los pacientes restantes podrían considerarse curados.
Por otra parte, los pagadores pueden dudar en utilizar un modelo de «cura» si hay datos limitados sobre (i) cuánto durará la cura y (ii) qué proporción de personas se «curarán». Sin embargo, un documento de soporte técnico actualizado del NICE (Día 21 del TSD) describe algunos de estos métodos más flexibles.
Los autores describen los modelos de curación como una partición de todo el riesgo por todas las causas h
Existen dos tipos de modelos de curado: modelos de curado mixto (MCM) y modelos de curado sin mezcla (NMC). Los autores explican MCM como sigue:
Los modelos de supervivencia de la población general presuponen que existen dos grupos de individuos: los que se han curado de su enfermedad y los que no. Cuando se ajustan a un marco de supervivencia relativa, las tasas de mortalidad de la población general se incorporan directamente al modelo y el modelo las utiliza, combinadas con la distribución paramétrica elegida para representar a los pacientes no curados, para estimar la fracción de curación. Las tasas de mortalidad de la población general se toman de las tablas de mortalidad pertinentes, con las tasas del año calendario correspondiente utilizadas, y se estratifican además por características como la edad y el sexo, de modo que a cada participante del ensayo se le pueda asignar una tasa de mortalidad de fondo esperada.
El modelo MCM combina poblaciones curadas y no curadas, en las que las curadas tienen una mortalidad de población general. Sin embargo, es importante señalar que los modeladores no «deciden» el porcentaje de curación; este se estima a partir de los datos. En concreto, a cada individuo del conjunto de datos no se le asigna una probabilidad de curación o no; más bien, se le asigna una probabilidad de curación; solo se puede estimar la fracción de curación a nivel de población promediando estas probabilidades de curación en toda la población.
Para codificar MCM, se puede utilizar mezcla de cadenas en Stata o flexsurv y curar en r.
Centro Nacional de MedicinaEn cambio, se divide a la población en grupos curados y no curados directamente. En lugar de eso, la «curación» se define de la siguiente manera:
Los modelos de riesgo no presuponen que exista un grupo de pacientes que estén «curados» al inicio del estudio. El momento en el que se produce la curación depende de cuándo los riesgos modelados convergen con los observados en la población general. Cuando se ajustan utilizando modelos paramétricos estándar, no hay ninguna restricción sobre cuándo ocurrirá esta convergencia.
A pesar de estos diferentes enfoques, los autores señalan que cuando MCM y NMC se ajustan con distribuciones paramétricas similares, las tasas de curación suelen ser similares.
Para codificar NCM, se podría utilizar mezcla de cadenas o stpm2 en Stata, o flexsurv, curar y primerpm2 en r.
Te recomiendo que leas el Documento completoEl resto del artículo contiene aplicaciones empíricas, consejos sobre cuándo se deben (y no se deben) utilizar modelos de curación y mucho más. Una lectura muy interesante.