Remote, bivariate expert elicitation to determine the prior probability distribution for sample size calculation in a Bayesian non-inferiority multicenter randomized controlled trial (Croup Dosing Trial)

Este estudio demuestra la viabilidad de un método de elicitación remota y bivariate con expertos para determinar la distribución de probabilidad a priori necesaria para el cálculo del tamaño muestral en un ensayo clínico aleatorizado multicéntrico de no inferioridad sobre el tratamiento de la croup con dexametasona.

Lo esencial

Imagina que eres el capitán de un barco muy grande que va a cruzar un océano desconocido. Tu misión es llevar a muchos pasajeros (niños con una enfermedad llamada "crup") a salvo a la otra orilla. Pero hay un problema: no tienes un mapa perfecto. Sabes que hay dos tipos de brújulas (dos dosis de un medicamento llamado dexametasona) que podrías usar, pero no estás 100% seguro de cuál funcionará mejor para evitar que los pasajeros tengan que volver a subir al barco (volver a la sala de urgencias).

Para no perder tiempo ni recursos, necesitas calcular exactamente cuántos pasajeros debes llevar en tu viaje (el tamaño de la muestra). Aquí es donde entra esta investigación.

El Problema: ¿Cómo predecir el futuro sin datos perfectos?

En el mundo de la medicina, a veces no hay estudios anteriores suficientes para saber con certeza qué dosis de medicina es la mejor. En lugar de adivinar, los científicos usaron un truco muy inteligente: pidieron la opinión de expertos.

Piensa en esto como si fueras a cocinar un plato nuevo y muy importante. No tienes una receta exacta, así que llamas a 12 chefs expertos de diferentes países (Canadá, EE. UU., Australia, Nueva Zelanda) para que te digan: "Si usas esta cantidad de sal, ¿cuánta gente se quejará de que está salada?".

La Solución: Una "Reunión Virtual" de Sabios

Los investigadores organizaron tres reuniones virtuales (como videollamadas) con estos 12 médicos expertos. Pero no fue una charla cualquiera; fue un proceso muy estructurado llamado IDEA (Investigar, Discutir, Estimar, Agrupar):

1. La Primera Vuelta (El Adivino Individual): Cada médico, en silencio, escribió su propia estimación. Pensaron: "Si trato a 100 niños con la dosis alta, ¿cuántos volverán? ¿Y si uso la dosis baja?".
2. La Discusión (El Mercado de Ideas): Luego, todos se reunieron. Los investigadores mostraron un gráfico con todas las respuestas (sin decir quién dijo qué). Fue como ver un mapa de "dónde está la mayoría". Los médicos discutieron: "¡Oye, en mi hospital la dosis baja funciona mejor porque el virus es más fuerte aquí!" o "En mi zona, la gente va al médico de cabecera en lugar de a urgencias".
3. La Segunda Vuelta (El Refinamiento): Después de escuchar a los demás, cada médico volvió a hacer su estimación. ¡La magia ocurrió aquí! Sus respuestas se volvieron más parecidas y más precisas porque habían considerado las perspectivas de los otros.

El Truco Matemático: El "Globo" de Probabilidad

Aquí es donde la ciencia se pone interesante. Normalmente, si preguntas a alguien sobre dos cosas, podrías pensar que sus respuestas son independientes. Pero los investigadores sabían que la mente humana funciona diferente. Si un médico cree que la dosis alta funciona muy bien, es probable que también crea que la dosis baja funciona casi igual de bien, o quizás un poco peor.

En lugar de tratar estas dos opiniones como dos bolas de billar separadas, usaron una distribución bivariada.

• La analogía: Imagina que cada médico tiene un globo de aire. Un globo representa su opinión sobre la dosis alta y el otro sobre la dosis baja. Pero estos globos están atados con una cuerda invisible. Si uno se mueve hacia arriba, el otro también se mueve. Esto captura la conexión natural en la mente del experto: no pueden pensar en una dosis sin pensar en la otra.

El Resultado: El Mapa del Tesoro

Al final, combinaron las opiniones de los 12 médicos (sus "globos atados") para crear un mapa de probabilidad muy preciso.

• Lo que descubrieron: Con la dosis alta (0.60 mg), esperan que solo el 6.4% de los niños vuelvan a urgencias. Con la dosis baja (0.15 mg), esperan que sea un poco más, quizás el 8.2%.
• La decisión: Como la diferencia es pequeña (solo un 1.8% más), decidieron que la dosis baja podría ser una buena opción (es más barata y tiene menos efectos secundarios), pero necesitaban probarlo con un número exacto de niños.

Gracias a este mapa de expertos, calcularon que necesitan 1,850 niños en el estudio para tener la certeza matemática necesaria.

¿Por qué es importante esto?

Antes, para hacer este tipo de cálculos, los expertos tenían que reunirse en persona, viajar y gastar mucho dinero. Este estudio demostró que se puede hacer lo mismo de forma remota, usando tecnología y un poco de estadística creativa.

Es como si pudieras tener una mesa redonda con los mejores sabios del mundo, sin que nadie tenga que salir de su casa, para tomar una decisión que salvará vidas y ahorrará recursos en el futuro.

En resumen: Usaron la sabiduría colectiva de médicos de todo el mundo, conectados por internet y unidos por una cuerda matemática invisible, para dibujar el mapa perfecto para un nuevo viaje médico. ¡Y ahora saben exactamente cuántos pasajeros necesitan para llegar a la meta!

Resumen técnico

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

Título del Estudio

Elicitación remota de expertos bivariada para determinar la distribución de probabilidad a priori en el cálculo del tamaño muestral de un ensayo controlado aleatorizado multicéntrico no inferioridad bayesiano: El "Ensayo de Dosificación de Croup" (Croup Dosing Trial).

1. Planteamiento del Problema

• Contexto: Los ensayos clínicos bayesianos requieren la especificación de distribuciones a priori para los parámetros de interés. Cuando la evidencia existente es limitada o inconclusa, estas distribuciones se construyen mediante la opinión de expertos (elicitación).
• Limitaciones de los métodos tradicionales: La elicitación convencional requiere interacciones cara a cara y entrenamiento intensivo, lo que resulta inviable y costoso, especialmente cuando se necesita reunir expertos de múltiples países (Canadá, EE. UU., Australia y Nueva Zelanda) para un ensayo multicéntrico.
• Desafío Específico: El "Ensayo de Dosificación de Croup" busca evaluar la no inferioridad de una dosis baja de dexametasona (0.15 mg/kg) frente a la dosis estándar (0.60 mg/kg) en el tratamiento de la laringotraqueobronquitis (croup) en niños. El objetivo principal es determinar el número de reingresos a urgencias en 7 días.
• Necesidad Metodológica: Se requiere una metodología que permita:
  1. Realizar la elicitación de forma remota para incluir una muestra geográficamente diversa.
  2. Capturar la dependencia entre las estimaciones de las dos dosis (no asumir independencia), ya que los expertos suelen utilizar la estimación de un brazo para informar la del otro (anclaje).

2. Metodología

El estudio siguió un protocolo riguroso basado en la metodología IDEA (Investigate, Discuss, Estimate, Aggregate) adaptada a un entorno remoto.

• Diseño de la Elicitación:

  • Participantes: Se reclutaron 12 médicos de urgencias pediátricas (8 de Canadá, 4 de EE. UU.) con experiencia en croup. Se excluyó a expertos con conflictos de interés previos.
  • Herramienta: Se desarrolló una herramienta interactiva en línea (R/Shiny) que permitía a los expertos visualizar sus distribuciones beta en tiempo real.
  • Procedimiento: Se realizaron tres talleres remotos (Zoom) de 90 minutos para acomodar zonas horarias. Cada taller constó de dos rondas de encuestas separadas por una discusión grupal.
  • Parámetros Elicitados: Los expertos estimaron la probabilidad de reingreso a urgencias ($p_1$ para 0.60 mg/kg y $p_2$ para 0.15 mg/kg) basándose en un caso clínico estandarizado.

• Análisis Estadístico y Agregación:

  • Distribuciones Individuales: Las respuestas de los expertos (valores plausibles inferior, superior y más plausible) se ajustaron a distribuciones Beta.
  • Modelo Bivariado con Efectos Latentes: A diferencia de estudios previos que asumían independencia, se utilizó un modelo bivariado con efectos latentes específicos por experto (basado en Thall et al.) para introducir una correlación entre las estimaciones de $p_1$ y $p_2$.
  • Agregación: Las distribuciones individuales se agregaron ponderando equitativamente a cada médico, incorporando covariables de experiencia profesional.
  • Determinación del Tamaño Muestral: Se utilizó el método de "garantía" (assurance) mediante simulaciones en R (INLA). Se generaron datos binomiales basados en las distribuciones a priori agregadas para calcular el tamaño muestral necesario para lograr un 80% de garantía relativa y un 5% de garantía en el escenario nulo, con un margen de no inferioridad del 4%.

3. Contribuciones Clave

1. Viabilidad Remota: Demostró que la elicitación de expertos remota es factible y efectiva para ensayos clínicos internacionales, superando las barreras geográficas y de tiempo.
2. Enfoque Bivariado: Introdujo una dependencia estadística entre los brazos del tratamiento mediante distribuciones bivariadas, evitando la suposición de independencia que podría subestimar la incertidumbre o la correlación real en la percepción de los expertos.
3. Integración de Evidencia y Opinión: Combinó la revisión de literatura actual (ensayos y metaanálisis previos) con la experiencia clínica de expertos heterogéneos, generando una prior más robusta que la evidencia histórica sola.
4. Herramienta Interactiva: Desarrollo y uso de una herramienta digital personalizada para la visualización y ajuste de distribuciones beta en tiempo real durante la elicitación.

4. Resultados

• Participación: Se completaron 3 talleres con 12 expertos. La variabilidad de las respuestas disminuyó de la ronda 1 a la ronda 2 tras las discusiones grupales.
• Distribuciones A Priori Agregadas (Ronda 2):
  • Probabilidad de reingreso para 0.60 mg/kg ($p_1$): Mediana del 6.44% (Media 8.01%).
  • Probabilidad de reingreso para 0.15 mg/kg ($p_2$): Mediana del 8.19% (Media 1.00% - Nota: parece haber un error tipográfico en la tabla original del texto proporcionado donde la media es 1.00% pero la mediana es 8.19%; el texto en la sección de discusión confirma una mediana de 8.2% para la dosis baja).
  • Diferencia de riesgo ($p_2 - p_1$): Mediana de 1.52%.
• Correlación: Se observó una correlación positiva moderada de 0.40 entre las estimaciones de los dos brazos, validando la necesidad del modelo bivariado.
• Tamaño Muestral: Basado en un margen de no inferioridad del 4% y las distribuciones a priori obtenidas, el tamaño muestral calculado para el ensayo fue de 1,850 pacientes.
• Consistencia: Las probabilidades elicitadas (6.4% y 8.2%) fueron consistentes con estudios previos (Parker y Cooper) que reportaron tasas de 5.9% y 8.8% respectivamente.

5. Significancia

• Diseño de Ensayos Clínicos: Este estudio proporciona un marco metodológico replicable para diseñar ensayos bayesianos de no inferioridad cuando la evidencia histórica es insuficiente o heterogénea.
• Eficiencia y Representatividad: Permite incorporar la perspectiva de una comunidad clínica internacional diversa sin incurrir en los costos logísticos de reuniones presenciales, mejorando la generalizabilidad de la prior para la población del ensayo.
• Validación de la Metodología: Confirma que la discusión grupal en entornos remotos ayuda a calibrar el juicio de los expertos y reducir la variabilidad, alineándose con los principios del protocolo IDEA.
• Impacto Clínico: La distribución a priori derivada de este proceso se utilizará no solo para calcular el tamaño muestral, sino también para el análisis final de los datos del Ensayo de Dosificación de Croup, asegurando que las conclusiones sobre la seguridad y eficacia de la dosis reducida de dexametasona estén fundamentadas en una síntesis rigurosa de datos y experiencia experta.

En resumen, el artículo valida un enfoque innovador para la planificación de ensayos clínicos, combinando estadística bayesiana avanzada, tecnología remota y la experiencia clínica colectiva para optimizar el diseño de estudios en salud pediátrica.