Diseño del estudio de impacto poblacional: serie de tiempo interrumpida con análisis contrafactual y componente estacional de Fourier

2:53:06Es solamente porque hay stock, eso tendrías que evaluar. Tenemos, esto lo voy a presentar muy rápido, tres estudios. El estudio de impacto poblacional, que es un estudio que ya está

2:53:20publicado en un preprint, que actualmente está en revisión de la revista Vaccine. este es un estudio con un análisis contrafactual el estudio de efectividad de la inmunización que es un estudio de casos y controles de test negativo y

2:53:35otro que está hasta ahora comenzando que es un estudio de seguridad de la vacunación con una cohorte para hacer vigilancia activa entonces creo que se den cuenta que también este círculo virtuoso desde el diseño hasta

2:53:49la evaluación en una base iterativa Voy a mostrar los estudios muy rápido porque por tiempo, pero como les dije, este primero está publicado, este segundo ya estamos terminando el busbador para someter en un par de semanas y este tercero

2:54:02si hasta ahora está comenzando a recolectar resultados. Entonces, para nosotros, ¿por qué es importante ver el impacto poblacional? Porque la efectividad hay que evaluarla, pero ya sabemos que estas tecnologías son efectivas. Los estudios de

2:54:17cohorte, prospectiva, retrospectiva, los estudios de casos y controles de test negativo, ya muestran que estas tecnologías son efectivas. Y son efectivas en distintos grupos de riesgo. Los estudios de efectividad hay que

2:54:32presentarlos, hay que realizarlos. De todas maneras, hay subpoblaciones que hay que evaluarlas. Es bueno en las reproducibilidades de resultados, pero probablemente los resultados de efectividad no nos va a arrojar algo muy distinto

2:54:45a la literatura. El impacto poblacional nos permite evaluar cuánto a nivel agregado poblacional esto cambia y

2:54:59es función de dos cosas, la cobertura y la efectividad. De nada sirve incorporar una estrategia efectiva si no hay cobertura. Entonces son dos cosas que necesitamos. Este es el preprint, está publicado, le pueden

2:55:16escanear y pueden visitar el preprint. Siguiente, voy muy rápido, lo hicimos con datos desde 2023, datos de semana epidemiológica con tres desenlaces, consulta externa,

2:55:30hospitalizaciones y hospitalizaciones en UCI en niños menores de 5 años por IRAC, Por iras realmente, utilizando los conteos semanales, es un diseño ecológico con un análisis de serie de sintesas rompidas,

2:55:45cuyo objetivo pueden ver acá en la diapositiva siguiente. Esto me encantaría explicarlo, pero básicamente lo que hicimos fue, para los que son epidemiólogos, modelar el valor esperado, el número de hospitalizaciones de cada

2:55:59desenlace, hospitalizaciones, hospitalizaciones en UCI y atenciones. por ira en general, semanales, en función del tiempo, en función de

2:56:12la implementación de las estrategias, que realmente es una regresión segmentada con un antes y después, y como todos sabemos, la principal razón por la que cambia entre semana y semana el número de ira es la estacionalidad, entonces esto tiene un

2:56:25componente de ondas de Fourier que permite incorporar a la varianza explicada, la varianza explicada por el comportamiento estacional. O sea, no es un modelo lineal y esa parte, la parte más larga con los senos y los cosenos, es

2:56:40el componente de Fourier, que es el que incorpora el comportamiento estacional que tiene todos los años. Y básicamente, este es un modelo para los que saben estadística binomial negativo, porque el número de hospitalizaciones es

2:56:54una variable de conteo, sobre dispersa donde la varianza es mayor que la media, etc. Y como ponen en los artículos, todos los supuestos fueron verificados, etc. Sigamos, pero veámosla, bueno, aquí está bien explicado cómo lo hicimos,

2:57:08cuáles fueron los puntos de corte que consideramos, este tipo de estrategias de impacto poblacional han sido utilizadas por la incorporación de vacunas desde siempre, y claramente tiene la limitación que no me permite separar los efectos de

2:57:23las intervenciones fácilmente, y claramente pues están susceptibles a fuentes de sesgo, pero en ausencia de lo que se llama causas competitivas, es razonable pensar que dado que no hay una

2:57:38estrategia específica nueva para virus sincitiales respiratorios que se haya implementado desde el año pasado, es razonable suponer, más allá del azar que no desaparece, que cualquier cambio observado por la serie a tiempo, sería principalmente observado por esto.

2:57:54Recuerden que causalidad, una de las cosas que no puedo hablar es causas competitivas. Entonces alguien podría decir, ¿ese cambio podría ser por azar? Sí, o sea, siendo totalmente honestos, sí, pero ¿cuál es la probabilidad que se haya pasado por azar

2:58:06de un mes para otro? Y hay otra explicación razonable que se haya pasado, ¿hay una causa competitiva? No, y eso lo vamos a ver ahorita. Siguiente. Y claramente esto me permite estimar, hicimos un contrafactual

2:58:22que es lo que se llama una serie de tiempo sintética, que es estimar la serie de tiempos si no hubiéramos hecho nada, a partir del comportamiento histórico, la distancia entre lo observado y lo esperado es el impacto poblacional.

2:58:36Y eso, pues tuvieron un montón de análisis de sensibilidad, donde movimos varios parámetros para ganar robustez del análisis. Esto permitió en primera instancia