📊 statistics

Causal inference for N-of-1 trials

Este artículo establece un marco formal de inferencia causal para los ensayos N-de-1 mediante la definición de un efecto de tratamiento promedio condicional específico de la unidad (U-CATE) y demostrando cómo identificarlo y estimarlo utilizando diferencias de medias simples o la fórmula-g variante en el tiempo, dependiendo de la complejidad de factores como los efectos de arrastre y los confundidores variantes en el tiempo.

Autores originales: Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

Publicado 2026-08-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de descubrir qué mando de videojuegos te hace jugar mejor. Podrías preguntar a otros mil jugadores qué les gusta, pero eso es como preguntar a una multitud qué piensa de un sabor específico de helado; te dice algo sobre la persona promedio, no sobre tu gusto específico. Este es el corazón de la "medicina personalizada": la idea de que lo que funciona para el paciente "promedio" podría no funcionar para ti. Para resolver esto, los científicos utilizan un tipo especial de experimento llamado ensayo N-de-1. Piensa en ello como un "test A/B" científico para una sola persona. En lugar de comparar dos grupos de personas, comparas dos versiones de ti mismo a lo largo del tiempo: una semana tomas la medicina, la siguiente semana tomas un placebo, y alternas de un lado a otro. El objetivo es ver cuál de las dos realmente te hace sentir mejor, filtrando el ruido de la vida cotidiana.

Sin embargo, el hecho de que alternes de un lado a otro no significa que las matemáticas sean fáciles. Tu cuerpo no es un lienzo en blanco; tiene ritmos, hábitos y memorias. Si tomas una pastilla el lunes, ¿seguirá funcionando el miércoles? Si te sientes mal un martes lluvioso, ¿es por el clima o por la pastilla? Aquí es donde entra la inferencia causal. Es la rama de la ciencia que intenta responder a la pregunta: "¿Esto causó aquello?" en lugar de simplemente "¿Ocurrieron al mismo tiempo?". Durante años, la gente ha debatido cómo analizar estos ensayos de una sola persona. Algunos pensaban que aleatorizar el esquema era suficiente para arreglarlo todo, mientras que otros temían que el orden de los eventos o el paso del tiempo pudieran engañar los resultados. La gran pregunta ha sido: ¿Cómo obtenemos una respuesta clara y honesta sobre lo que le funciona a una persona específica, incluso cuando su cuerpo es desordenado y complicado?

Este artículo interviene para poner cierto orden a este caos. Los autores, un equipo de científicos de datos y matemáticos, construyeron un "libro de reglas" formal para los ensayos N-de-1 utilizando el lenguaje de la inferencia causal. No se limitaron a adivinar; crearon un marco matemático que trata los datos de una sola persona como un universo diminuto y autocontenido. Definen un objetivo específico llamado U-CATE (que suena a un robot sofisticado, pero solo significa el "efecto promedio para esta persona específica"). Demuestran que si las reglas del juego son simples —es decir, que la medicina se disipa rápidamente y no deja un "efecto fantasma" persistente—, las matemáticas son sencillas. Simplemente puedes promediar los "días buenos" y los "días malos" para encontrar la respuesta.

Pero los autores saben que la vida real no es sencilla. Abordan los escenarios desordenados donde la medicina puede tener un efecto de "arrastre" (como una resaca de una pastilla que dura más que la dosis), donde tu estado de ánimo puede tender al alza o a la baja con el tiempo, o donde la reacción de tu cuerpo a la pastilla depende de lo que sucedió ayer. En estas situaciones complejas, demuestran que un promedio simple no es suficiente. En su lugar, proponen utilizar una herramienta matemática sofisticada llamada fórmula-g. Piensa en esto como un motor de simulación de viajes en el tiempo. Toma todos los datos que tienes —tu temperatura, la hora del día, tus síntomas y el historial del tratamiento— y ejecuta una simulación virtual para preguntar: "¿Qué habría pasado si hubieras tomado la pastilla cada vez?" frente a "¿Qué pasaría si nunca la hubieras tomado?".

El artículo demuestra que, bajo ciertas condiciones, este motor de simulación puede identificar con precisión el verdadero efecto de un tratamiento para un solo individuo, incluso cuando los datos son ruidosos y los efectos perduran. Probaron estas ideas con datos reales de personas que rastreaban sus síntomas de acné. En un caso, un promedio simple funcionó bien. En otro, donde la reacción de la piel parecía depender de la hora del día y la temperatura, tuvieron que usar su compleja herramienta de simulación. ¿El resultado? Descubrieron que el gel para el acné funcionaba de maravilla para una persona, pero no parecía ayudar a otra, resaltando exactamente por qué necesitamos estos métodos personalizados. Los autores también aclaran una confusión común: si bien aleatorizar el orden de los tratamientos es útil, no es una varita mágica que lo arregla todo si la biología subyacente es compleja. Todamente necesitas las matemáticas correctas para interpretar los resultados.

En última instancia, este artículo no solo dice que "los ensayos N-de-1 son geniales"; proporciona a los científicos las instrucciones precisas sobre cómo leer los resultados sin dejarse engañar por las peculiaridades de la biología humana. Demuestra que, con las suposiciones adecuadas y las herramientas correctas, podemos ir más allá de adivinar qué le funciona a la persona "promedio" y finalmente saber qué te funciona a ti.

Resumen Técnico: Inferencia Causal para Ensayos N-de-1

Planteamiento del Problema

El enfoque convencional de la inferencia causal en los ensayos controlados aleatorizados (ECA) se centra en estimar el efecto causal promedio dentro de una población. Sin embargo, el auge de la medicina personalizada ha puesto de relieve las limitaciones de este enfoque, ya que los individuos suelen exhibir respuestas heterogéneas a los tratamientos, poseen preferencias únicas o pueden no cumplir con los criterios de elegibilidad de los ECA existentes a nivel poblacional. Los ensayos N-de-1, definidos como ensayos de cruce intra-sujeto donde un solo individuo recibe tratamiento y control en periodos secuenciales, ofrecen una solución potencial para identificar efectos causales específicos de cada individuo.

A pesar de su atractivo intuitivo, el análisis y la interpretación de los ensayos N-de-1 siguen siendo metodológicamente complejos. Persiste la confusión respecto al papel de la aleatorización, el manejo de la confusión (específicamente la autocorrelación y los efectos de arrastre o carryover) y los estimandos causales apropiados. La literatura previa ha ofrecido visiones contradictorias: algunos afirman que la aleatorización elimina la necesidad de métodos de inferencia causal, mientras que otros argumentan que la autocorrelación y el efecto de arrastre deben tenerse en cuenta incluso en diseños aleatorizados. Este artículo aborda la necesidad de un marco formal de inferencia causal para fundamentar las afirmaciones intuitivas, definir estimandos precisos y establecer estrategias de identificación y estimación para ensayos N-de-1 individuales.

Metodología

Marco y Notación

Los autores adoptan un marco formal de inferencia causal basado en modelos causales estructurales (SCM) y razonamiento contrafáctico. Definen un ensayo N-de-1 como un estudio donde se asigna un esquema de tratamiento $Z$ al inicio y este se repite cíclmente a lo largo del tiempo. El estado del tratamiento $A_k$ en el tiempo $k$ es una función determinista de $Z$ . El análisis se centra en un solo individuo, conceptualizado como una muestra de una superpoblación casi infinita, lo que permite la definición de efectos causales específicos del individuo.

Modelos Causales

El artículo desarrolla dos modelos causales principales:

El Escenario Básico:
- Supuestos: El resultado $Y_k$ es generado por una ecuación estructural $Y_k = f^Y(A_k, U, \epsilon_k)$ , donde $U$ representa características individuales no medidas (covariables basales) y $\epsilon_k$ es el ruido variable en el tiempo.
- Restricciones Clave: El modelo asume la ausencia de efectos de arrastre (el tratamiento en el tiempo $k$ no afecta los resultados en $k' > k$ ), ausencia de efectos de resultado-resultado, y ausencia de causas comunes del resultado que varían en el tiempo cuya distribución cambie con el tiempo.
- Estacionariedad: Asume una estacionariedad condicional fuerte: la distribución de los resultados contrafácticos es constante en el tiempo dado $U$ .
El Modelo Causal Relajado:
- Motivación: Para abordar las amenazas a la estacionariedad comunes en entornos clínicos, tales como los efectos de arrastre, la autocorrelación y las tendencias temporales.
- Estructura: Este modelo introduce una covariable variante en el tiempo $L_k$ (por ejemplo, factores ambientales, estados fisiológicos) que puede estar afectada por el tratamiento previo, resultados previos y estados previos de la covariable. El resultado $Y_k$ depende de $A_k$ , $Y_{k-1}$ , $L_k$ , $L_{k-1}$ y variables individuales $U$ .
- Supuestos: Aunque se relaja la estacionariedad fuerte, el modelo impone restricciones de regularidad: las formas funcionales que generan $L_k$ y $Y_k$ no cambian con el tiempo, y las distribuciones de ruido permanecen estacionarias. Permite efectos de arrastre directos e indirectos y dependencias de resultado-resultado.

Identificación y Estimación

Estimando Objetivo: El artículo define el U-CATE (Efecto de Tratamiento Promedio Condicional dado $U$ ) como el estimando principal. Este representa el contraste entre el resultado contrafáctico esperado bajo una estrategia de "siempre tratado" frente a una estrategia de "nunca tratado" para un individuo específico.
Estimación del Escenario Básico: Bajo el modelo básico, el U-CATE se identifica mediante la simple diferencia de medias de los resultados observados durante los periodos de tratamiento y de control. Los autores demuestran que esta simple diferencia es un estimador insesgado y asintóticamente normal.
Estimación del Modelo Relajado: Bajo el modelo relajado, las simples diferencias de medias están sesgadas debido al efecto de arrastre y las tendencias temporales. Los autores muestran que el U-CATE puede identificarse utilizando una fórmula-g longitudinal. Esto requiere estimar las distribuciones condicionales del resultado y las covariables dados sus causas directas (por ejemplo, $P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$ ).
Papel de la Aleatorización: Los autores argumentan que la aleatorización del esquema de tratamiento no es estrictamente necesaria para la identificación en estos entornos porque la inferencia es condicional a las características del individuo ( $U$ ) y al esquema específico ( $Z$ ). La aleatorización sirve primordialmente para asegurar la intercambiabilidad si se desea realizar inferencias marginales sobre diferentes puntos en el tiempo o diferentes esquemas, pero el núcleo de la inferencia individual específica depende de los supuestos estructurales y las condiciones de estacionariedad.

Resultados Clave

Formalización de la Inferencia N-de-1: El artículo formaliza con éxito los ensayos N-de-1 dentro de un marco de superpoblación, definiendo el U-CATE como un efecto causal riguroso específico de cada individuo.
Validez de Estimadores Simples: En el "escenario básico" (sin efectos de arrastre ni tendencias temporales), una simple diferencia de medias no pareadas es un estimador válido e insesgado para el U-CATE. Esto proporciona la justificación teórica para el uso de pruebas t simples en contextos específicos de N-de-1.
Identificación bajo Complejidad: En entornos más realistas que involucran efectos de arrastre, autocorrelación y confundidores variantes en el tiempo, el artículo demuestra que el U-CATE sigue siendo identificable mediante la fórmula-g, siempre que se cumplan ciertas condiciones de estacionariedad y se disponga de datos suficientes (ciclos repetidos).
Aplicación de Datos: Los autores aplicaron sus métodos a datos públicos de dos ensayos N-de-1 relativos a la severidad del acné.
- Bajo el modelo básico, un participante mostró un efecto de tratamiento significativo, mientras que el otro no.
- Bajo el modelo relajado (considerando la hora del día, la temperatura y el posible efecto de arrastre), el algoritmo de computación-g confirmó un efecto de tratamiento favorable para el segundo participante, pero no encontró evidencia de un efecto para el primero.
- Esta aplicación ilustra cómo diferentes supuestos sobre el proceso generador de datos conducen a diferentes estrategias analíticas y resultados, enfatizando la importancia de la especificación del modelo.

Significación y Reivindicaciones

El artículo afirma proporcionar una base teórica necesaria para el análisis de los ensayos N-de-1, yendo más allá de los enfoques estadísticos ad hoc. Al fundamentar estos ensayos en un marco causal formal, los autores pretenden:

Clarificar malentendidos sobre la necesidad de la aleatorización y el manejo de la confusión en diseños de sujeto único.
Justificar el uso de estimadores simples en escenarios bien definidos.
Proporcionar una vía rigurosa (vía la fórmula-g) para analizar ensayos N-de-1 complejos donde existen efectos de arrastre y tendencias temporales.
Destacar que, si bien los resultados de un solo ensayo N-de-1 son específicos del individuo (limitada generalizabilidad), agregar una serie de ensayos N-de-1 puede producir estimaciones eficientes de los efectos de tratamiento promedio a nivel poblacional bajo supuestos específicos (por ejemplo, ausencia de modificación del efecto por $U$ ).

Los autores mantienen una postura modesta, reconociendo que la validez de sus resultados depende fuertmente de la plausibilidad de los supuestos causales subyacentes (por ejemplo, la estacionariedad, la correcta especificación del modelo). Señalan que, aunque el marco permite la identificación de efectos individuales, la transportabilidad de estos resultados a futuros puntos en el tiempo u otros individuos sigue siendo un desafío inherente a la naturaleza de la medicina personalizada.