Nuevo método bayesiano transforma el diseño de ensayos clínicos

En el desarrollo de medicamentos, uno de los principales objetivos es demostrar que un nuevo fármaco funciona bien y es seguro para los pacientes. Para alcanzar este objetivo, los investigadores llevan a cabo ensayos clínicos aleatorios (RCTs). Estos ensayos se consideran el mejor método para probar medicamentos. Dado que no es posible incluir a todos los pacientes con una cierta enfermedad en un estudio, los investigadores seleccionan un grupo aleatorio de pacientes para participar. El tamaño de este grupo es importante porque muestras más grandes suelen dar resultados más fiables, pero también cuestan más dinero para gestionar. Así, los investigadores necesitan encontrar el equilibrio adecuado entre conseguir suficientes pacientes para que sus hallazgos sean fiables y mantener los costos manejables.

Este artículo presenta una nueva forma de calcular el tamaño de la muestra usando un enfoque bayesiano, que es un método de análisis estadístico que incorpora conocimientos previos o creencias junto con los datos del estudio actual. Este nuevo método se llama Estimador Bayesiano del Tamaño de la Muestra (BESS) y es particularmente útil en Oncología, que trata con tratamientos contra el cáncer. Este enfoque considera no solo el tamaño de la muestra, sino también la evidencia de los datos recogidos y la Confianza en los resultados que se producirán.

#Estimación del Tamaño de la Muestra

Antes de comenzar un ensayo clínico, los investigadores deben decidir cuántos pacientes incluir en el estudio. Esta decisión se conoce como estimación del tamaño de la muestra (SSE). Los métodos tradicionales se basan en estadísticas frecuentistas, que a menudo utilizan parámetros fijos asumidos como verdaderos para la población estudiada. Sin embargo, el método BESS toma un camino diferente. En lugar de asumir valores fijos, BESS se centra en lo que se puede observar a partir de los datos actuales.

En oncología, los investigadores están cada vez más interesados en entender cómo diferentes dosis de un medicamento afectan a los pacientes. A diferencia de los enfoques tradicionales, donde siempre se asume que una dosis más alta es más efectiva, los tratamientos modernos contra el cáncer a menudo muestran una relación más compleja entre la dosis y la efectividad. Los nuevos tratamientos pueden llegar a un punto en el que aumentar la dosis no mejora los resultados o incluso puede reducir la efectividad. Como resultado, el método BESS puede ayudar a los investigadores a averiguar las mejores dosis para usar, cuántos pacientes se necesitan y cuáles pueden ser los resultados esperados.

#El Marco BESS

El marco BESS se basa en tres ideas clave: Tamaño de muestra, evidencia y confianza.

1. Tamaño de Muestra: Se refiere al número de pacientes necesarios en el estudio.
2. Evidencia: La fuerza del efecto del tratamiento basado en los datos recogidos del ensayo.
3. Confianza: La probabilidad de que el tratamiento sea efectivo basándose en la evidencia recopilada.

El enfoque BESS busca equilibrar estos tres pilares. Utiliza información de estudios anteriores, opiniones de expertos o incluso datos preliminares para ayudar a informar el diseño del estudio actual.

#Métodos Tradicionales vs. Bayesianos

Los métodos estándar para determinar el tamaño de la muestra suelen centrarse en identificar cuán probable es llegar a conclusiones erróneas (errores tipo I y II). Un enfoque frecuentista típico requiere conocer parámetros verdaderos para los cálculos. Sin embargo, BESS se diferencia de esto porque utiliza probabilidades posteriores. Esto significa que considera cuán probable es la hipótesis alternativa (una afirmación de que el tratamiento funciona) basada en los datos observados.

El cambio en la forma de pensar permite que BESS ofrezca una interpretación más clara de los resultados. En lugar de simplemente afirmar que se necesita un cierto tamaño de muestra para alcanzar un nivel de confianza específico, BESS vincula ese tamaño de muestra directamente a la evidencia observada en el ensayo.

#Comparación de BESS y Métodos Estándar

Para ilustrar la efectividad de BESS, los investigadores pueden comparar los tamaños de muestra obtenidos a través de este nuevo método bayesiano con los adquiridos utilizando enfoques frecuentistas tradicionales. Al realizar simulaciones, pueden ver cómo funcionan ambos métodos en condiciones similares.

Según simulaciones realizadas para ensayos de dos brazos (estudios que comparan dos tratamientos diferentes), BESS produjo tamaños de muestra similares a los métodos frecuentistas estándar, incluso con cálculos diferentes. Esto sugiere que BESS es una alternativa práctica y confiable.

#Aplicación en el Mundo Real: Ensayos Oncológicos

Para proporcionar un ejemplo práctico, veamos BESS en acción durante un ensayo aleatorio que compara dos dosis diferentes de un tratamiento contra el cáncer. En los ensayos oncológicos, los investigadores a menudo quieren determinar si una dosis más baja de un medicamento es tan efectiva como la dosis más alta. Pueden establecer objetivos específicos sobre lo que consideran un efecto clínicamente importante.

Usando BESS, los investigadores pueden afirmar: "Si observamos cierta evidencia de nuestros datos, necesitaremos un número específico de pacientes para declarar con confianza que la dosis más baja no es peor que la dosis más alta." Este tipo de declaración es mucho más clara y le da al equipo de investigación una mejor comprensión de lo que significa en la práctica.

#El Papel de la Evidencia

La evidencia es crucial en el marco BESS. Los investigadores deben evaluar el efecto esperado del tratamiento basado en estudios previos u otra información relevante antes de comenzar el ensayo. Necesitan definir esta evidencia y determinar cómo influirá en sus cálculos del tamaño de la muestra.

Por ejemplo, si los investigadores esperan que un tratamiento muestre un tamaño de efecto de 0.05, deberían incluir esto en sus cálculos al determinar el tamaño de la muestra. El método BESS calcula cuántos participantes necesitarán para lograr confianza en sus hallazgos basándose en esta evidencia.

#Niveles de Confianza

La confianza en el enfoque BESS se refiere a la probabilidad de que la hipótesis del tratamiento sea correcta según la evidencia recopilada durante el ensayo. El nivel de confianza generalmente se establecerá alto para asegurar que los investigadores estén razonablemente seguros sobre sus conclusiones antes de decidir sobre los hallazgos.

Cuando los investigadores mencionan alta confianza en sus resultados, indican que la evidencia respalda firmemente la afirmación de que el tratamiento funciona o es efectivo en comparación con un grupo de control.

#Diseños Adaptativos

Otra aplicación interesante de BESS es en los diseños de ensayos adaptativos. Estos diseños permiten a los investigadores hacer cambios en el estudio basándose en resultados interinos, lo que puede ayudar a optimizar el ensayo a medida que avanza.

Por ejemplo, si los primeros resultados muestran que una dosis más baja está funcionando bien, los investigadores podrían querer ajustar el número de pacientes que reciben la dosis más baja o detener el ensayo anticipadamente si los resultados son prometedores. En BESS, estos ajustes se pueden realizar fácilmente recalibrando el tamaño de la muestra basándose en la evidencia observada hasta ese momento.

#Comparación de Diseños

Se pueden comparar varios diseños de ensayo al utilizar BESS, incluyendo:

1. BESS con Reestimación del Tamaño de la Muestra: Este diseño permite ajustes en el tamaño de la muestra a medida que el ensayo avanza.
2. Métodos Estándar: Estos dependen de tamaños de muestra fijos establecidos antes de que comience el ensayo y no permiten ajustes basados en resultados tempranos.

Al comparar los diferentes diseños, los investigadores pueden tener una idea de cuán receptivo es el enfoque BESS en comparación con los métodos tradicionales. Estas comparaciones ayudan a comprender las fortalezas y debilidades de cada diseño para lograr resultados fiables en el ensayo.

#Conclusión

En conclusión, el Estimador Bayesiano del Tamaño de la Muestra (BESS) presenta una nueva forma de pensar sobre la estimación del tamaño de la muestra en ensayos clínicos, especialmente en oncología. Al centrarse en las relaciones entre el tamaño de la muestra, la evidencia y la confianza, BESS ofrece más claridad y flexibilidad que los métodos frecuentistas tradicionales.

Los investigadores pueden entender mejor las implicaciones de sus estimaciones de tamaño de muestra y tomar decisiones más informadas a lo largo del proceso del ensayo. A medida que el desarrollo de medicamentos continúa evolucionando, métodos como BESS serán cada vez más importantes para optimizar los diseños de ensayos y mejorar los resultados para los pacientes.

Con las mejoras continuas en los métodos estadísticos y la integración de conocimientos previos, el futuro del diseño de ensayos clínicos se ve prometedor, proporcionando mejores herramientas para que los investigadores obtengan conocimientos significativos de sus estudios y, en última instancia, conduciendo al desarrollo de tratamientos efectivos.