📊 statistics

E-values for Adaptive Clinical Trials: Anytime-Valid Monitoring in Practice

Este artículo sirve como una guía metodológica práctica para la implementación de e-valores válidos en cualquier momento en ensayos clínicos adaptativos, demostrando mediante estudios numéricos y el paquete de código abierto de R `evalinger` cómo proporcionan un control robusto del error de Tipo I bajo monitoreo continuo, ofreciendo al mismo tiempo una alternativa viable a los enfoques tradicionales de diseño secuencial de grupos y bayesianos.

Autores originales: Alexandra Sokolova, Vadim Sokolov

Publicado 2026-02-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Alexandra Sokolova, Vadim Sokolov

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 eres un juez que supervisa un juicio de larga duración para determinar si un nuevo medicamento funciona mejor que un placebo. En los viejos tiempos, los estadísticos decían: "Espera hasta el final, cuenta a todos los pacientes y luego toma una decisión final". Pero en la vida real, los ensayos no funcionan así. Los médicos y los comités de seguridad quieren echar un vistazo a los datos a medida que llegan para detener el proceso de forma temprana si el fármaco es increíble (para salvar vidas) o si claramente está fallando (para dejar de desperdiciar recursos).

El problema de "echar un vistazo" es que es como lanzar un dado una y otra vez. Si sacas un seis una vez, es suerte. Si sacas un seis diez veces seguidas, podrías pensar que el dado está cargado. Pero si sigues lanzando el dado hasta que finalmente saques un seis, te engañas a ti mismo pensando que encontraste un patrón cuando solo era ruido aleatorio. En estadística, esto se llama "error de Tipo I" (una falsa alarma).

Este artículo presenta una nueva herramienta llamada E-Values (Valores de Evidencia) para resolver este problema. Así es como funciona, utilizando analogías sencillas:

1. El Juego de las Apuestas (La Idea Central)

Imagina que eres un apostador que apuesta contra la idea de que el nuevo fármaco no hace nada (la "Hipótesis Nula").

La Configuración: Comienzas con $1. Cada vez que un nuevo paciente termina el ensayo, puedes apostar una parte de tu dinero a si el fármaco funcionó.
La Regla: Si el fármaco no funciona (la Nula es cierta), el juego es justo. En promedio, no ganarás ni perderás dinero. Tu riqueza fluctuará pero se mantendrá cerca de $1.
La Victoria: Si el fármaco sí funciona, tus apuestas empezarán a dar frutos. Tu riqueza (tu "E-value") crecerá.
El Umbral: Decides de antemano: "Si mi riqueza crece a $40, declararé al fármaco como ganador".

¿Por qué es esto especial?
En la estadística tradicional, si revisas tu cuenta bancaria todos los días, tienes que reducir tu umbral de victoria cada vez que miras, o eventualmente tendrás suerte y pensarás que ganaste cuando en realidad no fue así.
Con los E-values, puedes revisar tu cuenta bancaria tan a menudo como quieras. Incluso si miras cada segundo, las matemáticas garantizan que, si el fármaco es falso, tu riqueza casi nunca llegará a $40. Es como una apuesta "mágica" que se mantiene justa sin importar cuántas veces eches un vistazo.

2. Los Tres Competidores

El artículo compara tres formas diferentes de dirigir este ensayo:

El Enfoque "Ingenuo" (El Apostador Imprudente): Esto es revisar los datos y decir: "¡Oye, los números se ven bien!", sin ninguna matemática especial. El artículo muestra que esto es peligroso. Si echas un vistazo 20 veces, declararás falsamente un ganador aproximadamente el 15% de las veces (cuando el fármaco es en realidad inútil).
El Enfoque "Secuencial de Grupo" (El Contador Estricto): Este es el estándar actual. Planeas exactamente cuándo vas a mirar (por ejemplo, al 25%, 50% y 75% del ensayo). Tienes un presupuesto estricto para cuánto "riesgo" puedes gastar en cada mirada.
- Pros: Es muy potente (bueno para encontrar curas reales) si te ciñes al plan.
- Contras: Si cambias el plan o miras los datos en momentos extraños, las matemáticas se rompen y tienes que empezar de nuevo.
El Enfoque "E-Value" (El Vigilante Flexible): Este es el enfoque del artículo. Utiliza el juego de apuestas descrito anteriormente.
- Pros: Puedes mirar los datos cuando quieras (incluso de forma continua, como una transmisión en vivo). No necesitas un programa preestablecido. Es "válido en cualquier momento" (anytime-valid).
- Contras: Para ser lo suficientemente seguro como para permitir un vistazo ilimitado, es ligeramente menos "potente" que el Contador Estricto cuando sí te ciñes a un programa fijo. Tarda un poco más en alcanzar el umbral de $40.

3. Lo que Dicen los Números

Los autores realizaron miles de simulaciones por computadora para ver cómo se desempeñan estos métodos:

Programa Fijo: Si planeas mirar exactamente 20 veces, el "Contador Estricto" (Secuencial de Grupo) encuentra la verdad aproximadamente el 86% de las veces. El "Vigilante Flexible" (E-Value) la encuentra alrededor del 72% de las veces. El E-Value es ligeramente más lento, pero sigue siendo muy bueno.
Monitoreo Continuo: Si miras los datos cada vez que un paciente termina (lo cual es imposible para el Contador Estricto sin romper las reglas), la potencia del Contador Estricto cae en picada (se vuelve demasiado cauteloso para declarar un ganador). El Vigilante Flexible (E-Value) se mantiene fuerte en un 75%.
La Verificación de "Futilidad": El artículo también muestra cómo usar esto para detener un ensayo de forma temprana si el fármaco está fallando. Si la riqueza de las apuestas comienza a disminuir o se mantiene baja, sabes que el fármaco no está funcionando y puedes detenerte para ahorrar dinero y pacientes.

4. El Software y El Futuro

Los autores no solo escribieron teoría; construyeron un paquete de software gratuito llamado evalinger (y un sitio web) que permite a los médicos y estadísticos ejecutar estas simulaciones de apuestas ellos mismos.

También analizaron el "Panorama Regulatorio" (la FDA). Observan que, aunque la FDA ama los métodos antiguos del "Contador Estricto", se está abriendo la puerta a nuevos métodos. El artículo argumenta que los E-values encajan bien en la nueva guía preliminar de la FDA para 2026 porque proporcionan una garantía matemática clara de que no estás falsificando los resultados, incluso si cambias de opinión sobre cuándo mirar los datos.

Resumen

Piensa en los E-Values como un "Medidor de la Verdad" universal para los ensayos clínicos.

Forma antigua: Tienes que prometer exactamente cuándo revisarás el medidor, o la lectura será poco fiable.
Nueva forma (E-Values): Puedes revisar el medidor cuando quieras, tan a menudo como quieras, y la lectura está garantizada de ser honesta.

El artículo concluye que, si bien los E-values podrían ser ligeramente más lentos para encontrar una cura en un ensayo perfectamente planeado, son la herramienta superior para la realidad desordenada de los ensayos clínicos, donde los planes cambian, los datos llegan tarde y los comités de seguridad necesitan echar un vistazo cuando sea necesario.

Resumen Técnico: Valores-e para Ensayos Clínicos Adaptativos

Planteamiento del Problema

Los ensayos clínicos adaptativos dependen cada vez más de análisis intermedios, reglas de parada flexibles y modificaciones de diseño dependientes de los datos para mejorar la eficiencia ética y la velocidad operativa. Sin embargo, estas características complican las garantías estadísticas. Los métodos frecuentistas clásicos, como los diseños secuenciales de grupo, requieren un programa de monitoreo preespecificado y una función de gasto de alfa para controlar el error de Tipo I; la inspección repetida de estadísticos de horizonte fijo sin tales correcciones conduce a una inflación sustancial del error. Del mismo modo, aunque los diseños adaptativos bayesianos ofrecen flexibilidad mediante probabilidades posteriores y predictivas, las reglas de umbral estándar (p. ej., $P(\text{efecto} > 0) > 0.975$ ) no controlan automáticamente el error de Tipo I frecuentista bajo el paro opcional y requieren una extensa calibración basada en simulaciones para cada diseño específico.

Existe la necesidad de una metodología que proporcione inferencia válida en cualquier momento (anytime-valid)—garantías estadísticas que sigan siendo válidas independientemente de cuándo y con qué frecuencia se inspeccionen los datos, sin requerir un tamaño de muestra fijo o una regla de parada preespecificada.

Metodología

El artículo propone el uso de valores-e (e-values) y procesos-e (e-processes) como una alternativa práctica para el monitoreo intermedio.

Definiciones: Un valor-e es un estadístico no negativo $E$ tal que $E_{H_0}[E] \le 1$ . Un proceso-e es una secuencia de valores-e $(E_1, E_2, \dots)$ calculados a medida que se acumulan los datos.
La Construcción de Apuesta-Martingala: Para ensayos controlados aleatorizados (RCT) de dos brazos con variables finales binarias, los autores utilizan un marco de "pruebas mediante apuestas" (testing by betting). Un apostador comienza con una riqueza de 1 y apuesta contra la hipótesis nula ( $H_0: p_T = p_C$ ) en cada par de pacientes. La fracción de apuesta $\lambda$ se elige basándose en una alternativa de diseño (tamaño de efecto anticipado). El proceso de riqueza $E_n = \prod_{i=1}^n (1 + \lambda D_i)$ , donde $D_i$ es la diferencia de resultados, forma una martingala no negativa bajo $H_0$ .
Validez en Cualquier Momento (Anytime-Validity): Mediante la desigualdad de Ville, si $(E_t)$ es una supermartingala no negativa bajo $H_0$ , entonces $P_{H_0}(\sup_t E_t \ge 1/\alpha) \le \alpha$ . Esto implica que rechazar $H_0$ cuando $E_t \ge 1/\alpha$ controla el error de Tipo I al nivel $\alpha$ para cualquier tiempo de parada, ya sea planificado o no planificado.
Extensiones:
- Variables Finales de Supervivencia: El artículo utiliza el "test de log-rank seguro" (safe logrank test), que construye un proceso-e mediante una razón de verosimilitud mixta sobre la razón de riesgos (hazard ratio), proporcionando inferencia válida bajo parada opcional.
- Monitoreo de Futilidad: Se proponen dos mecanismos: (1) invertir el proceso-e para generar una secuencia de confianza válida en cualquier momento y detenerse si el límite superior cae por debajo de la diferencia clínicamente importante mínima (MCID); y (2) construir un proceso-e "recíproco" para probar la hipótesis inversa (que el efecto es al menos la MCID).
- Ensayos de Plataforma: Los valores-e admiten el control de multiplicidad mediante medias aritméticas (para hipótesis dependientes) o productos (para hipótesis independientes), permitiendo el control de la Tasa de Falsos Descubrimientos (FDR) utilizando procedimientos como e-BH.

Principales Contribuciones

El artículo sirve como una guía metodológica para profesionales, ofreciendo las siguientes contribuciones específicas:

Construcciones Prácticas: Desarrollo explícito de procesos-e de apuesta-martingala para ensayos de dos brazos con variables finales binarias y de supervivencia, incluyendo orientación sobre la elección de la fracción de apuesta $\lambda$ óptima para el crecimiento (GROW-óptima) para maximizar el poder bajo una alternativa de diseño.
Comparación Numérica: Un estudio de simulación exhaustivo que compara cinco reglas de monitoreo en un RCT binario de dos brazos:
- P-valores repetidos ingenuos.
- Diseño secuencial de grupo calibrado (tipo O'Brien–Fleming).
- Proceso-e de apuesta-martingala.
- Umbral de la posterior bayesiana ingenua.
- Umbral de la posterior bayesiana calibrada (ajustada por simulación).
Simulaciones Extendidas: Análisis de la brecha de poder entre los métodos secuenciales de grupo y de valores-e a través de diversos programas de monitoreo (fijos, irregulares y continuos) y parámetros de diseño.
Marco de Futilidad: Implementación y evaluación del monitoreo de futilidad mediante secuencias de confianza y procesos-e recíprocos.
Ilustración con Datos Reales: Un reanálisis del ensayo de úlcera de Novick (1965), comparando las trayectorias de los valores-e frente a los análisis clásicos y bayesianos originales.
Implementación de Software: El lanzamiento del paquete de R evalinger y una aplicación web Shiny interactiva acompañante. Estas herramientas implementan la construcción de procesos-e, la calibración óptima de GROW, el monitoreo en tiempo real, las secuencias de confianza, el análisis de futilidad y las comparaciones híbridas con métodos secuenciales de grupo y bayesianos.

Resultados

El estudio numérico (50,000 simulaciones, 20 inspecciones intermedias, $\alpha=0.025$ ) arrojó los siguientes hallazgos:

Control de Error: Los p-valores repetidos ingenuos y los umbrales de la posterior bayesiana ingenua (p. ej., $>0.975$ ) inflaron el error de Tipo I a aproximadamente el 13–15%. En contraste, el método secuencial de grupo calibrado, el bayesiano calibrado y los métodos de valores-e controlaron con éxito el error de Tipo I (al 2.5% o menos).
Comparación de Poder (Programa Fijo): Bajo un programa fijo de 20 inspecciones:
- Secuencial de Grupo Calibrado: 86.1% de poder.
- Valor-e (Apuesta): 72.3% de poder.
- Bayesiano Calibrado: 68.8% de poder.
- El método de valor-e fue más conservador que el secuencial de grupo pero menos conservador que la regla bayesiana calibrada en este diseño específico.
Sensibilidad del Programa de Monitoreo: La brecha de poder depende altamente del programa de monitoreo. Bajo monitoreo continuo (cada par de pacientes), el poder del secuencial de grupo colapsó al 10% (debido a la necesidad de una extrema conservaduración para mantener el error de Tipo I), mientras que el poder del valor-e aumentó al 75%. Bajo programas irregulares, los valores-e mantuvieron un poder estable sin recalibración, mientras que los límites secuenciales de grupo requirieron recalibración para cada programa realizado.
Sensibilidad de Parámetros: La brecha de poder entre los métodos de valores-e y los secuenciales de grupo se redujo para efectos grandes (brecha del 2% para $\delta=0.20$ ) pero se amplió para efectos pequeños con tasas base moderadas (hasta un 29% de brecha para $\delta=0.10$ ).
Futilidad: El proceso-e recíproco fue más sensible para detectar la futilidad (tasa de detección del 53.5%) en comparación con el enfoque de la secuencia de confianza (14.2%) en un escenario de efecto subclínico.
Datos Reales (Novick 1965): El proceso-e acumuló evidencia ( $E \approx 15.3$ ) pero no cruzó el umbral de rechazo ( $E \ge 40$ ), alineándose con el análisis secuencial clásico original que no encontró una diferencia significativa. Esto contrastó con el análisis bayesiano original, que reportó una credibilidad posterior de 0.98, resaltando el "precio de la validez en cualquier momento", donde los valores-e requieren evidencia más fuerte para rechazar bajo el paro opcional.

Significancia y Reivindicaciones

El artículo posiciona los valores-e como un marco principista para la inferencia válida en cualquier momento que aborda las realidades operativas de los ensayos adaptativos modernos.

Contexto Regulatorio: Los autores sitúan la metodología dentro del contexto de la guía borrador de la FDA de enero de 2026 sobre metodología bayesiana. Argumentan que los valores-e se mapean naturalmente con la vía de "calibración del error de Tipo I" de la guía, ofreciendo una garantía analítica de control de error que evita la extensa carga de simulación requerida por los enfoques de umbral de la posterior. También sugieren que los valores-e pueden servir como una "capa de seguridad frecuentista" o un registro de evidencia junto a las reglas de decisión bayesianas.
Utilidad Práctica: El artículo sostiene que los valores-e son más apropiados cuando:
- Las inspecciones intermedias son irregulares, oportunistas o continuas.
- La continuación opcional (extender un ensayo más allá de su horizonte previsto) es una posibilidad realista.
- Un requisito primario es una garantía de validez uniforme en el tiempo que sea auditable.
Limitaciones: Los autores reconocen modestamente que los valores-e no son un reemplazo universal. Señalan que existe una penalización de poder respecto a los diseños secuenciales de grupo óptimamente calibrados cuando el programa de monitoreo es fijo y conocido de antemano. También destacan que construir procesos-e potentes para variables finales complejas (p. ej., riesgos no proporcionales) sigue siendo una frontera de investigación y que la metodología requiere una sintonización cuidadosa de la fracción de apuesta para evitar la falta de potencia.

En conclusión, el artículo aboga por un enfoque híbrido: utilizar probabilidades predictivas bayesianas para la toma de decisiones operativas, límites secuenciales de grupo para el análisis confirmatorio optimizado en potencia en inspecciones preplanificadas, y procesos-e como un registro de evidencia robusto y válido en cualquier momento que permanezca válido independientemente de la frecuencia o los cambios en el programa de monitoreo.