Two-stage Adaptive Design Cluster Randomised Trials

Este artículo presenta un diseño adaptativo de dos etapas para ensayos aleatorizados por conglomerados que permite la reestimación del tamaño muestral y el cese temprano, optimizando la eficiencia y los costos mediante un enfoque de optimalidad de Pareto que considera la incertidumbre en los parámetros de correlación y las decisiones de diseño multidimensionales.

Lo esencial

Imagina que organizar un ensayo clínico (un experimento médico) es como organizar un gran festival de música en varias ciudades diferentes, en lugar de hacerlo en un solo estadio.

En los ensayos tradicionales, decides de antemano cuántos festivales habrá, cuánta gente asistirá a cada uno y cuánto durará todo el evento antes de que empiece. Pero hay un problema: a veces, la gente de una misma ciudad (un "grupo" o "cluster") se comporta de manera muy similar entre sí (si a uno le gusta el rock, probablemente a todos le guste). Esto hace que sea más difícil saber si el éxito del festival se debe a la música o simplemente a que todos en esa ciudad son fans del rock. Además, los organizadores a menudo no saben exactamente cuánta gente vendrá o qué tan "conectados" están los asistentes, por lo que tienen que planificar con una "margen de seguridad" muy grande, gastando mucho dinero y tiempo por si acaso.

Los autores de este artículo, Samuel Watson y James Martin, proponen una forma más inteligente y flexible de hacer estos festivales: el diseño adaptativo de dos etapas.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: Planificar a ciegas

Imagina que planeas un tour de conciertos en 100 ciudades. Como no sabes exactamente cuánta gente irá a cada una ni cómo se comportará el público, decides contratar 100 ciudades y 500 personas por ciudad "por si acaso". Si al final solo necesitas 20 ciudades, has gastado una fortuna innecesariamente. Si los datos iniciales son confusos, podrías terminar cancelando el tour a mitad de camino porque no sabes si funcionará.

2. La Solución: El "Parada Intermedia" Inteligente

En lugar de comprometerse con todo el tour desde el día uno, los autores sugieren dividir el plan en dos etapas:

• Etapa 1 (El Prueba de Fuego): Organizas un tour pequeño, digamos en 15 ciudades, durante un tiempo limitado. Recoges datos reales: ¿Cuánta gente vino? ¿Cómo reaccionaron? ¿Funcionó la música?
• La Revisión (El Intermedio): Aquí es donde ocurre la magia. En lugar de seguir ciegamente el plan original, miras los resultados de la Etapa 1.
  • Si es un éxito rotundo: ¡Puedes detener el tour antes de tiempo! Ya tienes la prueba de que la música es genial. Ahorraste dinero y tiempo.
  • Si es un fracaso total: Puedes cancelar el tour inmediatamente. No tiene sentido seguir gastando dinero en algo que no funciona.
  • Si es "más o menos": Aquí es donde el diseño brilla. Puedes cambiar el plan para la Etapa 2 basándote en lo que aprendiste.
    • ¿Las ciudades pequeñas no funcionaron? ¡Contrata ciudades más grandes!
    • ¿Necesitas más datos? ¡Añade más ciudades!
    • ¿El público se aburrió rápido? ¡Cambia la duración del concierto!

3. La Analogía del "Chef y el Sabor"

Piensa en esto como cocinar un guiso gigante para una boda.

• Método tradicional: Echas todos los ingredientes (carne, verduras, especias) en una olla gigante al principio, sin probar nada, esperando que al final quede rico. Si sale salado, ya es tarde, la boda está arruinada.
• Método adaptativo (de este artículo):
  1. Cocinas una pequeña porción (Etapa 1).
  2. La pruebas.
  3. Decisión:
     • Si sabe perfecto, ¡listo! No necesitas cocinar más.
     • Si está sin sal, le echas sal a la olla grande (Etapa 2) y sigues cocinando.
     • Si está quemado, tiras la olla y cambias la receta por completo.
  • La clave: El método de los autores asegura que, aunque cambies la receta a mitad de camino, el resultado final sigue siendo científicamente válido y no "trampa".

4. ¿Por qué es especial para los "Grupos"?

En este tipo de ensayos, no estudiamos a personas sueltas, sino a grupos (hospitales, escuelas, pueblos).

• Si un hospital tiene un buen equipo, todos los pacientes allí se benefician.
• El reto es que los datos de un hospital están "pegados" entre sí.
• Los autores crearon una fórmula matemática (una "combinación de puntuaciones") que permite mezclar los datos de la primera parte del estudio con los de la segunda, incluso si cambias el número de hospitales o el tamaño de los grupos en medio del camino. Es como si pudieras mezclar dos fotos diferentes de un paisaje y que sigan pareciendo una sola imagen perfecta, aunque hayas cambiado el ángulo de la cámara a mitad del viaje.

5. El Ejemplo Real: E-MOTIVE

Los autores probaron su método con un estudio real llamado E-MOTIVE (sobre hemorragias postparto).

• El estudio original: Planeó usar 80 hospitales y más de 210,000 pacientes. Fue un esfuerzo enorme.
• La simulación adaptativa: Si hubieran usado su nuevo método, habrían empezado con menos hospitales. Al ver los primeros resultados, habrían descubierto que el tratamiento funcionaba increíblemente bien.
• El resultado: Habrían podido detener el estudio mucho antes, usando solo 64 hospitales y menos de 80,000 pacientes. Habrían ahorrado millones y protegido a miles de pacientes de estar en un estudio que ya había demostrado su éxito.

En Resumen

Este artículo nos dice que no tenemos que ser "tontos" y planificar todo al máximo desde el principio. Podemos ser astutos:

1. Empezar pequeño.
2. Aprender de lo que pasa.
3. Ajustar el tamaño y la forma del estudio en tiempo real.
4. Ahorrar dinero y tiempo, y tomar decisiones más rápidas sobre qué tratamientos funcionan y cuáles no.

Es como tener un GPS en un viaje largo: si hay un atasco (datos malos), el GPS te redirige. Si el destino está muy cerca (éxito claro), te dice que llegaste antes de lo esperado. El método de Watson y Martin asegura que, aunque cambies de ruta, sigas llegando al destino correcto de forma segura.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Diseños Adaptativos de Dos Etapas para Ensayos Aleatorizados por Conglomerados

Autores: Samuel I. Watson y James Martin
Institución: Departamento de Ciencias de la Salud Aplicada, Universidad de Birmingham.

---

1. El Problema

Los ensayos aleatorizados por conglomerados (EAC) asignan grupos enteros de participantes (hospitales, escuelas, aldeas) a diferentes tratamientos. Estos diseños enfrentan desafíos únicos que los hacen costosos y estadísticamente complejos:

• Correlación Intraconglomerado: Los resultados dentro de un mismo conglomerado están correlacionados (medida por el Coeficiente de Correlación Intracategórico, ICC), lo que reduce la eficiencia estadística y requiere tamaños de muestra más grandes que los ensayos individuales.
• Incertidumbre de Parámetros: El tamaño de muestra necesario depende de parámetros auxiliares (como el ICC, correlaciones entre periodos o decay exponencial) que a menudo son desconocidos o altamente inciertos en la fase de diseño. Esto obliga a los investigadores a usar valores conservadores, inflando innecesariamente el costo y el tamaño de la muestra.
• Rigidez de Diseño: Los diseños tradicionales no permiten modificar el tamaño de la muestra, detener el ensayo por futilidad/eficacia o cambiar patrones de implementación (ej. de escalera a paralelo) basándose en datos interinos sin comprometer la validez estadística.

2. Metodología

Los autores proponen un marco metodológico que adapta el enfoque de prueba de combinación (combination test) al contexto de ensayos por conglomerados de dos etapas.

• Estadístico de Puntuación Combinado:

  • Descomponen el estadístico de prueba global ($Z$) en una combinación ponderada de estadísticos de puntuación marginales (etapa 1) y condicionales (etapa 2).
  • La fórmula clave es $Z = w_1 Z_1 + w_2 Z_{2|1}$, donde $Z_1$ es el estadístico de la etapa 1 y $Z_{2|1}$ es el estadístico de la etapa 2 condicionado a la etapa 1.
  • Los pesos ($w_1, w_2$) se determinan en el diseño inicial basándose en la información planificada y no se modifican tras ver los datos, lo que garantiza el control de la tasa de error tipo I.
  • Se utiliza una descomposición de la matriz de covarianza para manejar las correlaciones dentro y entre conglomerados y periodos.

• Corrección para Muestras Pequeñas:

  • Reconociendo que los EAC a menudo tienen pocos conglomerados (<40), el método incorpora una corrección "entre-dentro" (between-within correction) utilizando distribuciones $t$ en lugar de $z$ para evitar sesgos y errores tipo I inflados.

• Selección de Diseño y Reglas de Decisión:

  • Se define un espacio de diseño multidimensional que incluye: número de nuevos conglomerados ($K_2$), tamaño del conglomerado ($m_2$), duración del periodo y patrones de aleatorización (ej. cambiar de escalera a paralelo).
  • Se proponen dos criterios de optimización para la etapa 2 basados en la Potencia Condicional (CP):
    1. Penalización de Costo: Maximiza $CP - \lambda \cdot Costo$. Minimiza el costo esperado, pero puede permitir costos máximos altos.
    2. Restricción de Presupuesto: Maximiza $CP$ sujeto a un tope de costo ($\bar{C}$). Minimiza el costo máximo, redistribuyendo la potencia hacia escenarios más probables.
  • Se utiliza un enfoque de Optimalidad de Pareto para equilibrar objetivos conflictivos (ej. minimizar el número esperado de participantes vs. minimizar el número máximo de conglomerados).

• Re-estimación de Parámetros Auxiliares:

  • El marco permite re-estimar parámetros como el ICC o la varianza residual en el análisis interino utilizando los datos de la etapa 1 para ajustar el diseño de la etapa 2, manteniendo la validez del error tipo I gracias a la independencia condicional de las pruebas.

3. Contribuciones Clave

• Adaptación a Conglomerados: Es uno de los primeros marcos que integra diseños adaptativos flexibles específicamente para ensayos por conglomerados, manejando la complejidad de las correlaciones intra-grupo y la re-estimación de parámetros.
• Flexibilidad en la Implementación: Permite cambios estructurales en el ensayo, como modificar la aleatorización (ej. de diseño de escalera stepped-wedge a paralelo) o ajustar la duración del estudio, algo crítico en implementaciones de salud pública.
• Enfoque Multicriterio: Introduce el uso de fronteras de Pareto para tomar decisiones de diseño que equilibren costos esperados, costos máximos y tamaños de muestra, ofreciendo a los financiadores opciones claras de compensación (trade-offs).
• Herramienta de Software: Desarrollan y ponen a disposición el paquete de R acrt para facilitar la implementación de estos métodos.

4. Resultados y Ejemplos

El artículo ilustra el método con tres casos:

1. Ensayo Paralelo Adaptativo:

   • Compararon diseños adaptativos frente a un diseño no adaptativo fijo.
   • Resultado: Los diseños adaptativos lograron reducir el costo esperado en un ~17% en comparación con el diseño fijo.
   • La estrategia de "restricción de presupuesto" logró un costo máximo menor (9% más alto que el fijo) comparado con la estrategia de "penalización de costo" (23% más alto), demostrando la utilidad de elegir el criterio según la aversión al riesgo del financiador.

2. Diseño Escalonado (Stepped-Wedge) con Rediseño:

   • Simularon un ensayo longitudinal donde se re-estimó el ICC en el análisis interino.
   • Resultado: El diseño permitió cambiar dinámicamente el patrón de implementación (grado de escalonamiento $r$) y el número de periodos ($t_2$) basándose en la nueva estimación del ICC. Si el ICC estimado era menor de lo esperado, el diseño podía reducir el tamaño de la muestra o cambiar a un diseño paralelo para mayor eficiencia.

3. Re-análisis del Ensayo E-MOTIVE:

   • Aplicaron el método a un gran ensayo real sobre hemorragia postparto (80 conglomerados, >210,000 pacientes).
   • Hallazgo: En un análisis interino hipotético, el estadístico $z$ fue -5.22, lo que habría llevado a detener el ensayo por eficacia temprana.
   • Impacto: Esto habría reducido el número de conglomerados en un 20% y de pacientes en más del 60% en comparación con el diseño original. Sin embargo, los autores advierten que la detención temprana podría haber impedido evaluar efectos a largo plazo, sugiriendo que en algunos casos es preferible redistribuir la muestra en lugar de detenerse.

5. Significado e Implicaciones

• Eficiencia de Recursos: Los métodos adaptativos ofrecen una vía robusta para reducir costos y exponer a menos pacientes a intervenciones experimentales, especialmente crucial en ensayos por conglomerados que son inherentemente costosos.
• Gestión de la Incertidumbre: Al permitir la re-estimación de parámetros de correlación inciertos (como el ICC), los investigadores pueden evitar el sobre-diseño conservador sin sacrificar la potencia estadística.
• Viabilidad Regulatoria: El método preserva estrictamente el error tipo I, cumpliendo con las directrices de agencias reguladoras (como la FDA) para diseños adaptativos, lo que facilita su adopción en ensayos clínicos reales.
• Futuro: El trabajo sienta las bases para diseños de múltiples etapas y la optimización de ensayos que buscan estimar múltiples efectos (ej. efectos inmediatos vs. sostenidos) simultáneamente.

En conclusión, Watson y Martin demuestran que la integración de análisis interinos en ensayos por conglomerados no solo es posible, sino que puede generar ahorros significativos y diseños más inteligentes, siempre que se utilicen métodos estadísticos rigurosos como la prueba de combinación para mantener la integridad de los resultados.