📊 statistics

Who's Winning? Clarifying Estimands Based on Win Statistics in Cluster Randomized Trials

Este artículo demuestra que en los ensayos aleatorizados por conglomerados con tamaños de conglomerado informativos, las estimaciones de efecto basadas en estadísticas de victoria a nivel individual y a nivel de conglomerado pueden diferir sustancialmente o incluso arrojar conclusiones opuestas, lo que subraya la necesidad crítica de especificar claramente el estimando objetivo para evitar interpretaciones erróneas.

Autores originales: Kenneth M. Lee, Xi Fang, Fan Li, Michael O. Harhay

Publicado 2026-02-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kenneth M. Lee, Xi Fang, Fan Li, Michael O. Harhay

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

Título: ¿Quién gana realmente? Un viaje por los "torneos" de los ensayos clínicos en grupos

Imagina que estás organizando un gran torneo de ajedrez, pero en lugar de jugar persona contra persona, juegas escuelas enteras contra otras escuelas. A esto los científicos lo llaman un "Ensayo Clínico por Grupos" (o CRT, por sus siglas en inglés).

El objetivo del estudio es sencillo: queremos saber si un nuevo tratamiento (digamos, un nuevo método de enseñanza) hace que los estudiantes "gane" más que el método antiguo. Pero aquí surge un problema gigante: ¿Cómo definimos quién "gana" cuando los grupos tienen tamaños muy diferentes?

Aquí es donde entra este artículo, que actúa como un manual de instrucciones para evitar que nos equivoquemos al contar los puntos.

1. El concepto de "Ganar" (Estimandos de Victoria)

En medicina, a veces no basta con decir "el paciente mejoró". A veces queremos comparar todo un abanico de resultados: ¿Murió? ¿Tuvo efectos secundarios graves? ¿Se sintió mejor?

Los autores proponen una forma divertida de medir esto: el "Ganador".

Tomas un paciente del grupo nuevo y lo comparas con uno del grupo antiguo.
Si el del grupo nuevo tiene un resultado mejor (por ejemplo, vive más tiempo o se siente mejor), él gana el punto.
Si el otro gana, él gana el punto.
Si empatan, nadie gana.

Al final, sumamos todos los puntos para ver qué grupo es el "campeón". Esto se llama una estadística de victoria.

2. El problema de los grupos desiguales (Tamaño Informativo)

Aquí es donde la historia se complica. Imagina que tienes dos tipos de escuelas en tu torneo:

Escuelas Gigantes: Tienen 1,000 estudiantes.
Escuelas Pequeñas: Tienen solo 20 estudiantes.

Supongamos que las escuelas gigantes tienen un problema de fondo: sus estudiantes suelen tener más dificultades (peores resultados iniciales). Y supongamos que el nuevo tratamiento funciona muy bien en las escuelas gigantes, pero muy mal en las pequeñas.

Aquí es donde la gente suele confundirse al contar los puntos. Hay dos formas de hacerlo, y dan resultados opuestos:

A. La cuenta "Individual" (El enfoque de la multitud)

Imagina que pones a todos los estudiantes de todas las escuelas en una gran pila y los comparas uno a uno.

Como las escuelas gigantes tienen 1,000 estudiantes, ellos dominan la pila.
Si el tratamiento funciona bien en esas escuelas gigantes, la cuenta individual dirá: "¡El tratamiento es un éxito rotundo!".
La metáfora: Es como si un equipo de fútbol con 1,000 jugadores ganara el torneo solo porque hay muchos más jugadores en su equipo, ignorando que las escuelas pequeñas perdieron.

B. La cuenta "Por Grupo" (El enfoque de la democracia)

Ahora, imagina que tratamos a cada escuela como un solo votante, sin importar si tiene 20 o 1,000 estudiantes.

Si el tratamiento funciona mal en las escuelas pequeñas (que son muchas en número de escuelas, aunque tengan pocos alumnos), esas escuelas "votan" en contra.
Si el tratamiento funciona bien en las grandes, esas "votan" a favor.
Si hay muchas escuelas pequeñas y el tratamiento les hace daño, la cuenta por grupo dirá: "¡El tratamiento es un desastre!".
La metáfora: Es como una elección donde cada escuela tiene un voto, y las escuelas pequeñas (que son muchas) pueden anular el voto de las escuelas gigantes.

3. ¿Por qué es peligroso confundirlos?

El artículo demuestra con matemáticas y simulaciones que ambas cuentas pueden ser correctas, pero responden a preguntas diferentes:

Si te preguntas: "¿Qué le pasa al estudiante promedio si elijo este tratamiento?", la cuenta Individual es la correcta.
Si te preguntas: "¿Funciona este tratamiento para la mayoría de las escuelas/hospitales?", la cuenta Por Grupo es la correcta.

El peligro: Si eres un investigador y no defines claramente cuál de las dos preguntas quieres responder, podrías terminar anunciando que un tratamiento es "mágico" (porque funciona en los hospitales grandes) cuando en realidad está dañando a la mayoría de los hospitales pequeños. ¡Sería como decir que un coche es rápido porque una sola Ferrari va a 300 km/h, ignorando que el resto de la flota son bicicletas!

4. La solución: Ser claros y usar herramientas justas

Los autores nos dicen que:

Debemos elegir nuestra pregunta antes de empezar: ¿Queremos saber qué pasa con los individuos o con los grupos?
Debemos usar la fórmula correcta: Si elegimos la pregunta de los individuos, usamos una fórmula que pesa a todos los pacientes por igual. Si elegimos la de los grupos, usamos una que pesa a cada escuela por igual.
Cuidado con los números pequeños: Cuando los grupos son desiguales, la cuenta de "individuos" puede tener un pequeño error al principio (como un sesgo en una balanza), mientras que la cuenta de "grupos" suele ser más honesta y justa en estos casos.

En resumen

Este artículo es una advertencia amigable para los científicos: "No mezcles las cuentas".

En un mundo donde los hospitales y escuelas tienen tamaños muy diferentes, no podemos simplemente tirar todos los datos en una bolsa y mezclarlos. Debemos decidir si queremos escuchar la voz de cada paciente o la voz de cada institución. Si no lo hacemos, podríamos declarar un ganador en un torneo que, en realidad, nadie ganó.

Resumen Técnico: Estadísticas de Victoria en Ensayos Aleatorizados por Conglomerados (CRT)

1. Planteamiento del Problema

Las estadísticas de victoria (win statistics), como la relación de victoria (win ratio), las probabilidades de victoria (win odds) y la diferencia de victoria (win difference), se han convertido en objetivos populares para resumir resultados complejos en ensayos clínicos, permitiendo priorizar desenlaces según su importancia clínica. Sin embargo, su implementación en Ensayos Aleatorizados por Conglomerados (CRT) presenta desafíos metodológicos críticos que no han sido suficientemente abordados:

Ambigüedad del Estimando: En los CRT, los investigadores pueden apuntar a estimandos fundamentalmente diferentes: nivel individual (promedio de individuos) o nivel de conglomerado (promedio de conglomerados).
Tamaño de Conglomerado Informativo (ICS): El problema se agrava cuando el tamaño del conglomerado es "informativo", es decir, cuando los resultados basales y/o los efectos del tratamiento dependen del tamaño del conglomerado.
Consecuencias: Bajo condiciones de ICS, los estimandos basados en pares de individuos y los basados en pares de conglomerados pueden divergir significativamente en magnitud e incluso producir conclusiones opuestas sobre la eficacia del tratamiento (ej. beneficio vs. daño).

2. Metodología

Los autores extienden el marco de los resultados potenciales (potential outcomes framework) a los CRT para definir y estimar dos tipos distintos de estadísticas de victoria:

Definición de Estimandos:
- Estimando de Pares Individuales (Individual-pair): Trata a cada individuo como unidad de inferencia, dando igual peso a todos los participantes independientemente de su conglomerado. Se define como la probabilidad de que un resultado potencial tratado seleccionado aleatoriamente supere a uno control seleccionado aleatoriamente.
- Estimando de Pares de Conglomerados (Cluster-pair): Trata a cada conglomerado como unidad de inferencia, dando igual peso a todos los conglomerados independientemente de su tamaño. Se logra aplicando pesos inversos al tamaño del conglomerado a las comparaciones individuales.
Propuesta de Estimadores:
- Se introducen estimadores consistentes para ambos tipos de estimandos.
- Se propone un estimador de varianza mediante Jackknife de dejar uno fuera (leave-one-cluster-out). Este método elimina un conglomerado a la vez, recalcula las estimaciones con los $M-1$ conglomerados restantes y calcula la varianza basándose en la variabilidad de estas estimaciones.
- Para la inferencia estadística, se sugiere utilizar una distribución $t$ con $M-2$ grados de libertad (más conservador) o $M-1$ .
Marco Unificado:
- Ambos estimadores se unifican bajo un marco de estimandos ponderados generalizados, donde el peso asignado a la comparación entre conglomerados ( $\omega_{ij}$ $ω_{ij}$ ) determina el objetivo:
  - $\omega_{ij} = N_i N_j$ (producto de tamaños) $\rightarrow$ Estimando de pares individuales.
  - $\omega_{ij} = 1$ $\rightarrow$ Estimando de pares de conglomerados.

3. Contribuciones Clave

Clarificación Conceptual: Diferencian explícitamente entre los estimandos de pares individuales y de pares de conglomerados en el contexto de estadísticas de victoria, demostrando que no son intercambiables en presencia de ICS.
Herramientas de Inferencia: Proporcionan estimadores consistentes y un método de varianza robusto (Jackknife) específico para la estructura de datos de CRT con estadísticas de victoria.
Análisis de Colapsabilidad: Desafían la noción previa de que los estimandos de diferencia son siempre "colapsables". Demuestran que, incluso en la escala de diferencia, las estadísticas de victoria pueden ser no colapsables cuando los resultados dependen del tamaño del conglomerado.
Guía Práctica: Ofrecen una guía para que los investigadores especifiquen cuidadosamente su estimando objetivo antes de analizar un CRT, evitando responder preguntas científicas no deseadas.

4. Resultados

Los autores validan sus hallazgos mediante ejemplos numéricos y estudios de simulación:

Ejemplo Numérico (Datos Simulados):
- Se construyó un escenario con cuatro tipos de conglomerados, tamaños variables y efectos de tratamiento heterogéneos (ICS Tipo I y II).
- Resultado: Los estimandos de pares individuales indicaron un fuerte beneficio del tratamiento (Relación de Victoria $\approx$ 2.24), dominados por los conglomerados grandes. En contraste, los estimandos de pares de conglomerados indicaron daño del tratamiento (Relación de Victoria $\approx$ 0.88), ya que ponderaron equitativamente a los conglomerados pequeños donde el efecto era negativo.
Estudio de Simulación:
- Sin ICS: Ambos estimadores fueron consistentes, no sesgados y con cobertura nominal del 95%.
- Con ICS:
  - Estimadores de Pares Individuales: Mostraron un sesgo de muestra finita (aunque son consistentes asintóticamente), lo que resultó en una cobertura de intervalos de confianza inferior a la nominal (ej. 90.9% en lugar de 95%).
  - Estimadores de Pares de Conglomerados: Permanecieron no sesgados y mantuvieron la cobertura nominal, demostrando ser más robustos en presencia de ICS.

5. Significado e Implicaciones

El artículo tiene una relevancia metodológica crucial para el diseño y análisis de ensayos clínicos complejos:

Riesgo de Interpretación Errónea: Ignorar la distinción entre estimandos individuales y de conglomerados en presencia de tamaños informativos puede llevar a conclusiones diametralmente opuestas sobre la eficacia de una intervención.
Selección del Estimando: La elección del estimando debe alinearse con la pregunta científica:
- Si el interés es el efecto promedio en la población de individuos (ej. mortalidad, calidad de vida), el estimando de pares individuales es apropiado, pero se debe tener precaución con el sesgo en muestras finitas.
- Si el interés es el efecto promedio en la población de conglomerados (ej. prácticas de prescripción a nivel hospitalario) o si los tamaños son informativos, el estimando de pares de conglomerados es preferible por su robustez y ausencia de sesgo.
Futuro: El marco propuesto sienta las bases para extender estas definiciones a diseños CRT más complejos, como los de cruce (crossover) o escalera (stepped-wedge), donde las definiciones de tamaños informativos pueden ser aún más intrincadas.

En conclusión, el trabajo advierte que la especificación cuidadosa del estimando objetivo es esencial en los CRT que utilizan estadísticas de victoria para garantizar que el análisis responda a la pregunta científica correcta.