Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

Este artículo propone un marco sistemático para desarrollar variables de adaptación basadas en evidencia causal, destacando que aunque los datos observacionales secundarios pueden utilizarse, los ensayos aleatorizados diseñados específicamente para la optimización ofrecen la evidencia más directa para determinar qué medir, cuándo y con qué umbrales en las intervenciones adaptativas.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para diseñar un "GPS de la salud".

En lugar de tratar a todos los pacientes de la misma manera (como un autobús que para en todas las paradas), las intervenciones adaptativas son como un conductor de taxi inteligente. Este conductor observa al pasajero en tiempo real y decide: "¿Necesitas que aceleremos? ¿Deberíamos tomar un atajo? ¿O quizás necesitas un cambio de ruta completo?".

Para que este "taxi" funcione, necesita saber cuándo cambiar de estrategia y cómo saber que el pasajero no está mejorando. A estas señales las llaman variables de personalización.

Aquí te explico los puntos clave del artículo usando analogías sencillas:

1. El problema: ¿Cómo sabemos cuándo cambiar de ruta?

Imagina que estás en un tratamiento para dejar de fumar (o usar cannabis, como en el ejemplo del artículo). Empiezas con una aplicación en el celular.

• La pregunta difícil: ¿Cuándo debemos decirte: "Oye, la app no te está funcionando, vamos a llamarte un coach humano para ayudarte"?
• Las 4 piezas del rompecabezas: Para tomar esa decisión, los científicos necesitan definir cuatro cosas:
  1. ¿Qué miramos? (¿Cuántas veces usaste la app? ¿Cuántas veces fumaste?).
  2. ¿Cuándo lo miramos? (¿Después de 2 semanas o después de 4?).
  3. ¿Cuándo decidimos? (¿En el momento en que miramos los datos o esperamos un poco más?).
  4. ¿Cuál es el límite? (¿Si usas la app menos de 1 vez a la semana es malo? ¿O menos de 2 veces?).

2. Dos formas de encontrar la respuesta: "Mirar atrás" vs. "Hacer un experimento"

Los autores comparan dos métodos para descubrir cuál es la mejor regla para cambiar de ruta:

A. Analizar datos antiguos (La "Búsqueda en el Archivo")

Imagina que un investigador toma los registros de 1,000 personas que usaron la app hace años, pero nunca les ofrecieron al coach humano.

• El truco: El investigador dice: "Voy a ver quiénes usaron la app poco y quiénes mucho, y veré quién terminó mejor".
• El problema: Esto es como intentar predecir el clima de mañana mirando solo el cielo de ayer. Te dice qué pasó, pero no te dice qué habría pasado si hubieras ofrecido el coach.
  • Analogía: Si decides ofrecer el coach a cualquiera que use la app menos de 2 veces, podrías estar gastando dinero en gente que no lo necesitaba. Si lo ofreces solo a los que usan menos de 1 vez, podrías estar ignorando a alguien que sí lo necesitaba. Los datos antiguos no te dicen cuál es el equilibrio perfecto.

B. El Experimento de Optimización (La "Prueba de Fuego")

Aquí es donde entra la magia del artículo. En lugar de adivinar, los autores proponen diseñar un experimento nuevo donde se prueban las reglas directamente.

• Cómo funciona: Imagina que reclutas a 1,000 personas y las divides en grupos al azar:
  • Grupo A: Si usan la app menos de 2 veces, les damos el coach.
  • Grupo B: Si usan la app menos de 1 vez, les damos el coach.
  • Grupo C: Les damos el coach a los que usan menos de 2 veces, pero solo si decidimos en la semana 2.
  • Grupo D: Les damos el coach a los que usan menos de 2 veces, pero decidimos en la semana 4.
• El resultado: Al final, comparamos quién tuvo mejores resultados. ¡No tenemos que adivinar! Sabemos exactamente qué regla funciona mejor.

3. Las herramientas del "Ingeniero de Intervenciones"

El artículo menciona diseños experimentales especiales (como los SMART o ensayos factoriales) que son como cajas de herramientas avanzadas.

• En lugar de hacer un solo experimento para cada pregunta, estos diseños permiten probar varias preguntas a la vez (¿Qué variable? ¿Qué límite? ¿Qué momento?) de forma eficiente.
• Es como si en lugar de probar un solo sabor de helado a la vez, pudieras probar una combinación de sabores, temperaturas y toppings en una sola degustación para ver cuál es el mejor postre.

4. El equilibrio entre "Precisión" y "Rapidez"

El artículo habla de un dilema importante:

• Esperar más tiempo: Si esperas hasta la semana 4 para decidir, tienes más datos y eres más preciso (como esperar a que la sopa hierva antes de probarla). Pero el paciente podría haberse aburrido o desanimado en el camino.
• Actuar rápido: Si decides en la semana 2, el paciente recibe ayuda pronto, pero quizás te equivocas porque los datos aún no son claros.
• La solución: Hay que encontrar el "punto de inflexión" (el momento justo) donde tienes suficiente información para actuar sin esperar demasiado.

Conclusión en una frase

Este artículo nos dice que para crear tratamientos de salud inteligentes que se adapten a cada persona, no basta con mirar datos del pasado; necesitamos experimentar activamente para descubrir las reglas exactas (qué medir, cuándo y con qué límite) que salvan más vidas y gastan menos recursos.

En resumen: No adivines la receta del éxito; ¡haz una prueba de cocina con diferentes ingredientes y tiempos para ver cuál es el plato perfecto!

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados.

Título: Construcción de Variables de Adaptación Basadas en Evidencia para Intervenciones Adaptativas

Autores: John J. Dziak, Ph.D. e Inbal Nahum-Shani, Ph.D.

---

1. El Problema

Las intervenciones adaptativas (ADIs) son protocolos diseñados para modificar el tipo, cantidad, modalidad o momento de un tratamiento basándose en información continua sobre el individuo, con el objetivo de maximizar la eficacia y minimizar costos y cargas. Un componente crítico de estas intervenciones son las variables de adaptación (o tailoring variables), que son la información utilizada para tomar decisiones sobre si, cuándo y cómo ofrecer un tratamiento (por ejemplo, un tratamiento de "rescate" para no respondedores).

Sin embargo, existe una falta de orientación específica en la literatura sobre cómo elegir empíricamente los componentes de estas variables de adaptación, específicamente:

• Qué medir: ¿Qué variable observada utilizar?
• Cuándo medir: ¿En qué momento de la intervención?
• Cuándo decidir: ¿En qué momento se utiliza la medida para tomar la decisión?
• Criterios de corte (Cutoffs): ¿Qué umbrales definen a un "respondedor" frente a un "no respondedor"?

Estas preguntas son causales y prescriptivas (qué hacer y cuándo), no meramente predictivas. Los investigadores a menudo enfrentan compensaciones (trade-offs) entre sensibilidad y especificidad, y entre esperar para obtener suficiente información versus intervenir rápidamente. La elección incorrecta puede llevar a ofrecer tratamientos costosos a quienes no los necesitan o a no ofrecerlos a quienes sí los necesitan.

2. Metodología

Los autores proponen un marco conceptual para desarrollar sistemáticamente estas variables, comparando dos enfoques principales para obtener evidencia empírica:

A. Análisis de Datos Secundarios (SDA)

• Enfoque: Utilizar datos observacionales existentes de estudios previos.
• Limitaciones:
  • Sesgo de predicción vs. Causalidad: Los datos secundarios pueden predecir quién fallará con el tratamiento inicial, pero no pueden determinar causalmente qué sucedería si se ofreciera el tratamiento de rescate bajo diferentes umbrales o tiempos.
  • Falta de variabilidad: Si en el estudio original todos los participantes recibieron el rescate bajo el mismo criterio (o ninguno), no hay datos para comparar diferentes umbrales o tiempos de decisión.
  • Supuestos fuertes: Requieren supuestos complejos de inferencia causal (como la positividad) que a menudo no se cumplen, especialmente si el tratamiento de rescate es nuevo.
  • Compensaciones pragmáticas: No pueden resolver por sí solas las compensaciones entre sensibilidad y especificidad basadas en costos y carga del tratamiento.

B. Ensayos Controlados Aleatorizados de Optimización (ORCT)

• Enfoque: Diseñar experimentos específicos para optimizar los componentes de la intervención.
• Diseños Propuestos:
  • Ensayos de brazos múltiples: Comparar directamente diferentes umbrales o tiempos de decisión.
  • Diseños Factoriales: Evaluar múltiples componentes (variable, tiempo, corte) y sus interacciones simultáneamente.
  • Ensayos Secuenciales de Asignación Múltiple (SMART): Aleatorizar participantes en múltiples etapas (ej. primero al tiempo de decisión, luego al tratamiento de rescate).
  • Diseños Híbridos: Combinar diseños factoriales iniciales con re-aleatorizaciones posteriores.
• Ventaja: Proporcionan evidencia causal directa sobre qué combinación de componentes produce el mejor resultado promedio en la población.

3. Contribuciones Clave

El artículo aporta un marco estructurado para abordar preguntas específicas en el diseño de ADIs:

1. Selección de Umbrales (Cutoffs):

   • Demuestra que elegir un umbral óptimo no es solo un problema de precisión predictiva, sino de balance entre sensibilidad y especificidad basado en la eficacia del rescate y sus costos.
   • Propone que un ORCT que aleatorice a los participantes a diferentes umbrales (ej. $c=1$ vs $c=2$) permite comparar directamente los resultados marginales (promedio de respondedores y no respondedores) para determinar el umbral más efectivo.

2. Selección de Tiempos de Decisión:

   • Analiza el dilema entre la precisión predictiva (que mejora al esperar más tiempo) y la acción efectiva (que requiere intervención temprana para evitar la desvinculación del paciente).
   • Sugiere el uso de gráficos de "codo" (elbow plots) en datos secundarios como heurística, pero enfatiza que solo un ORCT puede determinar causalmente el momento óptimo de intervención.
   • Propone diseños de aleatorización secuencial (SMART) para comparar múltiples tiempos de decisión eficientemente.

3. Selección de Variables Observadas:

   • Aborda cómo elegir entre múltiples variables (ej. uso de app vs. consumo de sustancia) o combinaciones de ellas.
   • Sugiere diseños donde la aleatorización al tratamiento de rescate sea independiente de la variable observada al inicio, permitiendo luego analizar interacciones (moderadores) para identificar qué variable es el mejor predictor de la respuesta al rescate.

4. Integración de Múltiples Preguntas:

   • Propone diseños experimentales complejos (factoriales completos o fraccionales, híbridos SMART-factiorial) para responder simultáneamente a preguntas sobre variables, tiempos y umbrales, evitando la ineficiencia de realizar estudios secuenciales por separado.

4. Resultados Principales

• Evidencia Causal vs. Predictiva: Se concluye que el análisis de datos secundarios es insuficiente para definir variables de adaptación óptimas sin supuestos fuertes, ya que la predicción de resultados bajo tratamiento inicial no equivale a la predicción de resultados bajo un régimen adaptativo.
• Eficiencia de Diseño: Los diseños ORCT (especialmente los factoriales y SMART) son superiores para optimizar ADIs porque permiten estimar efectos principales e interacciones entre componentes de manera simultánea.
• Compensaciones Prácticas: La elección de un umbral o tiempo de decisión debe considerar no solo la eficacia clínica, sino también los costos, la carga y la factibilidad operativa. Un umbral más estricto reduce costos pero puede dejar fuera a quienes podrían beneficiarse.
• Desafíos de Potencia Estadística: Los diseños que prueban múltiples componentes (ej. 3 variables × 2 cortes × 4 tiempos) requieren tamaños de muestra grandes. Se discute la necesidad de modelos parsimoniosos y la planificación cuidadosa de la asignación de participantes para mantener la potencia en las comparaciones clave.

5. Significado e Implicaciones

• Para la Práctica Clínica y de Investigación: El artículo proporciona una hoja de ruta metodológica para que los investigadores pasen de la intuición clínica a la evidencia empírica rigurosa al diseñar intervenciones adaptativas.
• Optimización de Recursos: Al definir correctamente las variables de adaptación, se evita la asignación ineficiente de tratamientos costosos (rescates) a pacientes que no los necesitan, mejorando la relación costo-beneficio de las intervenciones de salud pública.
• Futuras Direcciones:
  • Se necesita más investigación en diseños para intervenciones adaptativas en tiempo real (JITAIs) que operan en escalas de tiempo rápidas (diarias/horarias).
  • Es crucial integrar el análisis de costos y beneficios (análisis de costo-efectividad) en la selección de umbrales.
  • Se requiere desarrollo en métodos de estimación de incertidumbre y planificación de potencia para diseños experimentales complejos donde el tamaño de efecto depende de la interacción de múltiples factores.

En resumen, el artículo argumenta que la construcción de variables de adaptación debe ser un proceso experimental deliberado, utilizando diseños como los ORCT y SMART para obtener la evidencia causal necesaria para crear intervenciones personalizadas, escalables y eficientes.