Introdução: A modelagem econômica em oncologia frequentemente enfrenta dificuldades na estimativa de benefícios clínicos como sobrevida global (OS) e sobrevida livre de progressão (PFS), especialmente em ensaios de curta duração, envolvendo a extrapolação de curvas de sobrevida. Este estudo analisa os métodos utilizados pelo Comitê Nacional de Incorporação de Tecnologias no Sistema Único de Saúde (CONITEC) na Avaliação de Tecnologias em Saúde (ATS) para adaptar modelos econômicos às necessidades em evolução do sistema de saúde. Métodos Foi realizada uma análise descritiva das avaliações econômicas presentes nos relatórios de recomendação da CONITEC sobre medicamentos oncológicos publicados entre janeiro de 2019 e dezembro de 2023. Três revisores independentes extraíram dados sobre desfechos, distribuições de curvas de sobrevida, métodos de validação e horizontes temporais. O estudo foca na identificação de padrões nas práticas de modelagem e explora se esses métodos se integram ao escopo em expansão da ATS, incluindo o uso de fontes de dados não tradicionais e técnicas adaptativas. Resultados Foram analisados 30 relatórios da Conitec, avaliando 32 tratamentos oncológicos em 45 indicações. Os modelos econômicos mais comuns foram a Análise de Sobrevida Particionada (PartSA) (58%) e os modelos de Markov (33%). A distribuição Weibull foi a mais frequente nas extrapolações de sobrevida global (50% para PartSA e 84% para modelos de Markov). Para a sobrevida livre de progressão, observou-se preferência pela distribuição Exponencial no PartSA (35%) e Weibull nos modelos de Markov (54%). Métodos de validação dos modelos foram relatados em 69% dos modelos de Markov e em 100% dos modelos PartSA. Os horizontes de extrapolação variaram de 10 anos (75% dos modelos) a 30 anos (31%). Conclusões A análise destaca a dependência de modelos tradicionais, como PartSA e Markov, para modelar a progressão do câncer a longo prazo. No entanto, esses modelos podem não capturar totalmente a complexidade dos tratamentos. Métodos emergentes e a integração de diversas fontes de dados, como dados do mundo real, são essenciais para aprimorar a relevância da ATS e atender às demandas em evolução dos sistemas de saúde e das evidências de próxima geração.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
lntroduction: Oncology economic modeling often struggles with estimating clinicai benefits like overall survival (OS) and progression-free survival (PFS), especially with short-duration triais, involving extrapolating survival curves. This study analyzes methods used by the Brazilian National Committee for the lncorporation of Health Technologies in the Unified Health System (CONITEC) in Health Technology Assessment (HTA) to adapt economic models to evolving healthcare needs. Methods A descriptive analysis was conducted on the economic evaluations from CONITEC's recommendation reports on oncology drugs published between January 2019 and December 2023. Three independent reviewers extracted data on outcomes, survival curve distributions, validation methods, and time horizons. The study focuses on identifying patterns in modeling practices and explores if these methods integrate with the expanding scope of HTA, including the use of non-traditional data sources and adaptive techniques. Results Thirty Conitec reports were analyzed, evaluating 32 oncology treatments across 45 indications. The most common economic models were Partitioned Survival Analysis (PartSA) (58%) and Markov models (33%). The Weibull distribution was the most frequent in OS extrapolations (50% for PartSA, 84% for Markov). PFS extrapolations showed a preference for Exponential distribution in PartSA (35%) and Weibull in Markov models (54%). Methods for model validation were reported in 69% of Markov models and 100% of PartSA models. Extrapolation horizons ranged from 10 years (75% of models) to 30 years (31%). Conclusions The analysis highlights the reliance on traditional models, such as PartSA and Markov, for modeling long-term cancer progression. However, these models may not fully capture treatment complexity. Emerging methods and the integration of diverse data sources, such as real-world data, are vital for improving HTA relevance and addressing the evolving demands of healthcare systems and next-generation evidence.
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
