Método de control sintético: una propuesta alternativa para generar evidencia rápida

En emergencias como la pandemia de covid-19, las intervenciones pueden necesitar el rápido desarrollo de evidencia de respaldo. Los ensayos aleatorios en estas situaciones a menudo no son prácticos para diseñar o realizar. Una técnica para estimar el efecto causal de una intervención utilizando datos de observación es el método de control sintético. Este artículo describe el método y sus suposiciones, la interpretación de las mejores prácticas y la aplicación.

Efecto causal

Un efecto causal se define como la diferencia entre lo que sucedió en una población observada que experimentó la intervención y lo que podría haber sucedido sin ella. Se comparan dos situaciones alternativas: una en la que ocurrió la intervención y una contrafactual en la que no. Los métodos causales utilizan información sobre grupos que no experimentaron la intervención para tratar de imitar este contrafactual. Los ensayos clínicos pueden utilizar la asignación al azar para estimar este contrafactual. Cuando los ensayos no son prácticos, otros métodos causales pueden aprovechar las características observadas de las poblaciones y subpoblaciones de intervención y control para estimar lo que podría haber sucedido sin la intervención; el método de control sintético (SCM) es uno de esos enfoques.

Método de control sintético

El SCM compara los resultados de una intervención en una población determinada con una población de control creada artificialmente que no experimenta la intervención pero que tiene características similares a la población de intervención. Un diseño predecesor del SCM seleccionaba el grupo de control y luego estimaba el efecto restando el cambio en los resultados antes y después de la intervención entre los grupos de intervención y control: el llamado enfoque de "diferencias en diferencias".

Si las tendencias temporales de los resultados se hubieran seguido en paralelo entre los grupos sin la intervención, entonces la estimación derivada del enfoque de diferencias en diferencias es una estimación no sesgada del efecto causal de la intervención. Pero esta suposición de trayectorias de resultados paralelas depende de la selección del grupo de control correcto y, por lo tanto, para minimizar el sesgo en la selección de este grupo de control, se introdujo el SCM como una generalización del enfoque de diferencias en diferencias.

Los autores proponen ponderar las potenciales unidades de control (subgrupos que comprenden las poblaciones de control) de tal modo que el promedio ponderado de los resultados y los factores de confusión durante el período previo a la intervención imiten la ruta de resultados y otras características de la población de intervención. La diferencia en los resultados ponderados posteriores a la intervención entre este grupo de control sintético y el grupo de intervención permite una estimación del efecto de la intervención. Se utilizan varios enfoques para derivar los pesos óptimos. La mayoría de los estudios que usan SCM se han centrado en una sola unidad tratada (por lo general, un lugar geográfico, como una ciudad) que experimenta la intervención y ponderaciones derivadas para otras unidades que no experimentan la intervención para minimizar las diferencias previas a la intervención entre los grupos de intervención y control. Otro enfoque amplió esto a múltiples unidades de intervención, como vecindarios pequeños o distritos censales. Aplicamos este enfoque de control sintético para microdatos a la evaluación del piloto de pruebas comunitarias covid-19 de Liverpool (doi: 10.1136/bmj-2022-071374).

Cuándo y cómo usar el SCM

Los SCM son los más adecuados para evaluar las intervenciones a nivel de población utilizando un panel de datos agregados en unidades similares. Esto se debe a que la SCM requiere datos continuos y secuenciales en puntos de tiempo constantes y regulares, con fluctuaciones aleatorias limitadas a lo largo del tiempo. La SCM que utiliza datos agregados se puede aplicar cuando los datos a nivel individual no están disponibles (p. ej., para preservar la privacidad). No debe haber ocurrido ningún evento o intervención importante en ningún grupo antes de la intervención, y la intervención no debe "filtrarse" en la población de control sintética. SCM convencionalmente requiere un punto de tiempo discreto para cuando comenzó la intervención, aunque se pueden acomodar intervenciones escalonadas.

Aplicación a la investigación-acción para covid-19

Durante una emergencia de salud pública, como la pandemia de covid-19, las decisiones de política deben tomarse rápidamente en función de evidencia imperfecta. Las nuevas intervenciones deben evaluarse rápidamente. Si bien los escenarios potenciales se pueden simular utilizando el conocimiento y las suposiciones actuales, la evaluación retrospectiva debe basarse en datos del mundo real cuando estén disponibles.

Las intervenciones de políticas crean experimentos naturales que pueden evaluarse para informar los próximos pasos en las respuestas. El acceso limitado a datos suficientemente granulares puede perjudicar estas importantes evaluaciones rápidas, y SCM es útil para maximizar la información causal a partir de datos agregados de áreas pequeñas que pueden estar disponibles más fácilmente. La respuesta del Reino Unido al covid-19 resultó en muchos experimentos naturales con un aprendizaje potencialmente importante para futuras emergencias de salud pública. Al respaldar las respuestas locales y nacionales de covid-19, aplicamos SCM para evaluar el impacto de las restricciones escalonadas, evaluando la efectividad de las actividades de divulgación de vacunación, y el primer piloto mundial de pruebas de antígenos asintomáticas, masivas y voluntarias, como se informa en el enlace  (doi:10.1136/bmj-2022-071374).5

Problemas con la interpretación y el sesgo

La inferencia causal con SCM asume que se han tenido en cuenta las diferencias que podrían afectar el resultado de otra forma que no sea la intervención (es decir, confusión mínima) entre los grupos de intervención y control. Al ponderar las unidades y áreas de control para que coincidan con las unidades de intervención en el período previo a la intervención, SCM ajusta los factores de confusión observados y algunos no observados, siempre que estos factores de confusión tengan el mismo efecto en los resultados en los grupos de intervención y control, y evolucionaron de manera similar en intervención y control. grupos después de la intervención. La ponderación puede incorporar covariables adicionales que predicen los resultados posteriores a la intervención en ausencia de la intervención, y esto puede mejorar la inferencia causal. La idoneidad de las covariables se puede evaluar visualizándolas en métodos gráficos causales que reflejen el conocimiento experto o la evidencia previa. La interpretación causal de SCM podría verse afectada por eventos en el período de observación posterior a la intervención que afectan de manera diferente a los grupos de intervención y control. Otros posibles sesgos incluyen los efectos de anticipación de la intervención y la contaminación (desbordamiento) al grupo de control. Los enfoques tradicionales para medir la incertidumbre de los efectos de la intervención no se utilizan en SCM debido a las restricciones impuestas a los pesos. En cambio, los intervalos de confianza y los valores de P se construyen utilizando permutaciones de placebo, de modo que el análisis se repite a través de múltiples iteraciones que asignan aleatoriamente unidades de control al grupo de intervención para estimar la distribución de muestreo del efecto del tratamiento.

Conclusión

Cuando los experimentos diseñados con aleatorización no son prácticos, SCM es una poderosa herramienta causal para evaluar experimentos naturales. Ya sea que evalúe el despliegue de políticas de salud pública fuera de situaciones de emergencia o pilotos de respuestas urgentes de salud pública durante una pandemia, SCM ofrece importantes ventajas metodológicas sobre otros métodos de investigación observacional. En situaciones de rápida evolución, como las pandemias, los datos de áreas pequeñas se pueden aprovechar con SCM para comprender los efectos de las medidas urgentes de salud pública. Por lo tanto, alentamos el intercambio de datos de áreas pequeñas y el uso de SCM para mejorar la comprensión de las intervenciones a nivel de población.

El estudio original: