Extrapolação de dados curvas de sobrevida em saúde: uma abordagem metodológica ajuste direto com dados agregados

Resumo

Introdução: Os modelos de avaliação econômica frequentemente adotam longos horizontes temporais. Contudo, a pesquisa clínica geralmente tem um curto tempo de seguimento dos participantes, tornando-se necessária a extrapolação de dados para alimentar os modelos de avaliação econômica. As propostas metodológicas disponíveis trabalham fortemente com os dados em sua forma individualizada, cenário nem sempre factível ao cotidiano da Avaliação de Tecnologias em Saúde (ATS). Assim, o objetivo deste estudo foi replicar um método para extrapolação com curvas de sobrevida aplicável a dados agregados. Métodos: O estudo de caso consistiu nas aplicações de modelos paramétricos de análise de sobrevivência com as principais distribuições recomendadas: Exponencial, Weibull, Log-normal, Log-logística, Gama generalizada e Gompertz. Os modelos foram ajustados aos dados de um ensaio clínico randomizado de duas terapias (anastrozol e fulvestranto) no contexto do câncer de mama metastático com 10 anos de seguimento nos desfechos de sobrevida livre de progressão (SLP) e sobrevida global (SG). Após a condução dos ajustes aos dados individualizados, obtidos mediante contato com os autores, buscou-se validar a aplicação do ajuste aos dados agregados com uso de regressões não lineares e algoritmos de otimização. Ambos os métodos foram comparados em termos de inspeção visual e qualidade do ajuste (Akaike Information Criteria – AIC). Resultados: Na verificação da aplicação no estudo de caso nos dados dos dois braços de tratamentos, as distribuições Weibull e gama generalizada foram as que melhor se ajustaram aos dados de SG, seja na abordagem individualizada quanto na agregada, segundo critérios estatísticos e de inspeção visual. Para a SLP foram as curvas log-logística e log-normal para o anastrozol. No caso do tratamento com fulvestranto, as melhores escolhas seriam as curvas log-normal e gama generalizada para os dados individualizados e Gompertz e gama generalizada nos dados agregados. Em termos de inspeção visual, a diferença foi pouco perceptível entre o uso do modelo individualizado e agregado. Conclusão: O ajuste de dados com curvas de sobrevida a dados agregados se mostra factível. Apesar de diferenças na escolha algumas curvas, a inspeção visual sugere que é pouco provável que estas diferenças tenham impacto para a tomada de decisão. O algoritmo aqui apresentado pode ser útil nas situações de impossibilidade de acesso aos dados individualizados.