📊 statistics

Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data

Este artículo presenta una fórmula de tamaño muestral de forma cerrada para evaluar los efectos generales de un polimorfismo de nucleótido único en un modelo conjunto de datos longitudinales y de tiempo hasta el evento, demostrando su precisión mediante simulaciones y su utilidad práctica con datos del ensayo DCCT.

Autores originales: Yuan Bian, Shelley B. Bull

Publicado 2026-02-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yuan Bian, Shelley B. Bull

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

¡Hola! Imagina que esta investigación es como un manual de instrucciones para construir un puente, pero en lugar de cemento y acero, los materiales son datos genéticos, mediciones de salud a lo largo del tiempo y el tiempo que tardan las personas en enfermarse.

Aquí te explico de qué trata el artículo, "traducido" a un lenguaje sencillo y con algunas analogías divertidas:

1. El Problema: ¿Cuánta gente necesitamos para encontrar la aguja en el pajar?

Imagina que eres un detective genético. Quieres saber si una pequeña variación en el ADN (llamada SNP, como una letra diferente en un libro de instrucciones) hace que una persona tenga más riesgo de desarrollar una complicación grave, como la ceguera por diabetes.

Pero hay un truco: esa variación genética no solo actúa directamente sobre el riesgo. A veces, la genética cambia un marcador en la sangre (como el azúcar, HbA1c), y ese cambio en el azúcar es lo que finalmente causa la enfermedad. Es como si la genética fuera el director de orquesta que no toca el instrumento directamente, sino que le dice al violín (el azúcar en sangre) qué tocar, y el violín es el que hace el ruido (la enfermedad).

El problema es que los estudios anteriores sabían cómo calcular cuántas personas necesitaban para ver si un medicamento funcionaba, pero no sabían cómo calcularlo cuando:

Hay dos tipos de datos mezclados (mediciones repetidas en el tiempo + cuándo ocurre un evento).
La "causa" es genética y puede tener efectos directos e indirectos (como el director y el violín).
A veces, los efectos genéticos son muy pequeños o los genes son raros (como buscar una aguja en un pajar gigante).

2. La Solución: La "Fórmula Mágica" de los Autores

Los autores (Yuan Bian y Shelley Bull) crearon una nueva fórmula matemática. Piensa en esta fórmula como una receta de cocina que te dice exactamente cuántos ingredientes (pacientes) necesitas para que tu pastel (el estudio) salga bien y puedas probar tu teoría.

Lo que hace la fórmula: Te dice cuántas personas necesitas reclutar para tener una oportunidad real (llamada "potencia estadística") de detectar si ese gen es culpable o inocente, considerando tanto su efecto directo como su efecto a través del azúcar en la sangre.
La analogía del "Puente": Si quieres cruzar un río (detectar el gen), necesitas pilares suficientes. Si el río es muy ancho (el efecto genético es pequeño) o el agua es muy turbia (hay mucha variabilidad), necesitas más pilares (más pacientes). Esta fórmula calcula cuántos pilares necesitas antes de empezar a construir.

3. Las Pruebas: ¿Funciona la receta?

Los autores no solo escribieron la fórmula; la pusieron a prueba en un laboratorio virtual (simulaciones por computadora).

El experimento: Crearon miles de "pacientes de mentira" con diferentes tipos de genes, diferentes ritmos de medición y diferentes riesgos de enfermedad.
El resultado: La fórmula funcionó casi perfectamente. Les dijo exactamente cuántos pacientes necesitaban para tener éxito, incluso cuando las cosas se complicaban (por ejemplo, si los pacientes iban al médico muy pocas veces).
La advertencia: Si los pacientes van al médico muy pocas veces (como ir una vez cada 5 años), la fórmula pierde un poco de precisión. Es como intentar adivinar el clima de un mes entero basándote en solo una foto del cielo; necesitas más fotos para estar seguro.

4. La Prueba Real: El Caso de la Diabetes (DCCT)

Para ver si su fórmula servía en la vida real, la aplicaron a un estudio famoso llamado DCCT (un ensayo clínico real sobre diabetes tipo 1).

La situación: Tenían datos de 1,441 personas con diabetes, divididas en dos grupos: tratamiento intensivo (muchas inyecciones de insulina) y tratamiento convencional.
El hallazgo sorprendente: Al usar su nueva fórmula, descubrieron que el estudio original no tenía suficientes personas para encontrar efectos genéticos pequeños con la certeza que se requiere hoy en día.
La analogía: Es como si hubieras intentado encontrar un susurro en una fiesta ruidosa con solo 10 personas. La fórmula les dijo: "Oye, necesitas 100 personas para escuchar ese susurro claramente". En el estudio real, con 500 personas por grupo, solo podían escuchar los "gritos" (genes muy fuertes), pero no los "susurros" (genes comunes con efectos pequeños).

5. ¿Por qué es importante esto?

Imagina que quieres construir un edificio. Si no calculas bien los cimientos, el edificio se cae. En la ciencia genética, si no calculas bien el tamaño de la muestra:

Gastas dinero y tiempo en un estudio que no encontrará nada.
O peor: Crees que encontraste algo cuando en realidad fue suerte (un falso positivo).

Esta investigación les da a los científicos una brújula para planificar sus estudios. Ahora pueden decir: "Para detectar este gen específico en pacientes con diabetes, necesitamos reclutar a X personas y medirles el azúcar cada Y meses".

En resumen

El artículo presenta una herramienta de planificación (una fórmula) que ayuda a los científicos a no perder el tiempo ni el dinero. Les permite saber, antes de empezar, cuántas personas necesitan para detectar si un gen influye en una enfermedad a través de un marcador biológico (como el azúcar) o directamente. Y lo más importante, les advierte que, en muchos estudios pasados, no tenían suficientes personas para ver los detalles finos de la genética, lo que explica por qué a veces es tan difícil encontrar esas conexiones.

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Determinación del tamaño de la muestra y la potencia para evaluar los efectos globales de los SNP en el modelado conjunto de datos longitudinales y de tiempo hasta el evento.

1. Planteamiento del Problema

En los estudios genéticos que involucran biomarcadores longitudinales (como la hemoglobina glicosilada, HbA1c) y resultados de tiempo hasta el evento (como complicaciones diabéticas), existe una brecha significativa en el diseño estadístico. Aunque se han desarrollado métodos avanzados para el modelado conjunto (joint modeling) de datos longitudinales y de supervivencia, hay poca atención dedicada a la estimación del tamaño de la muestra y el cálculo de la potencia en este contexto específico.

Los desafíos principales identificados son:

Naturaleza de la exposición: A diferencia de las variables de tratamiento binarias, los polimorfismos de un solo nucleótido (SNP) son variables categóricas con tres niveles (0, 1, 2 copias del alelo minoritario) y su distribución puede estar desequilibrada según la frecuencia del alelo minoritario (MAF).
Efectos bidireccionales: Los efectos genéticos pueden aumentar o disminuir el riesgo, requiriendo pruebas de hipótesis de dos colas, a diferencia de los efectos de tratamiento que suelen ser direccionales.
Mecanismos complejos: Los variantes genéticos pueden influir en el riesgo de un evento tanto de forma directa como indirecta (mediada a través del biomarcador longitudinal). Los métodos existentes a menudo no capturan adecuadamente este "efecto global" combinado.
Limitaciones computacionales: Los métodos de verosimilitud conjunta (JM) son computacionalmente intensivos, lo que dificulta las simulaciones necesarias para el cálculo de la potencia en estudios de gran escala (GWAS).

2. Metodología

Los autores proponen un marco metodológico basado en el modelado conjunto y una estrategia de dos etapas para la estimación de la potencia.

A. Marco de Modelado Conjunto:
Se define un modelo que vincula dos submodelos:

Proceso Longitudinal: Modela la trayectoria del biomarcador $Y_i(t)$ como una función polinómica del tiempo con efectos aleatorios específicos del sujeto y un efecto directo del SNP ( $\beta_g$ ).
$Y_i(t) = \eta_i(t) + \epsilon_i(t)$
Donde $\eta_i(t)$ incluye efectos fijos y aleatorios, y el término $\beta_g \cdot SNP_i$ .
Proceso de Supervivencia: Utiliza un modelo de riesgos proporcionales donde el riesgo instantáneo $\lambda_i(t)$ $λ_{i} (t)$ depende de la trayectoria latente real $\eta_i(t)$ $η_{i} (t)$ y del SNP directamente.
$\lambda_i(t) = \lambda_0(t) \exp \{ \gamma_g \cdot SNP_i + \alpha \cdot \eta_i(t) \}$
- $\gamma_g$ : Efecto directo del SNP en el riesgo.
- $\alpha$ : Asociación entre la trayectoria longitudinal y el riesgo.
- Efecto Global: La suma $\gamma_g + \alpha\beta_g$ representa el efecto total del SNP sobre el riesgo del evento.

B. Fórmula de Tamaño de Muestra y Potencia:
Derivan una fórmula de forma cerrada para el número de eventos ( $D$ ) necesarios para detectar el efecto global bajo una prueba de dos colas:
$D = \frac{(Z_{1-\tilde{\beta}} + Z_{1-\tilde{\alpha}/2})^2}{2pq(\gamma_g + \alpha\beta_g)^2}$
Donde:

$p$ y $q=1-p$ son las frecuencias de los alelos.
$2pq$ representa la varianza del genotipo.
$(\gamma_g + \alpha\beta_g)$ es el tamaño del efecto global.
La fórmula es inversamente proporcional a la varianza del genotipo y al cuadrado del tamaño del efecto.

C. Estrategia de Dos Etapas (Two-Stage Approach):
Para validar la potencia y evitar la carga computacional del algoritmo EM en simulaciones masivas, proponen un método de dos etapas:

Ajustar el modelo longitudinal completo para estimar $\hat{\beta}_g$ y calcular respuestas ajustadas eliminando la variación del SNP.
Ajustar un modelo de supervivencia utilizando la trayectoria ajustada para estimar el efecto global $\theta_g$ (que corresponde a $\gamma_g + \alpha\beta_g$ ).
Este método reduce significativamente el tiempo de cómputo manteniendo la precisión.

3. Contribuciones Clave

Fórmula Derivada: Primera fórmula de forma cerrada específica para probar el efecto global de un SNP (directo + indirecto) en un marco de modelado conjunto.
Herramienta Interactiva: Desarrollo de una aplicación web (Shiny app) para que los investigadores puedan calcular el tamaño de la muestra y la potencia fácilmente.
Validación Robusta: Demostración mediante estudios de simulación de que la fórmula es precisa y robusta frente a variaciones en la estructura de efectos aleatorios, tamaños de efecto y frecuencias de visita, siempre que haya suficientes mediciones por sujeto.
Análisis de Sesgo: Evidencia de que ignorar el proceso longitudinal en el modelo de supervivencia conduce a estimaciones sesgadas del efecto directo del SNP, incluso si el SNP no está asociado con el biomarcador (sesgo por heterogeneidad no observada).

4. Resultados

Simulaciones:
- La fórmula calculada coincide estrechamente con la potencia empírica en la mayoría de los escenarios (Tabla 1).
- La potencia es insensible a los parámetros de los efectos aleatorios ( $\delta^2_0, \delta^2_1$ ), pero es sensible al tamaño del efecto y a la frecuencia del alelo.
- Limitación: La precisión disminuye cuando el número de visitas longitudinales es muy pequeño (censura por intervalo), lo que lleva a una subestimación de la potencia (Tabla 2).
- Especificación del Modelo: Si el modelo longitudinal está mal especificado (ej. ajustar un modelo lineal cuando la trayectoria es cuadrática), la potencia empírica se desvía de la calculada, subestimando la complejidad real (Tabla 3).
Análisis Retrospectivo (DCCT):
- Al aplicar la metodología a los datos del Diabetes Control and Complications Trial (DCCT), se encontró que el tamaño de la muestra original (aprox. 1,441 pacientes divididos en dos brazos) es insuficiente para lograr una potencia adecuada (80%) bajo los umbrales de significancia convencionales de GWAS ( $5 \times 10^{-8}$ ).
- Para el brazo de tratamiento convencional, se requiere una frecuencia de alelo minoritario ( $p$ ) > 0.20 para alcanzar el 80% de potencia con $\alpha=0.05$ .
- Para el brazo de tratamiento intensivo (con menos eventos), la potencia es aún más baja y sensible a la frecuencia del alelo, requiriendo $p \approx 0.40$ para alcanzar el mismo umbral.

5. Significado e Implicaciones

Diseño de Estudios Genéticos: El artículo proporciona una herramienta esencial para planificar estudios futuros que integren datos longitudinales y de supervivencia, permitiendo a los investigadores estimar si sus cohortes tienen suficiente poder para detectar efectos genéticos modestos o variantes raras.
Interpretación de Efectos Genéticos: Destaca la importancia de considerar tanto los efectos directos como los mediados por biomarcadores. Ignorar la vía longitudinal puede llevar a conclusiones erróneas sobre la magnitud y dirección de los efectos genéticos.
Advertencias Prácticas:
- La validez de la fórmula depende de la suposición de censura no informativa.
- La especificación correcta del modelo longitudinal es crítica; un modelo mal especificado puede sesgar las estimaciones de potencia y los efectos genéticos.
- En estudios con pocos puntos de tiempo o muestras pequeñas, los investigadores deben ser cautelosos al interpretar los resultados de potencia basados en esta fórmula.

En conclusión, este trabajo cierra una brecha metodológica importante al ofrecer un enfoque práctico y validado para el diseño de estudios genéticos complejos, demostrando mediante el caso del DCCT que muchos estudios existentes podrían estar subdimensionados para detectar asociaciones genéticas sutiles en este contexto.