Population-Adjusted Indirect Treatment Comparison with the outstandR Package in R

Este artículo presenta **outstandR**, un paquete de R integral que unifica métodos avanzados de marginalización basados en regresión (incluyendo la G-computación y la Marginalización por Imputación Múltiple) para facilitar comparaciones indirectas de tratamientos ajustadas por población que sean robustas cuando los datos de pacientes individuales deben sintetizarse con datos de nivel agregado a través de diferentes poblaciones de ensayos.

Lo esencial

Imagina que eres un juez tratando de decidir qué medicina nueva, la Medicina A o la Medicina B, funciona mejor. El problema es que nunca las has visto probadas directamente una contra la otra.

• La Medicina A fue probada en un estudio detallado donde los investigadores tenían una lista de cada paciente (su edad, peso, historial de salud, etc.).
• La Medicina B fue probada en un estudio diferente donde los investigadores solo publicaron una hoja de resumen (por ejemplo, "el paciente promedio tenía 50 años", "el 60% eran hombres").

Para hacer una comparación justa, necesitas ponerlas en el mismo "campo de juego". Pero aquí está el truco: los grupos de personas en los dos estudios son diferentes. El grupo de la Medicina A podría ser más joven y saludable que el grupo de la Medicina B. Si simplemente comparas los resultados directamente, no estás comparando los fármacos; estás comparando los tipos de personas que los toman.

Este es el problema que aborda el artículo, y la solución es una nueva herramienta informática llamada outstandR.

El problema central: Comparar manzanas con naranjas

En el mundo de la investigación médica, esto se llama Comparación Indirecta de Tratamientos (ITC, por sus siglas en inglés). Cuando los grupos de personas (las "poblaciones") en los dos estudios son diferentes, los resultados están sesgados. Es como intentar comparar la velocidad de un Ferrari y una minivan en una carretera de tierra embarrada. El Ferrari podría parecer lento no porque sea un mal coche, sino porque la carretera (la población de pacientes) no era la adecuada para él.

El artículo explica que necesitamos "ajustar" los datos para que los pacientes del estudio de la Medicina A se parezcan, estadísticamente, a los pacientes del estudio de la Medicina B.

La solución: La caja de herramientas outstandR

Los autores crearon un paquete de R (una colección de código informático para estadísticos) llamado outstandR. Piensa en este paquete como una "máquina de traducción" de alta tecnología o un "cambiaformas" que toma la lista detallada de pacientes del primer estudio y la reforma para que coincida con la descripción resumida del segundo estudio.

El artículo destaca tres formas principales en las que esta herramienta hace la magia:

1. El método de "Ponderación" (MAIC)

Imagina que tienes una bolsa de canicas (los datos detallados de los pacientes). Algunas canicas son pesadas, otras son ligeras. Para que tu bolsa se parezca a la hoja de resumen del otro estudio, decides darle a algunas canicas un "voto" (un peso) y a otras un voto más pequeño.

• Si el otro estudio tiene más personas mayores, le das más peso a las canicas "mayores" en tu bolsa.
• Si el otro estudio tiene menos fumadores, le das menos peso a las canicas de "fumadores".
• outstandR automatiza este cálculo, encontrando el equilibrio perfecto para que tu bolsa de canicas coincida estadísticamente con la hoja de resumen.

2. El método de "Simulación" (G-computation)

En lugar de solo ponderar las canicas existentes, este método construye una nueva población ficticia (una "cohorte sintética").

• La herramienta lee la hoja de resumen (por ejemplo, "Edad promedio 50, 60% hombres").
• Utiliza un truco matemático llamado Cópula Gaussiana (piensa en ello como un plano maestro) para generar miles de pacientes ficticios que coincidan perfectamente con esos promedios y las relaciones entre ellos (por ejemplo, que las personas mayores tienden a tener una presión arterial más alta).
• Luego, ejecuta el tratamiento de la Medicina A en estos pacientes ficticios en una simulación por computadora para ver qué habría pasado si la Medicina B se hubiera administrado a la multitud de la Medicina B.

3. El método de "Múltiples Suposiciones" (MIM)

A veces, los datos son complicados y una sola simulación puede ser engañosa. Este método es como pedirle a un panel de expertos que realice la simulación 100 veces, ajustando ligeramente las suposiciones en cada ocasión.

• Luego combina todos los 100 resultados para dar una respuesta final que tenga en cuenta toda la incertidumbre.
• El artículo señala que esto es particularmente útil para manejar complejidades estadísticas donde los promedios simples no cuentan toda la historia.

Por qué esta herramienta es especial

Antes de outstandR, los estadísticos tenían que escribir sus propios scripts informáticos desordenados y de un solo uso para hacer estos ajustes. Era como si todo el mundo construyera su propia llave inglesa personalizada para arreglar un coche.

• Marco Unificado: outstandR trae todos estos diferentes métodos a una caja limpia y fácil de usar. No necesitas ser un mago de la programación; solo le dices al paquete qué datos tienes y qué método quieres usar.
• Manejo de la Incertidumbre: No solo te da un número; te dice qué tan seguro puedes estar de ese número (usando "intervalos de confianza" o "intervalos creíbles"). Es como decir: "Creemos que el fármaco funciona así de bien, pero podría ser ligeramente mejor o peor".
• Flexibilidad: Funciona tanto si el resultado médico es un simple "Sí/No" (como una cura), un número (como la presión arterial) o un conteo (como el número de convulsiones).

La conclusión

El artículo presenta a outstandR como un conjunto de herramientas exhaustivo y fácil de usar que ayuda a los investigadores a comparar de manera justa los tratamientos médicos cuando no pueden realizar un ensayo directo frente a frente. Al utilizar matemáticas avanzadas para "reponderar" o "resimular" los datos de los pacientes, asegura que cuando decimos que la Medicina A es mejor que la Medicina B, en realidad estamos comparando los fármacos, no solo las diferencias en las personas que los tomaron.

Los autores también mencionan que, aunque la herramienta es poderosa, depende de que el usuario proporcione buenos datos y elija el modelo matemático adecuado. Planean añadir soporte para tipos de datos más complejos (como tiempos de supervivencia) en futuras actualizaciones, pero por ahora, maneja los escenarios más comunes en la síntesis de evidencia médica.

Resumen técnico

Resumen Técnico: outstandR: Un marco unificado para la comparación indirecta de tratamientos con ajuste de población

Planteamiento del problema
Las comparaciones indirectas de tratamientos (ITC, por sus siglas en inglés) son fundamentales en la Evaluación de Tecnologías Sanitarias (HTA) cuando no se dispone de ensayos clínicos comparativos directos (head-to-head). Surge un desafío metodológico persistente cuando se compara un tratamiento con datos de pacientes individuales (IPD) disponibles frente a un competidor que solo cuenta con datos agregados a nivel de estudio (ALD), particularmente cuando las poblaciones de los ensayos difieren en los modificadores de efecto. Las comparaciones sin ajustar en estos escenarios producen estimaciones sesgadas. Si bien existen métodos establecidos como la Comparación Indirecta Ajustada por Emparejamiento (MAIC) y la Comparación de Tratamiento Simulada (STC), estos presentan limitaciones: la MAIC es sensible al escaso solapamiento de covariables y, por lo general, solo iguala los momentos de primer orden (medias), dejando un sesgo residual si las varianzas o las distribuciones conjuntas no coinciden. El método STC estándar, que sustituye las medias de las covariables agregadas en modelos de regresión, es propenso al sesgo de agregación y a problemas de no colapsabilidad cuando las funciones de enlace son no lineales. Además, las implementaciones de software para estos métodos avanzados han sido históricamente fragmentadas, limitadas en alcance o dependientes de scripts ad hoc.

Metodología
El artículo presenta outstandR, un paquete de R diseñado para proporcionar un marco integral y unificado para la comparación indirecta de tratamientos ajustada por población (PAIC). El paquete implementa un flujo de trabajo que transita desde la simulación de covariables hasta la estandarización de modelos y la estimación de contrastes.

El núcleo metodológico incluye:

1. G-computación avanzada: Implementada tanto en marcos de Máxima Verosimilitud (ML) como Bayesianos. Este enfoque ajusta un modelo de resultados a los IPD y predice los resultados bajo escenarios contrafácticos de tratamiento para una población objetivo sintética. A diferencia del STC estándar, simula perfiles de pacientes individuales para la población ALD basándose en estadísticas agregadas reportadas y distribuciones de covariables asumidas (utilizando un enfoque de cópula gaussiana) para estimar correctamente las medias marginales.
2. Imputación Múltiple de Marginalización (MIM): Un marco bayesiano que conceptualiza los resultados potenciales no observados como un problema de datos faltantes. Imputa resultados contrafácticos faltantes para múltiples cohortes objetivo sintéticas, lo que permite una estandarización rigurosa y la propagación de la incertidumbre, particularmente para medidas de efecto no colapsables.
3. MAIC y STC mejorados: Aunque se admite la MAIC mediante el ajuste por momentos (incluyendo opciones para momentos de orden superior), el método STC estándar queda formalmente deprecado en el paquete en favor de los enfoques de G-computación, que son más robustos.
4. Generación de Cohortes Sintéticas: El paquete utiliza una cópula gaussiana para desacoplar las estructuras de dependencia de las distribuciones marginales, lo que permite generar poblaciones sintéticas que coincidan con las estadísticas agregadas del objetivo. El paquete reconoce las limitaciones respecto a las covariables discretas dentro de este paso de simulación.
5. Estimación de la Varianza: El paquete admite tres estrategias de inferencia: bootstrapping no paramétrico (para métodos frecuentistas), inferencia posterior bayesiana completa (para G-computación bayesiana) y reglas de agrupación modificadas para MIM (donde la varianza total se deriva restando la varianza dentro de la imputación de la varianza entre imputaciones). También se dispone de un estimador de sándwich robusto para abordar la especificación errónea del modelo en MAIC.

Arquitectura de Software e Implementación
El paquete emplea un diseño orientado a objetos S3 para separar la definición de la estrategia estadística de la ejecución computacional.

• Funciones de Estrategia: Los usuarios definen el enfoque mediante funciones de estrategia específicas (por ejemplo, strategy_maic(), strategy_gcomp_ml(), strategy_gcomp_bayes(), strategy_mim()). Estas funciones validan los hiperparámetros y devuelven objetos estructurados sin realizar el cálculo inmediato.
• Interfaz Unificada: La función principal outstandR() actúa como un envoltorio de alto nivel, aceptando entradas de IPD y ALD junto con un objeto de estrategia. Orquesta el análisis, gestionando el preprocesamiento de datos, el ajuste de modelos, la simulación y la agregación de resultados.
• Flexibilidad: El diseño admite varios tipos de resultados (binarios, continuos, conteo) y permite escalas de resultados especificadas por el usuario (por ejemplo, convertir log-odds en diferencias de riesgo) y distribuciones de covariables personalizadas (por ejemplo, Gamma o Binomial) mediante los argumentos marginal_distns y marginal_params.
• Diagnósticos: Los objetos S3 devueltos exponen los artefactos del modelo subyacente (por ejemplo, pesos, modelos ajustados, trazas de MCMC) para facilitar las comprobaciones diagnósticas externas.

Resultados y Demostraciones
El artículo demuestra las capacidades del paquete utilizando conjuntos de datos sintéticos que cubren resultados binarios, continuos y de conteo con tipos mixtos de covariables.

• Resultados Binarios: El paquete estima con éxito las razones de odds (log-odds ratios) y las diferencias de riesgo utilizando MAIC y G-computación, proporcionando tanto contrastes relativos como medias absolutas de los resultados.
• Resultados Continuos y de Conteo: El marco gestiona modelos lineales y log-lineales, respectivamente, demostrando la capacidad de especificar términos de interacción complejos y modelos de equilibrio.
• Robustez y Sensibilidad: Los ejemplos ilustran el uso de estimadores de varianza de sándwich robustos y la capacidad de sobrescribir manualmente las estadísticas de ALD para análisis de sensibilidad (por ejemplo, simulando una población objetivo de mayor edad).
• Visualización: El paquete incluye un método plot() capaz de generar diagramas de bosque (forest plots) que comparan los resultados a través de diferentes estrategias de ajuste.

Significancia y Reivindicaciones
Los autores posicionan a outstandR como una herramienta necesaria para abordar las ineficiencias y la fragmentación del software actual para PAIC. Su principal significancia radica en:

• Unificación: Proporcionar un marco único y coherente que integra métodos de ponderación (MAIC) y de marginalización basados en regresión (G-computación, MIM).
• Avance Metodológico: Priorizar la G-computación y la MIM sobre los métodos STC estándar deprecados para manejar mejor la no colapsabilidad y el sesgo de agregación.
• Cuantificación de la Incertidumbre: Ofrecer un marco bayesiano robusto que propaga naturalmente la incertidumbre desde los parámetros del modelo hacia las estimaciones del efecto causal.
• Modularidad: La arquitectura S3 está diseñada explícitamente para acomodar futuras extensiones metodológicas, como los estimadores doblemente robustos y las comparaciones no ancladas (estudios de un solo brazo), sin alterar la lógica central de orquestación.

El artículo concluye que, si bien el paquete depende de una especificación de modelo correcta y de suficientes datos agregados, agiliza significamente el flujo de trabajo para la síntesis de evidencia en escenarios de toma de decisiones complejos donde los datos de ensayos directos están ausentes. El desarrollo futuro planeado incluye el soporte para datos de tiempo hasta el evento (supervivencia) y capacidades más amplias de meta-análisis en red.