Simulación de ensayos clínicos de deprescripción

Abstract

Los ensayos clínicos aleatorizados sobre deprescripción son complejos de realizar por la heterogeneidad de las intervenciones, la inconsistencia en los resultados y la susceptibilidad al sesgo. Proponemos un marco basado en simulaciones para emular ensayos objetivo y evaluar los efectos de la deprescricpión. El enfoque integra tres componentes: (i) el diseño del ensayo objetivo, que define elegilibilidad, intervenciones, resultados y seguimiento según principios de inferencia causal; (ii) la generación de poblaciones sintéticas a partir de distribuciones multivariantes informadas por ensayos previos para preservar correlaciones empíricas; y (iii) la modelización del tiempo hasta el evento mediante modelos de supervivencia paramétricos en una estructura multi estado semi-Markov. Esto permite transiciones dinámicas entre deprescripción, eventos adversos y muerte. La evaluación metodológica reveló dos conclusiones clave. Primero, es esencial especificar los riesgos particulares de cada resultado. Segundo, la fiabilidad inferencial depende del tamaño de la muestra: una especificación correcta proporciona estimaciones estables en cohortes pequeñas, mientras que una espacificación errónea en cohortes grandes provoca un sesgo amplificado y una pérdida de cobertura. Este marco refuerza la inferencia causal basada en simulaciones y ofrece un enfoque reproducible y extensible para investigar deprescripción y otros contextos en los que los ensayos aleatorios no son viables.

Randomized deprescribing trials are challenging due to heterogeneous interventions, inconsistent outcome definitions, and vulnerability to bias. We propose a simulation-based framework for emulating target trials to evaluate the effects of deprescribing. The framework integrates three key elements: (i) the target trial design, wich specifies eligilibility, interventions, outcomes, and follow-up to replicate causal inference principles; (ii) generation of synthetic population data from multivariate distributions informed by previous clinical essays to preserve empirical correlations; and (iii) time-to-event modelling with covariate-adjusted parametric survival models embedded in a semi-Markov multistate structure. This enables dynamic transitions between discontinuation, adverse events, and death, with event risks adapting to prior history. The methodological evaluation revealed two key findings. Firstly, outcome-specific hazard specification is essential. Gompertz models were more closely aligned with stroke and bleeding, whereas Weibull models better represented mortality. Secondly, inferential reliability depended on sample size; correct specification yielded stable estimates in small cohorts, whereas misspecification in large cohorts resulted in amplified bias and loss of coverage. This framework strengthens simulation-based causal inference by combining target trial emulation with flexible hazard modelling. It provides a reproducible, extensible approach for deprescribing research and other contexts where randomized trials are infeasible.