📊 statistics

Orthogonal factorial designs for trials of therapist-delivered interventions: Randomising intervention-therapist combinations to patients

Este artículo propone y evalúa una familia de diseños factoriales ortogonales que aleatorizan las combinaciones de terapeuta e intervención a los pacientes, permitiendo la separación estadística de los efectos del terapeuta de los efectos de la intervención en ensayos de tratamientos administrados por terapeutas.

Autores originales: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

Publicado 2026-02-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

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 averiguar cuál de dos diferentes recetas de cocina (Intervención A vs. Intervención B) hace la mejor sopa. En un experimento típico, podrías contratar a dos chefs famosos (Terapeutas) y hacer que el Chef 1 cocine solo la Receta A y el Chef 2 cocine solo la Receta B. Si la sopa del Chef 1 sabe mejor, es posible que no sepas si es porque la receta es superior o simplemente porque el Chef 1 es un mejor cocinero.

Este artículo aborda exactamente ese problema en el mundo de los ensayos terapéuticos. Propone una forma nueva y más rigurosa de organizar estos experimentos para que podamos distinguir entre una "buena receta" y un "buen chef".

Aquí está el desglose de sus ideas utilizando analogías sencillas:

1. El problema central: La confusión "Chef vs. Receta"

En muchos estudios de terapia, los investigadores tratan la terapia (la receta) como lo principal que se está probando, pero tratan al terapeuta (el chef) como un simple detalle de fondo. El artículo argumenta que los terapeutas son en realidad una parte importante del "tratamiento". Si no se contabilizan adecuadamente, los resultados serán confusos.

2. La solución propuesta: La "Cocina Cruzada"

Los autores sugieren un diseño donde cada chef prueba cada receta.

Forma antigua: El Chef A solo hace la Receta A; el Chef B solo hace la Receta B.
Nueva forma: El Chef A hace tanto la Recina A como la Receta B. El Chef B también hace tanto la Receta A como la Receta B.

Al hacer que cada chef pruebe cada receta, puedes separar matemáticamente el "Efecto del Chef" (qué tan bueno es la persona) del "Efecto de la Receta" (qué tan buena es la terapia). Esto se llama un Diseño Factorial Cruzado.

3. Los tres montajes de cocina (Los Diseños)

El artículo describe tres formas de organizar esta "Cocina Cruzada" dependiendo de qué tan complejo sea el ensayo:

La Cocina Simple (Aleatorización Completa): Imagina una gran cocina sin turnos. Tienes una lista de todas las combinaciones posibles de "Chef + Receta". Estas se reparten a los pacientes de forma completamente aleatoria. Es como barajar un mazo de cartas y repartirlas.
La Cocina de Turnos (Bloque Aleatorizado): En la vida real, los chefs no trabajan las 24 horas del día; trabajan por turnos (o "lotes"). Tal vez el Chef A solo está disponible por la mañana y el Chef B por la tarde. El artículo sugiere organizar el ensayo por estos bloques de tiempo. Te aseguras de que, dentro de cada turno, cada chef tenga la oportunidad de cocinar cada receta. Esto tiene en cuenta el hecho de que un chef puede estar cansado al final del día o estar aprendiendo sobre la marcha.
La Cocina de Multilocalización (Bloque Multicéntrico Aleatorizado): Ahora imagina que el ensayo ocurre en varias ciudades (Centros). En cada ciudad, hay chefs locales que no pueden viajar a otras ciudades. El diseño asegura que, dentro de cada ciudad y dentro de cada turno de tiempo, las combinaciones de "Chef + Receta" sigan mezcladas de forma justa.

4. Las Matemáticas: Cómo probar la sopa (Análisis)

Una vez recopilados los datos, no puedes usar una calculadora estándar para ver quién ganó. Debido a que el diseño es tan específico, las matemáticas deben ser igual de específicas.

El "Diagrama de Hasse": Los autores utilizan diagramas de flujo especiales (diagramas de Hasse) para mapear exactamente cómo encajan los chefs, las recetas, el tiempo y las ubicaciones. Piensa en esto como un plano para la cocina para asegurar que ningún ingrediente se cuente dos veces.
El Ajuste "Satterthwaite": Cuando mezclas tantas variables (chefs, recetas, tiempo, ubicaciones), las reglas estándar para calcular la "significancia estadística" (las probabilidades de que el resultado haya ocurrido por azar) se vuelven complicas. El artículo recomienda usar un ajuste matemático específico (el método de Satterthwaite) para asegurar que el veredicto final sea preciso.

5. La Simulación: Un "Ensayo en Seco"

Antes de decirle a los médicos cómo cambiar la forma en que dirigen los ensayos, los autores realizaron una simulación por computadora (un "ensayo en seco") con 10,000 ensayos ficticios. Probaron su nuevo método contra los métodos antiguos y desordenados.

Lo que encontraron:

Equidad: Cuando asignaron las combinaciones de "Chef + Receta" al azar, pudieron medir con precisión cuánto del resultado se debía al chef y cuánto a la receta.
El peligro de adivinar: Si intentaban asignar chefs a las recetas después de ver qué receta recibió el paciente (o si no ocultaban la receta al chef), los resultados se sesgaban. Era como si un chef probara la sopa antes de servirla y cambiara la receta para adaptarse al estado de ánimo del cliente. Esto hacía que el estudio fuera poco fiable.
El veredicto: El nuevo método de aleatorizar la combinación de terapeuta e intervención juntos es la forma más fiable de obtener una respuesta verdadera.

Resumen

El artículo sostiene que para saber realmente si una terapia funciona, debemos dejar de tratar a los terapeutas como ruido de fondo invisible. En su lugar, debemos tratar al terapeuta como un ingrediente clave en la receta. Al diseñar ensayos donde cada terapeuta pruebe cada terapia, y al utilizar herramientas matemáticas específicas para analizar los resultados, podemos obtener una imagen más clara y justa de lo que realmente ayuda a los pacientes.

La conclusión fundamental: No pruebes solo la terapia; prueba al equipo (terapeuta + terapia) juntos, y usa las matemáticas adecuadas para averiguar quién hizo qué.

La idea clave: No solo evalúes la terapia; evalúa al equipo (terapeuta + terapia) en conjunto, y utiliza la matemática correcta para determinar quién hizo qué.

Resumen Técnico: Diseños Factoriales Ortogonales para Ensayos de Intervenciones Administradas por Terapeutas

Planteamiento del Problema
En los ensayos de grupos paralelos con aleatorización individual que evalúan intervenciones administradas por terapeutas (por ejemplo, psicoterapia), la agrupación relacionada con el tratamiento es un problema reconocido donde los resultados de los pacientes están correlacionados dentro de los terapeutas. Si bien la práctica estándar reconoce esta agrupación para el tamaño de la muestra y el análisis, el enfoque principal sigue siendo la estimación de los efectos de la intervención, tratando a los terapeutas meramente como una fuente de varianza en lugar de un factor de tratamiento. Desentrañar los efectos específicos de los terapeutas de los efectos de las intervenciones sigue siendo un desafío. La literatura existente suele abordar diseños anidados o parcialmente anidados (donde los terapeutas administran solo una intervención), pero ha dejado relativamente subdesarrollado el estudio de los diseños "cruzados" (donde cada terapeuta administra todas las intervenciones). Además, existe una desconexión entre la literatura de Diseño de Experimentos (DoE, por sus siglas en inglés), que típicamente asume factores de tratamiento fijos, y la metodología de ensayos clínicos, que a menudo trata a los terapeutas como efectos aleatorios.

Metodología
Los autores proponen una familia de diseños experimentales factoriales ortogonales que tratan tanto a la intervención como al terapeuta como factores de tratamiento. En este marco, la combinación de un terapeuta específico y una intervención específica constituye el "tratamiento", el cual se aleatoriza a los pacientes. El artículo adapta el enfoque clásico de DoE descrito por Bailey [42] para acomodar al terapeuta como un factor de tratamiento aleatorio.

Los autores describen tres estructuras de diseño específicas:

Diseño Factorial Completamente Aleatorizado: Un ensayo de un solo centro donde las intervenciones y los terapeutas son constantes en el tiempo. Los pacientes se aleatorizan a todas las combinaciones de intervenciones y terapeutas.
Diseño Factorial de Bloques Aleatorizados: Da cuenta del "aprendizaje del terapeuta" o efectos del tiempo mediante la introducción de un factor de bloqueo, "Lotes" (periodos de tiempo). Los tratamientos se aleatorizan a los pacientes dentro de cada lote.
Diseño de Bloques Factorial Multicéntrico: Extiende el diseño anterior a múltiples centros, donde los terapeutas están anidados dentro de los centros, y los lotes están cruzados con los centros.

Para cada diseño, los autores proporcionan:

Diagramas de Hasse: Para visualizar las relaciones entre los factores de unidad y de tratamiento, distinguiendo entre efectos fijos y aleatorios.
Análisis de Varianza (ANOVA): Tablas detalladas que definen estratos, fuentes de variación, grados de libertad y medias cuadráticas esperadas. Los autores señalan que, en los diseños de bloques, la estructura no es estrictamente ortogonal bajo las definiciones estándar debido a los "efectos aleatorios dependientes" (donde el supremo de los factores aleatorios se solapa con los factores fijos). En consecuencia, proponen el uso de combinaciones lineales de medias cuadráticas y la aproximación de Satterthwaite para estimar los grados de libertad residuales apropiados para probar los efectos de la intervención fija.
Modelos de Regresión: Se presentan modelos lineales equivalentes de efectos mixtos (modelos de coeficientes aleatorios) para cada diseño, vinculando los componentes de varianza (varianza entre terapeutas, varianza entre terapeutas en el efecto de la intervención y error a nivel de paciente) con los autovalores del ANOVA.
Implementación: Se proporciona código de R específico utilizando aov y lmer para ejecutar estos análisis.

Estudio de Simulación
Se realizó un estudio de simulación para evaluar el desempeño de cinco métodos de aleatorización a través de los diseños propuestos:

Asignación no aleatoria del terapeuta después de la aleatorización de la intervención.
Asignación no aleatoria del terapeuta antes de la aleatorización de la intervención.
Aleatorización de la intervención por bloques por terapeuta.
Método Propuesto: Aleatorizar la combinación terapeuta-intervención a los pacientes.
Aleatorizar las intervenciones, y luego aleatorizar los terapeutas a los pacientes (bloqueado por intervención).

El estudio varió las covariables basales predictivas de los resultados para simular escenarios donde la asignación del terapeuta podría estar influenciada por las características del paciente o el conocimiento de la intervención.

Resultados Clave

Sesgo y Estimación de la Varianza: El efecto de la intervención ( $\delta_1$ $δ_{1}$ ) se estimó sin sesgo en todos los métodos. Sin embargo, la estimación de los componentes de varianza fue altamente sensible al método de aleatorización.
- La asignación no aleatoria de terapeutas (Métodos 1–3) condujo a una sobreestimación sustancial de la varianza entre terapeutas ( $\sigma^2_{u1}$ ) y de la varianza entre terapeutas en el efecto de la intervención ( $\sigma^2_{v1}$ ) cuando las covariables presentaban desequilibrios.
- La aleatorización de las combinaciones terapeuta-intervención (Método 4) o la aleatorización de los terapeutas a los pacientes (Método 5) facilitó una estimación imparcial de estos componentes de varianza.
Error Estándar y Potencia: Cuando la asignación no aleatoria causó una estimación inflada de la varianza entre terapeutas en el efecto de la intervención, el error estándar del efecto de la intervención aumentó, lo que llevó a un aumento sustancial del error de Tipo II (reducción de la potencia).
Error Tipo I: La tasa de error de Tipo I se mantuvo en el 5% para la mayoría de los métodos. Sin embargo, un escenario específico (Método 5, donde los terapeutas fueron aleatorizados después de las intervenciones) mostró errores de Tipo I inflados cuando una covariable influyó en la asignación del terapeuta. Esto ocurrió porque el equilibrio post-hoc de la covariable creó un desequilibrio en el número de pacientes por combinación de tratamiento, el cual no fue ajustado en el análisis.
Estimaciones en el Límite: El estudio observó que los componentes de varianza fueron frecuentemente estimados como cero (estimaciones de límite), lo que afecta los grados de libertad disponibles para probar el efecto de la intervención.

Significancia y Reivindicaciones
El artículo afirma ser el primero en aplicar un enfoque formal de Diseño de Experimentos al diseño de ensayos para intervenciones administradas por terapeutas donde el terapeuta es tratado como un factor de tratamiento aleatorio en un diseño cruzado. Los autores argumentan que este enfoque:

Proporciona un marco riguroso para separar los efectos de los terapeutas de los efectos de las intervenciones.
Ofrece una familia de diseños ortogonales que permiten la estimación del aprendizaje del terapeuta (mediante el bloqueo) y los efectos de los centros.
Demuestra mediante simulación que la aleatorización intencionada de las combinaciones terapeuta-intervención es superior a la asignación secuencial o no aleatoria para la estimación imparcial de la varianza y el mantenimiento de la potencia estadística.
Destaca la necesidad de utilizar la aproximación de Satterthwaite para los grados de libertad en estos diseños complejos y sugiere que el análisis basado en ANOVA puede ser preferible a la regresión estándar para evitar consecuencias no deseadas de las estimaciones de límite sobre los grados de libertad.

Los autores concluyen que, si bien sus diseños propuestos son teóricamente ideales, las restricciones prácticas (como la disponibilidad o la rotación de los terapeutas) requieren más investigación metodológica para desarrollar métodos de aleatorización flexibles. Enfatizan que un diseño de ensayo más intencionado tiene el potencial de generar mejor evidencia para intervenciones complejas en psicoterapia, fisioterapia, rehabilitación y cirugía.