Can Predictive Modeling Inform the Selection of Time Zero for Target Trial Emulations? An Empirical Study of Atorvastatin Initiation in Medicare Beneficiaries

Resumen Técnico: ¿Puede el modelado predictivo informar la selección del "tiempo cero" para las emulaciones de ensayos de objetivo?

Planteamiento del problema
En la investigación farmacoeepidemiológica que utiliza datos del mundo real (RWD) para emular ensayos de objetivo, un desafío crítico de diseño es definir el evento de "tiempo cero". Este evento ancla la evaluación de la elegibilidad, la clasificación de la exposición y el inicio del seguimiento. Para los estudios de iniciación de medicamentos, un evento de tiempo cero válido debe satisfacer tres condiciones: (1) una fuerte asociación con la indicación clínica para el tratamiento; (2) una probabilidad razonablemente alta de iniciación real del tratamiento; y (3) la capacidad de ser medible con suficiente precisión temporal en los datos administrativos.

Los autores postulan que confiar únicamente en las guías clínicas o en el conocimiento teórico es insuficiente porque los datos administrativos a menudo carecen de la granularidad necesaria para confirmar que un evento clínico específico (por ejemplo, un diagnóstico) conduce a la iniciación del tratamiento para todos los pacientes. La heterogeneidad en la adherencia de los pacientes, las preferencias o las contraindicaciones no medidas puede resultar en una baja probabilidad de iniciación o en diferencias significativas entre quienes inician el tratamiento y quienes no lo hacen. Esto introduce un sesgo de canalización y confusión residual, socavando la validez interna de la emulación. El estudio aborda la necesidad de un método empírico para identificar eventos de tiempo cero que satisfagan estos tres criterios simultáneamente.

Metodología
El estudio empleó un diseño de cohorte retrospectiva utilizando datos de reclamaciones de Medicare de pago por servicio (Partes A, B y D) del 1 de enero de 2018 al 31 de diciembre de 2019.

• Población del estudio: La cohorte incluyó 4.071.007 beneficiarios de Medicare ingenuos a las estatinas, con ≥65 años, ≥12 meses de inscripción continua y sin dispensación de estatinas en los 12 meses anteriores.
• Definición de la exposición: La fecha índice se definió como la primera reclamación de dispensación de farmacia para un medicamento de inicio nuevo en el ámbito ambulatorio. Los pacientes se clasificaron como "iniciadores de atorvastatina" (n=117.069) o "no iniciadores de atorvastatina" (n=393.083, que representa una muestra aleatoria del 10% de los iniciadores de no atorvastatina elegibles).
• Variables predictoras: Las candidatas a predictores se determinaron durante el periodo de 6 meses anterior a la fecha índice. Estas incluyeron demografía, comorbilidades (agrupadas en 552 categorías CCSR a partir de códigos ICD-10-CM), utilización de servicios de salud (visitas a urgencias, ingresos hospitalarios) y farmacoterapia (417 indicadores binarios de medicamentos).
• Enfoque estadístico: Se utilizó un procedimiento de selección de variables preespecificado de ocho pasos para identificar los predictores independientes de la iniciación de atorvastatina incidente:
  1. Gestión de datos (manejo de valores faltantes, dicotomización, eliminación de variables raras).
  2. Cribado de desequilibrio (Diferencia Media Estandarizada ≥ 0.1).
  3. Evaluación de colinealidad (eliminación de variables con |r| > 0.8).
  4. Validación de estabilidad: Se realizaron dos simulaciones de Monte Carlo independientes (1.000 muestras de bootstrap de 10.000 observaciones cada una) utilizando regresión LASSO adaptativa y regresión logística de retroceso paso a paso (backward stepwise). Se retuvieron las variables seleccionadas en ≥80% de las replicaciones en ambos métodos.
  5. Modelado final: Se ajustó una regresión logística multivariable con errores estándar de bootstrap. El rendimiento del modelo se evaluó mediante el C-estadístico (discriminación) y gráficos de calibración.
  6. Predicción marginal: Se estimaron las probabilidades predichas de iniciación de atorvastatina para perfiles de pacientes específicos para evaluar el criterio de "alta probabilidad".
• Análisis de sensibilidad: Se realizó un análisis restringido en fechas índice ocurridas en o después del 1 de julio de 2018, para evaluar las tendencias temporales.

Resultados clave

• Identificación de predictores: A partir de un conjunto inicial de 1.532 variables candidatas, el riguroso proceso de selección identificó 19 predictores significativos e independientes de la iniciación de atorvastatina.
• Predictores más fuertes: Los dos predictores más robustos fueron los ingresos hospitalarios por infarto cerebral (OR [Odds Ratio] 11.29; IC 95% 10.47–12.17) e ingresos hospitalarios por infarto agudo de miocardio (OR 6.56; IC 95% 5.92–7.27). Estos fueron seleccionados en casi todas las replicaciones de bootstrap por ambos métodos de validación.
• Probabilidad de iniciación:
  • Un hombre blanco con un infarto cerebral reciente en ingresos hospitalarios tuvo una probabilidad predicha de iniciación de atorvastatina del 69% (IC 95% 68–70%).
  • Un hombre blanco con un infarto agudo de miocardio reciente en ingresos hospitalarios tuvo una probabilidad predicha del 59% (IC 95% 56–61%).
  • En contraste, los mismos diagnósticos registrados solo en reclamaciones ambulatorias arrojaron probabilidades menores (41% y 44%, respectivamente), y un diagnóstico ambulatorio de hiperlipidemia arrojó una probabilidad del 34%.
• Rendimiento del modelo: El modelo final alcanzó un C-estadístico de 0.78 con una excelente calibración.
• Análisis de sensibilidad: Los resultados se mantuvieron consistentes cuando se restringieron a la segunda mitad del periodo de estudio, confirmando que los predictores identificados eran independientes de las tendencias estacionales o temporales.

Significación y afirmaciones
El artículo afirma que el modelado predictivo empírico proporciona un mecanismo sistemático para validar los eventos de tiempo cero en las emulaciones de ensayos de objetivo, yendo más allá de las suposiciones teóricas. El estudio demuestra que anclar el tiempo cero a la alta hospitalaria tras un ingreso por infarto agudo de miocardio o cerebral satisface los tres requisitos críticos para un evento de tiempo cero válido:

1. Indicación clínica: Estos eventos están fuertemente asociados con la indicación recomendada por las guías para la prevención secundaria con terapia de estatinas.
2. Alta probabilidad de iniciación: Los datos empíricos confirman una alta probabilidad (aprox. 60–70%) de iniciación real de atorvastatina tras estos eventos hospitalarios específicos.
3. Precisión temporal: Las fechas de alta hospitalaria se registran con precisión en las reclamaciones administrativas.

Los autores argumentan que el uso de este evento de tiempo cero derivado empíricamente debería mitigar el sesgo de canalización, el sesgo de selección (incluido el sesgo de tiempo inmemorial/immortal time bias) y la confusión residual en futuras emulaciones de ensayos de objetivo que evalúen la seguridad de la atorvastina en adultos mayores. Al sincronizar la elegibilidad, la asignación del tratamiento y el seguimiento en un punto de alta probabilidad de tratamiento, los investigadores pueden crear grupos más comparables y mejorar la validez interna de los estudios observacionales de seguridad de fármacos. El estudio reconoce limitaciones, incluyendo la falta de datos de laboratorio (por ejemplo, niveles de LDL) y factores de estilo de vida, y señala que se requiere una validación externa en bases de datos independientes para confirmar la transportabilidad de estos hallazgos.