El análisis de series temporales interrumpidas es un diseño cuasiexperimental utilizado para evaluar la efectividad de una intervención. Los modelos de regresión lineal segmentada han sido los modelos más utilizados para llevar a cabo este análisis. Sin embargo, asumen una tendencia lineal que puede no ser apropiada en muchas situaciones. En este documento, mostramos cómo los modelos aditivos generalizados (GAM), un método de regresión no paramétrico, pueden ser útiles para acomodar tendencias no lineales. Se realiza un análisis con datos simulados para evaluar el rendimiento de ambos modelos. Los datos fueron simulados a partir de funciones lineales y no lineales (cuadráticas y cúbicas). Los resultados de este análisis muestran cómo los GAM mejoran los modelos de regresión lineal segmentada cuando la tendencia es no lineal, pero también muestran un buen rendimiento cuando la tendencia es lineal. También se analiza una aplicación en la vida real donde se examina el impacto de las reformas de copago españolas de 2012 en la prescripción farmacéutica. La estacionalidad y una variable indicadora del efecto de acopio se incluyen como variables explicativas. El modelo de regresión lineal segmentada muestra un buen ajuste de los datos. Sin embargo, el GAM concluye que se rechaza la hipótesis de tendencia lineal. El cambio de nivel estimado es similar para ambos modelos, pero el efecto absoluto acumulativo en el número de prescripciones es menor en el GAM.