BMC Medical Research Methodology volumen 22, Número de artículo: 235 (2022) Citar este artículoUna metodología clásica utilizada para evaluar el impacto de las intervenciones de políticas de salud es el análisis de series de tiempo interrumpido (ITS), aplicando un diseño cuasi-experimental que utiliza datos previos y posteriores a la política sin aleatorización.En este documento, adoptamos un enfoque basado en la simulación para estimar los efectos de la intervención bajo diferentes supuestos.Cada una de las tasas de mortalidad simuladas contenía una tendencia de tiempo lineal, estacionalidad, autorregresión y términos de promedio móvil.Las simulaciones de los efectos de las políticas incluyeron tres escenarios: 1) cambio de nivel inmediato únicamente, 2) cambio de pendiente y nivel inmediato, y 3) cambio de pendiente y nivel rezagado.Los efectos estimados y los sesgos de estos efectos se examinaron a través de tres modelos mixtos aditivos generalizados combinados, cada uno de los cuales utilizó dos enfoques diferentes: 1) efectos basados ​​en coeficientes estimados (enfoque estimado), y 2) efectos basados ​​en predicciones de modelos (enfoque previsto). ).La solidez de estos dos enfoques se investigó más a fondo suponiendo errores de especificación de los modelos.Cuando se analizó un conjunto de datos simulado con el modelo combinado, los dos enfoques analíticos produjeron estimaciones similares.Sin embargo, cuando los modelos se especificaron incorrectamente, el número de muertes prevenidas, estimado utilizando los enfoques previsto y estimado, fue muy diferente, y el enfoque previsto arrojó estimaciones más cercanas al efecto real.La discrepancia fue mayor cuando la política se aplicó al principio de la serie temporal.Incluso cuando el tamaño de la muestra parece ser lo suficientemente grande, uno debe ser cauteloso al realizar análisis ITS, ya que el poder también depende de cuándo ocurre la intervención en la serie.Además, el efecto retardado de la intervención debe tenerse plenamente en cuenta en la etapa de diseño del estudio (es decir, al desarrollar los modelos).Dado que el impacto de las intervenciones normativas y de política pública no puede evaluarse generalmente a través de diseños de ensayos controlados aleatorios tradicionales, los experimentos naturales bien seleccionados, diseñados y analizados son el método de elección cuando se examinan los efectos de dichas promulgaciones en una variedad de resultados. [1,2,3].Una metodología clásica para tales evaluaciones es el análisis de series temporales interrumpidas (ITS), que se considera uno de los diseños cuasiexperimentales que utiliza datos anteriores y posteriores a la política sin aleatorización ni series de control [4].ITS es particularmente adecuado para intervenciones a nivel de población durante un período de tiempo claramente definido [4, 5], y se ha utilizado para la evaluación de varias intervenciones de salud pública con resultados como morbilidad y mortalidad (p. ej. [6]).ITS necesita considerar el orden de los puntos de datos y la posible correlación de esos puntos en el tiempo.Por ejemplo, muchos estudios han informado variaciones estacionales en las tasas de morbilidad y mortalidad por diversas causas en diferentes partes del mundo.Tomando la mortalidad como ejemplo, se ha observado que en muchos países de altos ingresos del hemisferio norte, las tasas de mortalidad por todas las causas son más altas durante los meses de invierno y más bajas en los meses de verano [7].Por lo tanto, es necesario aplicar un método estadístico que considere los efectos de la estacionalidad, las tendencias y otros factores de confusión al evaluar la intervención de interés.Después de estimar si una intervención política ha tenido un efecto más allá de las tendencias seculares y el azar [3], una cuantificación del tamaño del efecto en unidades tangibles, como el número de casos/muertes evitados, a menudo es de gran interés para varias partes interesadas. así como al público en general.Dado que esta información es clave para las decisiones futuras que apuntan a maximizar la promoción de la salud pública y mitigar los daños, los métodos de estimación subyacentes deben ser lo más sólidos posible.Al utilizar modelos para estimar los efectos de una política, también es importante considerar hasta qué punto el modelo representa con precisión la realidad.Los modelos se pueden utilizar como indicador de los efectos de las políticas;sin embargo, siempre existe el riesgo de que el efecto modelado no describa con precisión el verdadero efecto sobre el resultado de interés.Por lo tanto, para cuantificar con precisión un efecto práctico, puede ser importante investigar la posibilidad de una especificación incorrecta del modelo.Hasta ahora, hemos sido algo abstractos al hablar de las intervenciones y sus efectos.Por lo tanto, consideremos, como ejemplo, las intervenciones de control del alcohol, como aumentar los impuestos especiales para hacer que el alcohol sea menos asequible o prohibir la comercialización (para una clasificación de tales políticas, consulte [8]) y su impacto en las tasas de mortalidad.Las intervenciones de política pueden tener un efecto inmediato, un efecto retardado, o ambos, sobre la mortalidad, según el tipo de política y la causa de muerte de interés.Un ejemplo de un resultado para el cual dichas políticas tendrían un efecto inmediato serían las muertes por traumatismos causados ​​por el tránsito [9].Sin embargo, los impuestos pueden tener un efecto tanto inmediato como retardado en la mortalidad por cirrosis hepática, así como en las muertes por otras enfermedades crónicas (consulte [10] para obtener una descripción general).En cuanto a la prohibición de la comercialización del alcohol, se espera que la mayoría de los efectos impliquen un retraso, por ejemplo, a través de que los jóvenes estén menos expuestos a los anuncios de bebidas alcohólicas y, por lo tanto, el efecto puede tardar años en materializarse por completo.Por lo tanto, para cualquier intervención de salud pública, se deben hacer suposiciones sobre los períodos de retraso.En los análisis de ITS, existen dos tipos principales de efectos que describen el impacto de una política: primero, está el cambio de nivel, que corresponde a la diferencia en el punto de interés temporal y la tendencia prevista antes de la intervención;y segundo, hay un cambio de pendiente, que es un cambio en la tendencia temporal en un punto en el tiempo [5].Para dar una idea de cómo funcionaban los métodos estadísticos bajo diferentes efectos, adoptamos un enfoque basado en simulación para estimar los efectos potenciales de una intervención política simulada en la escala original (p. ej., tasa de mortalidad) y su incertidumbre para los estudios ITS cuando la intervención impacta como 1) un cambio de nivel inmediato únicamente, 2) un cambio de nivel y pendiente inmediato, o 3) un cambio de nivel y pendiente retrasado.Las estimaciones del efecto de la intervención y su precisión se examinaron mediante dos enfoques metodológicos diferentes, denominados en este documento enfoque "estimado" y "predicho" (para obtener una descripción, consulte a continuación).La solidez de estos dos enfoques se investigó más a fondo suponiendo errores de especificación de los modelos ITS.Para desarrollar una base para las simulaciones, examinamos los rangos y la variabilidad de los tamaños del efecto de un análisis anterior de series temporales de tasas mensuales de mortalidad por todas las causas (muertes por cada 100.000 habitantes adultos) estandarizadas por edad y específicas por sexo, para Lituania desde enero 2000 a diciembre de 2019 [11, 12].Los parámetros del modelo adoptados en las simulaciones se estimaron utilizando la tasa mensual de mortalidad masculina como variable dependiente.La estacionalidad de los datos simulados se asumió siguiendo un patrón representado por una función spline cúbica, extraída de un modelo mixto aditivo generalizado ajustado (GAMM) utilizando la tasa de mortalidad mensual entre los hombres.Como se indicó anteriormente, los datos simulados incluyeron tres escenarios diferentes:Escenario 1: hubo una disminución inmediata, o un cambio de nivel, en la tasa de mortalidad después de la intervención de la política;Escenario 2: además del cambio de nivel inmediato, la pendiente, es decir, la tendencia temporal de las tasas de mortalidad, también cambió después de la intervención;yEscenario 3: Asumimos que el impacto total de la política tardaría 2 años en observarse.En este escenario, el cambio de nivel ocurrió lentamente a lo largo de los 2 años posteriores a la intervención, como se define más adelante, además de observarse un cambio de pendiente después del período de retraso de dos años.Definimos el tamaño del efecto como la suma del cambio de nivel esperado más el cambio de tendencia unitario, como el cambio mensual.Se utilizaron tres tamaños de efecto: 5, 10 y 15 muertes por 100 000, que representan reducciones pequeñas, medianas y grandes en las tasas de mortalidad mensuales antes y después de la intervención.Además de las diferencias en el tamaño del efecto, se supuso que las intervenciones serían diferentes en sus años de implementación durante el período de estudio.Específicamente, las intervenciones se aplicaron al principio, a la mitad y al final del período de estudio, es decir, el año 5, 9 y 13, respectivamente, del período de estudio de 18 años, donde los tiempos se eligieron para reflejar diferentes diseños de estudio.Se asumió la distribución condicional de cada yt observado, para t = 1, …, n dada la información previa de observaciones pasadas y1…, yt − 1, y los vectores covariables x1, …, xt, xt = {xt1, …, xtm} seguir la misma distribución gaussiana.El resultado simulado yt fue un sorteo aleatorio de una distribución gaussiana con un valor medio igual al valor y la varianza esperados del modelo.Cada uno de los resultados esperados se determinó mediante términos de tendencia lineal de tiempo, estacionalidad, autorregresivo (AR) y promedio móvil (MA).Donde \(\sum_{\boldsymbol{i}=\mathbf{1}}^{\boldsymbol{k}}\boldsymbol{s}\left({\mathbf{t}}_{\boldsymbol{i}}\ derecha)\) es la función spline cúbica suavizante para el componente estacional mensual, siendo k = 12 el número de nudos, \(\sum_{\boldsymbol{j}=\mathbf{1}}^{\boldsymbol{p}}{ \boldsymbol{a}}_{\boldsymbol{j}}\left({\boldsymbol{y}}_{\boldsymbol{t}-\boldsymbol{j}}-\sum_{\boldsymbol{i}=\mathbf {1}}^{\boldsymbol{m}}{\mathbf{X}}_{\boldsymbol{t}-\boldsymbol{j},\boldsymbol{i}}{\boldsymbol{\beta}}_{\ boldsymbol{i}}\right)\) son términos autorregresivos de orden p y \(\sum_{\boldsymbol{j}=\mathbf{1}}^{\boldsymbol{q}}{\boldsymbol{m}}_ {\boldsymbol{j}}\left({\boldsymbol{y}}_{\boldsymbol{t}-\boldsymbol{j}}-{\boldsymbol{\mu}}_{\boldsymbol{t}-\boldsymbol {j}}\right)\) son términos medios móviles de orden q.Arbitrariamente, se eligió p = q = 1, sugerido por las prácticas anteriores con los datos de mortalidad mensual de Lituania [11, 12].La figura 1 ilustra los tres escenarios que se simularon.Se puede encontrar una descripción detallada sobre el valor o las distribuciones de las variables en el archivo adicional 1. Para los dos primeros escenarios, las intervenciones de política se codificaron como efectos permanentes abruptos, es decir, se asignó un valor de 0 para todos los meses anteriores a la implementación de la política y un valor de 1 para todos los meses siguientes.Para el tercer escenario en el que la política implementada en el momento (T) necesita 24 meses para alcanzar su pleno efecto, la variable de la política se representó mediante una función escalonada (2):Ilustración de las tendencias temporales de tres escenariosLos análisis ITS se realizaron en la serie temporal simulada utilizando modelos mixtos aditivos generalizados (GAMM [4, 13];).Cada conjunto de datos simulados de tres escenarios se analizó utilizando uno de los tres GAMM.El primer GAMM (Modelo 1) asume solo un cambio de nivel inmediato, es decir, la pendiente no cambió después de la intervención.β1 indica la tendencia temporal general y β2 es el cambio de nivel posterior a la intervención.La variable de 'tendencia' se refiere a la secuencia de tiempo lineal y la variable de 'nivel' se refiere a la intervención política.El segundo GAMM utilizado fue el siguiente:En este caso, β1 representa la tendencia previa a la intervención, β2 es el cambio de nivel posterior a la intervención y β3 muestra el cambio de pendiente posterior a la intervención.El tercer GAMM utilizado es el siguiente:\({level}_t^{\prime }\) aquí se codificó de acuerdo con la fórmula (2), considerando la cantidad de tiempo que necesitarían las intervenciones para surtir efecto por completo (en nuestro ejemplo, 24 meses).Los conjuntos de datos simulados se analizaron con el modelo emparejado respectivamente, es decir, el conjunto de datos que describe el Escenario 1 se analizó con el Modelo 1, el Escenario 2 con el Modelo 2, etc.Para cada cohorte simulada, los efectos de la intervención de políticas se investigaron con el modelo GAMM emparejado usando dos enfoques metodológicos diferentes, el: 1) método 'estimado' y 2) 'predicho', como se describe a continuación:En el enfoque estimado, el efecto de la intervención es igual al peso beta del modelo ITS (es decir, el enfoque ITS clásico).Como estamos trabajando con tasas de mortalidad en este ejemplo, el número de muertes evitadas por la intervención de interés en los 12 meses posteriores a la intervención se obtiene multiplicando el peso beta del efecto sobre la tasa de mortalidad estandarizada por edad por la población promedio. talla para los 12 meses siguientes a la intervención;yEn el enfoque previsto, hubo un proceso de tres pasos:Paso 1: Los datos antes de la intervención se utilizan para determinar el GAM óptimo para la serie.Paso 2: El GAM se usa para pronosticar las tasas de mortalidad para los 12 meses posteriores a la intervención.Para cada mes, la tasa de mortalidad pronosticada y los intervalos de predicción (PI) del 95% se calcularon asumiendo que los errores de pronóstico se distribuyeron normalmente.Paso 3: La diferencia en las tasas de mortalidad entre los valores observados y pronosticados después de la intervención se multiplicó por la población correspondiente, lo que resultó en una estimación del número absoluto de muertes que se evitaron para cada mes.Se consideró que esta estimación era el número estimado de muertes evitadas durante los 12 meses posteriores a la intervención, y la desviación estándar se calculó tomando la raíz cuadrada de las varianzas combinadas de los valores predichos, suponiendo independencia entre los puntos de datos mensuales.El IP del 95% se calculó además asumiendo que los errores de pronóstico se distribuyeron normalmente.Además, se realizaron análisis de sensibilidad para probar el impacto de la especificación incorrecta del modelo en los que los datos simulados en el Escenario 3 (un efecto retardado) se analizaron con dos modelos más simples: primero, los datos se analizaron utilizando el Modelo 1, que contiene una variable de tiempo y política. , codificada como variable ficticia: 0 antes y 1 después de la intervención;segundo, se utilizó el Modelo 2 y se agregó un cambio de pendiente.Para cada uno de los tres escenarios y cada uno de los análisis de sensibilidad, se simularon y analizaron un total de 1000 conjuntos de datos.Para cada una de las simulaciones, se registraron las muertes estimadas prevenidas del conjunto de datos.Bajo el Teorema del Límite Central, la distribución de esas estimaciones fue aproximadamente normal y el intervalo de confianza (IC) del 95% se extrajo sobre la muestra de 1000 estimaciones.Luego se calculó la probabilidad de cobertura, definida como la proporción de iteraciones en las que el verdadero tamaño del efecto estuvo dentro del IC del 95 % que rodea las estimaciones.Cuando se analizó un conjunto de datos simulado con el modelo combinado, los dos enfoques analíticos utilizados produjeron estimaciones similares.En el Escenario 1, por ejemplo, cuando la política se aplicó en el quinto año del período de estudio con un efecto de nivel inmediato solamente, las muertes prevenidas se estimaron en 56, 122 y 179 cuando el tamaño del efecto fue − 5, − 10 y − 15, respectivamente, utilizando el enfoque estimado, que corresponde aproximadamente al tamaño del efecto (mensual) multiplicado por 12 meses, mientras que el enfoque previsto resultó en 55, 118 y 176 muertes prevenidas, respectivamente (Tabla 1), con resultados diferentes en menos del 5%.Sin embargo, las estimaciones con el método de predicción de tres pasos tienen Cis mucho más amplio: para el ejemplo anterior, los IC del 95 % fueron (1, 112), (71, 173) y (126, 233) usando el enfoque estimado, en comparación con (− 43, 153), (24, 213) y (77, 275) utilizando el enfoque predicho.Esto es lo esperado ya que el método predicho solo utilizó los puntos de datos antes de la intervención, la disminución del tamaño de los datos aumentó el ancho de los IC.Cuando la política se aplicó a la mitad del período de estudio (es decir, el noveno año), las estimaciones medias de muerte evitada se estimaron en 61, 121 y 181 cuando el tamaño del efecto fue − 5, − 10 y − 15, respectivamente, utilizando el enfoque estimado, que es casi exactamente el mismo que el enfoque predicho.Sin embargo, de nuevo y como se esperaba dada la mayor cantidad de datos subyacentes, los IC del 95 % fueron mucho más amplios para el enfoque previsto en comparación con el enfoque estimado.Cuando la política se aplicó en el último momento del período de estudio, es decir, el año 13, el número estimado de muertes prevenidas también fue el mismo con ambos enfoques, excepto que los IC del 95% fueron, una vez más, ligeramente más amplios para el enfoque previsto.Específicamente, fueron (1117), (62, 176) y (120, 238) cuando el tamaño del efecto fue − 5, − 10 y − 15, respectivamente, con el enfoque estimado, y (− 15, 133), (44, 192) y (102, 256), respectivamente, con el enfoque previsto.Para el segundo escenario con un cambio de nivel inmediato y un cambio de pendiente, cuando la política se aplicó en el 5.° año del período de estudio, las muertes evitadas se estimaron en 52, 112 y 171 cuando el tamaño del efecto fue −5, − 10 y − 15, respectivamente, usando el enfoque estimado, en comparación con 50, 111 y 171 usando el enfoque previsto.Al igual que en el primer escenario, los IC del 95 % fueron más amplios con el enfoque previsto.Por ejemplo, fueron (22, 82), (80,145) y (142, 202) cuando el tamaño del efecto fue − 5, − 10 y − 15, respectivamente, utilizando el enfoque estimado cuando la política se aplicó en el 9no. año, en comparación con (− 26, 131), (30, 191) y (94, 251), respectivamente, utilizando el enfoque previsto.Se pueden observar patrones similares en el tercer escenario, donde se simuló un efecto de política retardado.Cuando la política se aplicó en el quinto año del período de estudio, las muertes evitadas se estimaron en 0, 17 y 33 cuando el tamaño del efecto fue −5, −10 y −15, respectivamente, utilizando el enfoque estimado, en comparación con 0, 16 y 32, respectivamente, utilizando el enfoque predicho.El enfoque previsto, de nuevo, tenía IC del 95 % mucho más amplios.El efecto retardado de la política provocó un número mucho menor de muertes evitadas por la intervención de interés en los 12 meses posteriores a la intervención, en comparación con los dos escenarios anteriores.El fenómeno fue capturado correctamente con los modelos emparejados.Cuando los modelos analíticos se especificaron incorrectamente, donde el conjunto de datos simulado del Escenario 3 se analizó utilizando el Modelo 1 y el Modelo 2, el número estimado de muertes prevenidas fue muy diferente dependiendo de si se utilizó el enfoque previsto o estimado.En casi todas las circunstancias, el enfoque estimado sobrestimó el efecto real.La discrepancia fue más notable cuando la política se aplicó a principios del período de estudio.Por ejemplo, para el Escenario 3 (nivel retrasado y cambio de pendiente) en el que la política se aplicó en el quinto año asumiendo un tamaño de efecto pequeño (reducción de 5 muertes por 100 000), ejecutamos el Modelo I y obtuvimos 45 (95% IC: − 12, 101) muertes prevenidas usando el enfoque estimado en contraste con − 1 (IC 95%: − 93, 91) usando el enfoque previsto (Tabla 2).La discrepancia entre los dos enfoques se vuelve menor cuando la política se aplica más adelante en el período de estudio.Por ejemplo, cuando se aplicó la política en el año 13 del estudio, el enfoque estimado encontró − 7 (IC 95 %: − 63, 50) muertes prevenidas y el enfoque previsto encontró 0 (IC 95 %: − 68, 67). ) se previnieron muertes—el verdadero número de muertes prevenidas fue una.Dado que el ITS del enfoque predicho solo usó puntos de datos anteriores a la intervención, una intervención posterior significa que los pasos de modelado usaron puntos de datos similares en ambos enfoques;por lo tanto, es probable que se reduzca la discrepancia entre los enfoques.Cuando se analizaron los mismos datos simulados usando el Modelo 2, con cambios de nivel y pendiente pero sin considerar el tiempo de retraso de dos años, la discrepancia entre los dos enfoques fue menos pronunciada.Por ejemplo, cuando la política se aplicó en el quinto año del estudio con un tamaño del efecto de -5, el número real de muertes prevenidas siguió siendo 1, y el enfoque estimado resultó en 13 (IC 95 %: -67, 94) muertes prevenido, mientras que el enfoque predicho resultó en − 1 (IC 95%: − 93, 91) muertes prevenidas.Dado que el Modelo 2 también tiene un cambio de pendiente, los parámetros se parecían más a los efectos observados en el Escenario 3 (efecto retardado y cambio de pendiente).Por lo tanto, el Modelo 2 produjo efectos más precisos cuando se especificó incorrectamente en el Escenario 3.Cuando se analizó el conjunto de datos simulado del Escenario 1 utilizando el Modelo 2, la cantidad estimada de muertes prevenidas fue muy similar dependiendo de si se utilizó el enfoque previsto o estimado.Mientras que, cuando se analizó utilizando el Modelo 3, el método predicho proporcionó estimaciones más cercanas al valor real que el método estimado.En otras circunstancias, por ejemplo, cuando se analizó el Escenario 2 utilizando el Modelo 1 y el Modelo 3, el enfoque pronosticado también produjo estimaciones más cercanas a los valores reales y se desempeñó mejor de manera consistente (los resultados se presentan en el Archivo adicional 1).Parece que el enfoque predicho fue más sólido en caso de errores de especificación.Cuando los efectos de política modelados (cambio de nivel inmediato, cambio de nivel y pendiente inmediatos, o cambio de nivel y pendiente rezagados) se combinaron adecuadamente con el tipo de modelos utilizados para analizar los datos simulados, el efecto práctico (es decir, el número de muertes evitadas) de la intervención política puede determinarse con mucha precisión.De hecho, la probabilidad de cobertura osciló entre 85,6 y 90,7 % (Tabla 3).Incluso cuando los modelos estaban mal especificados, es decir, cuando el modelo ITS no tomaba en consideración el efecto retardado de la póliza, las probabilidades de cobertura permanecían bastante estables.Sin embargo, bajo el supuesto de que la política tuvo un efecto retardado, la probabilidad de que las estimaciones del modelo mal especificadas reflejen el verdadero tamaño del efecto disminuyó significativamente, especialmente cuando la política se aplicó más adelante en el período de estudio.Cuando se aplicó el Modelo 1 al Escenario 3 y la póliza se aplicó en el año 13, la probabilidad de cobertura fue de 30.7, 11.2 y 4.0% cuando el tamaño del efecto fue −5, −10 y −15, respectivamente.Por otro lado, cuando se aplicó el Modelo 2 sin considerar un efecto retardado al Escenario 3, la probabilidad de cobertura fue de 61.5, 25.2 y 6.8% cuando el tamaño del efecto fue de -5, -10 y -15, respectivamente, es decir, ligeramente más alto que el Modelo 1. Las probabilidades de cobertura para los tres escenarios con análisis no emparejado dependieron en gran medida del año de implementación.Por ejemplo, cuando se analizó el Escenario 3 utilizando el Modelo 1, la probabilidad de cobertura fue de 0,858 cuando la póliza se aplicó en el año 5, en comparación con 0,307 cuando la póliza se aplicó en el año 13.Este estudio de simulación comenzó ajustando modelos emparejados a los conjuntos de datos simulados y aplicando diversas circunstancias, por ejemplo, el momento en el que ocurrió la intervención dentro de la serie y diferentes tamaños del efecto de la intervención, etc., para obtener una mejor comprensión de cómo estimar mejor el número de resultados prevenidos después de una intervención efectiva a nivel de la población.Descubrimos que cuando el modelo se especifica correctamente, tanto el enfoque estimado como el previsto producen estimaciones similares con una buena probabilidad de capturar los efectos de la intervención, aunque el enfoque estimado a menudo produce IC del 95 % mucho más estrechos que el enfoque previsto.Sin embargo, cuando el modelo está mal especificado, se encontró que el enfoque pronosticado producía estimaciones mucho más cercanas al número real de muertes prevenidas.Como tal, cuando no se puede determinar qué modelo es mejor para los datos, se debe utilizar el enfoque previsto en lugar del enfoque estimado.Además, cuando el modelo está mal especificado, es posible que no se detecte el efecto de la intervención, especialmente cuando la política ocurre más tarde en el período de estudio, y lleva tiempo observar su efecto completo.Incluso cuando el número de puntos de tiempo posteriores a la implementación parece lo suficientemente grande (para conocer los criterios, consulte [4]), la probabilidad de cobertura se redujo notablemente.Esto sugiere que los estudios con diseños desequilibrados (en términos de puntos de tiempo antes y después de la intervención) y menos puntos de datos después de la intervención tienden a tener menos probabilidad de identificar un efecto verdadero en comparación con estudios con el mismo número de puntos de tiempo antes y después. la intervención.En tales casos, se debe ser cauteloso al realizar análisis ITS incluso cuando el tamaño de la muestra parece lo suficientemente grande según la práctica común [4], ya que la potencia también depende de cuándo ocurre la intervención dentro de la serie [14].Además, el efecto de retraso de una intervención sobre un resultado particular de interés debe considerarse cuidadosamente en la etapa de diseño del estudio (es decir, al desarrollar los modelos).Sin embargo, las especificaciones de retraso actualmente no están bien abordadas en la literatura [10].Existen algunas limitaciones en el estudio actual.Primero, asumimos una progresión lineal de los efectos rezagados (es decir, un aumento gradual con incrementos iguales a lo largo del tiempo).Sin embargo, dependiendo del resultado de interés, puede adoptar una forma diferente de progresión y estar sujeto a la ley del valor marginal decreciente (es decir, llega un punto en el que hay una disminución del impacto).En segundo lugar, los parámetros utilizados en el estudio de simulación se basan en las estimaciones extraídas de un análisis de los datos de mortalidad de Lituania [12] y de nuestra experiencia trabajando con este u otros conjuntos de datos similares [15, 16].Por lo tanto, es posible que los parámetros utilizados no reflejen todas las posibilidades.Por ejemplo, la estacionalidad puede tener diferentes características y el componente autorregresivo del modelo GAMM puede tener diferentes señales para diferentes estudios.En conclusión, aparte de tales consideraciones de parámetros, se debe ser cauteloso al estimar el número de muertes prevenidas cuando 1) las intervenciones ocurren más tarde que en la mitad de la serie temporal;2) existe la posibilidad de un retraso entre el momento en que se implementa una política de salud y el cambio en el resultado de interés;y 3) cuando existe la posibilidad de una especificación incorrecta del modelo.Desafortunadamente, estas condiciones describen la mayoría de los ejemplos prácticos en ITS aplicados [17].Las técnicas mejoradas de especificación de modelos a través de la combinación de conocimientos de otros estudios sobre intervenciones similares, un mejor conocimiento sobre la forma del impacto temporal de las intervenciones y más estudios de simulación para comprender mejor dónde se pueden generar la mayoría de los sesgos son clave para mejorar este importante campo de aplicación para la política pública.Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente, pero están disponibles a través del autor correspondiente a pedido razonable.Craig P, Katikireddi SV, Leyland A, Popham F. Experimentos naturales: una descripción general de métodos, enfoques y contribuciones a la investigación de intervenciones de salud pública.Anu Rev Salud Pública.2017;38:39–56.Dunning T. Experimentos naturales en las ciencias sociales: un enfoque basado en el diseño: Cambridge University Press;2012.Shadish WR, Cook TD, Campbell DT.Diseños experimentales y cuasiexperimentales para la inferencia causal generalizada Nueva York, EE. UU.: Houghton Mifflin Company;2002.Beard E, Marsden J, Brown J, Tombor I, Stapleton J, Michie S, et al.Comprensión y uso de análisis de series temporales en la investigación de adicciones.Adiccion.2019;114:1866–84.Bernal JL, Cummins S, Gasparrini A. Regresión de series de tiempo interrumpido para la evaluación de intervenciones de salud pública: un tutorial.Int J Epidemiol.2016;46:348–55.Dennis J, Ramsay T, Turgeon AF, Zarychanski R. Legislación sobre cascos e ingresos hospitalarios por lesiones en la cabeza relacionadas con el ciclismo en provincias y territorios canadienses: análisis de series de tiempo interrumpido.BMJ.2013;346:f2674.Hajat S, Gasparrini A. La medida del exceso de muertes en invierno: por qué su uso es engañoso para la comprensión de la salud pública de los impactos en la salud relacionados con el frío.Epidemiología (Cambridge, Mass).2016;27:486.Rehm J, Štelemėkas M, Ferreira-Borges C, Jiang H, Lange S, Neufeld M, et al.Clasificación de las políticas de control del alcohol con respecto a los cambios esperados en el consumo y el daño atribuible al alcohol: el ejemplo de Lituania, 2000-2019.Int J Environ Res Salud Pública.2021;18:2419.Wagenaar AC, Tobler AL, Komro KA.Efectos de las políticas de impuestos y precios del alcohol sobre la morbilidad y la mortalidad: una revisión sistemática.Am J Salud Pública.2010;100:2270–8.Holmes J, Meier PS, Booth A, Guo Y, Brennan A. La relación temporal entre el consumo de alcohol per cápita y el daño: una revisión sistemática de las especificaciones de lapso de tiempo en análisis de series temporales agregadas.Drogas Alcohol Depende.2012; 123:7–14.Departamento de Estadística de Lituania.Portal oficial de estadísticas.Población residente en Lituania a principios de año;2021.Štelemėkas M., Manthey J., Badaras R., Casswell S., Ferreira-Borges C., Kalėdienė R. et al.Medidas de política de control del alcohol y mortalidad por todas las causas en Lituania: un análisis de series de tiempo interrumpido, adicción (Abingdon, Inglaterra) 2021.Hastie TJ, Tibshirani RJ.Modelos aditivos generalizados.Boca Ratón: CRC Press;1990.Zhang F, Wagner AK, Ross-Degnan D. Cálculo de potencia basado en simulación para diseñar análisis de series de tiempo interrumpido de intervenciones de políticas de salud.J Clin Epidemiol.2011;64:1252–61.Neufeld M, Ferreira-Borges C, Gil A, Manthey J, Rehm J. La política sobre el alcohol ha salvado vidas en la Federación Rusa.Int J Política de Drogas.2020;80:102636.Tran A, Manthey J, Lange S, Jiang H, Štelemėkas M, Liutkutė-Gumarov V, et al.Las políticas de control del alcohol se suman a las tendencias seculares en las tasas de mortalidad por todas las causas en adultos jóvenes.Sci Rep. 2021;11:1–9.Kunitomo N, Yamamoto T. Propiedades de los predictores en modelos de series de tiempo autorregresivos mal especificados.J Am Stat Asociado.1985;80:941–50.Los autores desean agradecer a Astrid Otto por su ayuda con la edición de versiones anteriores del manuscrito.La investigación informada en esta publicación fue financiada por el Instituto Nacional sobre el Abuso del Alcohol y el Alcoholismo de los Institutos Nacionales de Salud (NIAAA).La subvención del NIAAA (Número de premio 1R01AA028224) apoyó la investigación en este documento; sin embargo, no desempeñó ningún papel en el diseño, la recopilación de datos, el análisis, la interpretación, la redacción o la decisión de enviar este artículo.Instituto para la Investigación de Políticas de Salud Mental, Centro para la Adicción y la Salud Mental (CAMH), 33 Ursula Franklin Street, Toronto, Ontario, M5S 2S1, CanadáHuan Jiang, Xinyang Feng, Shannon Lange, Alexander Tran y Jürgen RehmEscuela de Salud Pública Dalla Lana, Universidad de Toronto, 155 College Street, 6th Floor, Toronto, Ontario, M5T 3M7, CanadáHuan Jiang, Xinyang Feng y Jürgen RehmCampbell Family Mental Health Research Institute, CAMH, 250 College Street, Toronto, Ontario, M5T 1R8, CanadáShannon Lange y Jürgen RehmDepartamento de Psiquiatría, Universidad de Toronto, 250 College Street, 8th Floor, Toronto, Ontario, M5T 1R8, CanadáShannon Lange y Jürgen RehmDepartamento de Psiquiatría y Psicoterapia, Centro de Investigación Interdisciplinaria de Adicciones (ZIS), Centro Médico Universitario Hamburg-Eppendorf (UKE), Martinistraße 52, 20246, Hamburgo, AlemaniaJakob Manthey y Jürgen RehmInstituto de Psicología Clínica y Psicoterapia y Centro de Epidemiología Clínica y Estudios Longitudinales, Technische Universität Dresden, Chemnitzer Str.46, 01187, Dresde, AlemaniaJakob Manthey y Jürgen RehmDepartamento de Psiquiatría, Facultad de Medicina, Universidad de Leipzig, Semmelweisstraße 10, 04103, Leipzig, AlemaniaInstituto de Ciencias Médicas (IMS), Universidad de Toronto, Edificio de Ciencias Médicas, 1 King's College Circle, Room 2374, Toronto, Ontario, M5S 1A8, CanadáDepartamento de Proyectos de Salud Internacional, Instituto de Liderazgo y Gestión de la Salud, IM Sechenov Primera Universidad Médica Estatal de Moscú, Trubetskaya str., 8, b.2, Moscú, Federación Rusa, 119992También puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTambién puede buscar este autor en PubMed Google ScholarTodos los autores aprobaron la versión final de este manuscrito.No aplica.Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedItParte de la naturaleza de Springer.