Assessing covariate-adjusted risk differences in small-sample clinical trials

Resumen Técnico: Evaluación de Diferencias de Riesgo Ajustadas por Covariables en Ensayos Clínicos de Muestras Pequeñas

Planteamiento del Problema
Los puntos finales binarios son ubicuos en los ensayos clínicos aleatorizados (ECA). Tradicionalmente, las razones de momios condicionales derivadas de la regresión logística han sido el estándar para evaluar los efectos del tratamiento. Sin embargo, las razones de momios sufren problemas de interpretabilidad, no son colapsables (lo que significa que los efectos marginales y condicionales divergen incluso sin interacciones) y dependen de supuestos de modelado fuertes. Las recientes directrices regulatorias, particularmente de la FDA de EE. UU., enfatizan la importancia de los estimandos marginales (efectos del tratamiento promedio en la población) y fomentan el ajuste por covariables para mejorar la eficiencia.

En consecuencia, las diferencias de riesgo (DR) han ganado prominencia como una medida más interpretable y colapsable. Sin embargo, la metodología para estimar y probar diferencias de riesgo ajustadas por covariables en escenarios de muestras pequeñas ($N \le 150$) sigue siendo poco explorada. Los ensayos de muestras pequeñas, comunes en el desarrollo de Fase II, enfermedades raras y pediatría, plantean desafíos específicos: las aproximaciones asintóticas a menudo fallan, lo que conduce a estimadores sesgados, varianzas subestimadas, valores p mal calibrados y una cobertura deficiente de los intervalos de confianza (IC). Además, los enfoques de g-cálculo (estandarización), aunque flexibles, dependen de modelos de trabajo de regresión logística que pueden sufrir separación o no convergencia en datos dispersos. Existe una falta de mejores prácticas establecidas para alinear el estimando, el estimador puntual y el estimador de la varianza en estos contextos.

Metodología
Los autores realizaron un estudio de simulación exhaustivo para evaluar diez métodos estadísticos para estimar y probar diferencias de riesgo en ECA de dos brazos con puntos finales binarios y covariables basales categóricas pronósticas.

• Diseño de Simulación: El estudio reflejó un ensayo hipotético con aleatorización simple ($1:1$), un resultado binario $Y$ y dos covariables binarias $X_1, X_2$. Los datos se generaron mediante un modelo logístico con una probabilidad fija de respuesta al control marginal (0.20) y efectos del tratamiento variables ($\delta = 0, 0.15, 0.30$). Se varió la fuerza pronóstica de las covariables y los tamaños de muestra totales ($N \in \{30, 60, 90, 120, 150\}$), creando 45 escenarios con 50,000 repeticiones cada uno.
• Estimando Objetivo: El marco de simulación evaluó el rendimiento frente al Efecto del Tratamiento Marginal (MTE), definido como el efecto promedio del tratamiento sobre la distribución de la población.
• Métodos Evaluados:
  1. No Ajustado: Prueba incondicional exacta de Suissa–Shuster (dirigida al MTE).
  2. Estratificado (Mantel–Haenszel): Prueba de Cochran–Mantel–Haenszel (CMH) (dirigida al Efecto del Tratamiento Condicional, CTE); Diferencia de Riesgo MH con varianza de Sato (dirigida al Efecto del Tratamiento Promedio Poblacional Condicional, CPATE); Diferencia de Riesgo MH con varianza modificada de Greenland–Robins (mGR) (dirigida al MTE).
  3. G-Cálculo (Estandarización): Seis variantes que difieren en la estimación de la varianza y los ajustes del modelo de trabajo:
     • Ge et al. (método delta basado en modelo; dirigido al CPATE).
     • Liu y Xi (varianza robusta tipo sándwich + término de variabilidad de la covariable; dirigido al MTE).
     • Ye et al. (varianza robusta semiparamétrica; dirigido al MTE).
     • Steingrimsson et al. (bootstrap no paramétrico; dirigido al MTE).
     • Zhang et al. (prueba de puntuación robusta; dirigido al MTE).
     • Firth (regresión logística penalizada para manejar la separación; emparejada con la varianza de Ge; dirigida al CPATE).

Contribuciones y Resultados Clave

• Estabilidad Computacional: La no convergencia de los modelos de regresión logística fue extremadamente rara ($<0.004\%$) incluso en $N=30$. Sin embargo, la separación (predicción perfecta) ocurrió frecuentemente en muestras pequeñas con covariables pronósticas fuertes (hasta $>30\%$ en $N=30$). El estudio encontró que la separación impulsada por covariables no degradó materialmente el rendimiento de los métodos de g-cálculo, mientras que la separación impulsada por el indicador de tratamiento afectó a todos los métodos.
• Control del Error Tipo I:
  • Inflación: Varias aproximaciones de g-cálculo que utilizan inferencia estándar de tipo Wald (Ge et al., Ye et al.) exhibieron una inflación pronunciada del Error Tipo I en muestras muy pequeñas ($N=30$), principalmente debido a la subestimación de la varianza cuando el estimando (MTE) y el estimador de la varianza (condicional) estaban desalineados.
  • Conservadurismo: Las variantes robustas (Liu y Xi) y los modelos penalizados (Firth) mantuvieron un control estricto del Error Tipo I (a menudo por debajo de 0.05) en muestras pequeñas, pero a costa de una potencia reducida.
  • Robustez: La prueba de Suissa–Shuster y la prueba CMH demostraron un excelente control del Error Tipo I en todos los escenarios, aunque la primera fue consistentemente la más conservadora.
• Potencia Estadística:
  • Los métodos con Error Tipo I inflado (Ge, Ye) mostraron la potencia más alta, reflejando su naturaleza liberal.
  • Los métodos conservadores (Liu-Xi, Firth, Suissa–Shuster) mostraron la potencia más baja en muestras pequeñas.
  • Los métodos de g-cálculo que utilizan pruebas de puntuación o bootstrap no paramétrico ofrecieron un punto medio.
  • Cabe destacar que, en el escenario específico de covariables categóricas, el g-cálculo no mostró una ventaja de potencia sustancial sobre la prueba MH cuando se requería un control estricto del Error Tipo I. Los autores señalan que las ganancias de eficiencia del g-cálculo se esperan más pronunciadas con covariables continuas, las cuales no se incluyeron en esta simulación.
• Estimación y Cobertura:
  • Sesgo: La mayoría de los métodos fueron insesgados. El enfoque basado en Firth introdujo un sesgo hacia abajo en la estimación de la diferencia de riesgo (debido a la contracción hacia 0.50) pero logró un Menor Error Cuadrático Medio (RMSE).
  • Cobertura: Los intervalos de Wald estándar para el g-cálculo (Ge, Ye) y las diferencias de riesgo MH mostraron una subcobertura sustancial en muestras pequeñas. Los métodos Liu–Xi y Firth proporcionaron una excelente cobertura (cerca del 95% nominal) incluso en muestras pequeñas, a pesar de su comportamiento de prueba conservador.

Significado y Recomendaciones
El artículo argumenta que la inflación observada del Error Tipo I en análisis ajustados por covariables de muestras pequeñas a menudo refleja una desalineación entre el estimando y el estimador de la varianza en lugar de un fallo fundamental del método de ajuste en sí mismo. Específicamente, utilizar un estimador de varianza condicional (que ignora la variabilidad de la distribución de las covariables) para inferir un estimando marginal conduce a resultados anti-conservadores.

Los autores proporcionan las siguientes recomendaciones prácticas:

1. Para Control Estricto del Error Tipo I: La prueba incondicional exacta de Suissa–Shuster es altamente robusta pero pierde eficiencia al ignorar las covariables. Para covariables categóricas, la prueba CMH es una alternativa robusta. Si el ajuste por covariables es necesario, el g-cálculo robusto (varianza de Liu–Xi o modelo de Firth) asegura un control conservador del error.
2. Para Equilibrar Potencia y Control del Error: El g-cálculo combinado con la prueba de puntuación de Zhang o el bootstrap no paramétrico ofrece un compromiso, mostrando una inflación moderada del error pero mayor potencia que los métodos conservadores.
3. Para Precisión de la Estimación: Los métodos Liu–Xi y Firth proporcionan la cobertura de intervalo de confianza más confiable en muestras pequeñas, aunque Firth introduce sesgo.
4. La Alineación es Clave: El estudio enfatiza que la selección del método debe guiarse por el estimando objetivo (MTE vs. CPATE) y el marco inferencial. El g-cálculo proporciona un marco unificado para la estimación, la prueba y la construcción de intervalos, pero el procedimiento inferencial (estimador de varianza o estadístico de prueba) debe estar explícitamente alineado con el estimando elegido para garantizar una inferencia válida.

El estudio concluye que, aunque el g-cálculo es un marco poderoso, su aplicación en muestras pequeñas requiere una selección cuidadosa de estimadores de varianza y modelos de trabajo para evitar tasas de error infladas, y que ningún método único domina en todas las dimensiones de rendimiento.