Accounting for overdispersion and clustering in binomial data from N-of-1 trials

Resumen Técnico: Contabilización de la Sobredispersión y el Agrupamiento en Datos Binomiales de Ensayos N-de-1

Planteamiento del Problema
Los ensayos N-de-1 son experimentos de cruce aleatorizados, de doble ciego y centrados en el paciente, diseñados para evaluar intervenciones para pacientes específicos con enfermedades crónicas. Si bien el objetivo primario es determinar la eficacia para un paciente determinado, existe un valor significativo en la agrupación de los resultados de un conjunto de ensayos N-de-1 para obtener estimaciones de eficacia a nivel poblacional y para evaluar el éxito de la individualización del tratamiento. Sin embargo, los métodos estadísticos estándar para la agrupación de datos binomiales a menudo no logran contabilizar dos características críticas inherentes a los diseños N-de-1:

1. Sobredispersión: La varianza de los resultados binarios suele exceder la relación media-varianza prescrita por la distribución binomial estándar.
2. Agrupamiento Jerárquico: Las mediciones están correlacionadas dentro de los pacientes debido a episodios de tratamiento repetidos (correlación intra-paciente).

Aunque se han propuesto métodos bayesianos para este contexto, particularmente para resultados binarios, existe una falta de enfoques frecuentistas que aborden rigurosamente tanto la sobredispersión como el agrupamiento de forma simultánea. Este documento aborda esta brecha presentando y comparando dos estrategias analíticas frecuentistas para la agrupación de datos binomiales de ensayos N-de-1.

Metodología
Los autores proponen dos enfoques frecuentistas distintos para estimar la proporción agrupada ($\theta$) de preferencia o éxito del tratamiento.

• Método 1: Enfoque de Cuasi-Verosimilitud (QL) (Solo Sobredispersión)
  Este método modela los datos utilizando una distribución Beta-Binomial para contabilizar la sobredispersión ($\rho$), pero trata a los pacientes como unidades independientes con respecto a la estructura de agrupamiento.

  • Modelo: $X_j \sim \text{BetaBinom}(n_j, \theta, \rho)$, donde $X_j$ es el número de éxitos para el paciente $j$ de un total de $n_j$ episodios.
  • Estimación: La proporción agrupada $\theta$ se estima mediante un estimador de cuasi-verosimilitud: $\hat{\theta}_{QL} = \frac{\sum c_j X_j}{\sum c_j n_j}$, donde los pesos $c_j$ dependen del parámetro de sobredispersión $\rho$.
  • Estimación de la Varianza: Los errores estándar se derivan utilizando el método Jackknife para asegurar la consistencia.
  • Estimación de $\rho$: El documento evalúa varios estimadores para el parámetro de correlación intraclúster (ICC) $\rho$, incluyendo Análisis de Varianza (AOV), Fleiss-Cuzick (FC), Pearson (PE), Cuasi-Verosimilitud Extendida (EQL), Pseudo-Verosimilitud (PL) y Método de Momentos (MM). Los autores señalan que las fórmulas de varianza de forma cerrada para algunos estimadores (como AOV) pueden dar valores negativos o sesgados, lo que los lleva a depender de la estimación de varianza basada en Jackknife para la comparación.

• Método 2: Enfoque de Efectos Aleatorios (Sobredispersión y Agrupamiento)
  Este método, adaptado de Molenberghs et al., utiliza un modelo jerárquico de efectos aleatorios para contabilizar simultáneamente la sobredispersión y la correlación entre las medidas repetidas dentro de los pacientes.

  • Modelo: $X_j \sim \text{Binom}(n_j, \theta_j)$, donde $\theta_j = \pi_j \kappa_j$. Aquí, $\pi_j$ (modelado mediante una distribución Beta) contabiliza la sobredispersión restante, y $\kappa_j$ (un efecto aleatorio derivado de una distribución normal) contabiliza el agrupamiento jerárquico.
  • Estimación: Los parámetros se estiman mediante Máxima Verosimilitud (ML) utilizando integración numérica. La estimación agrupada final se deriva como el producto de los valores esperados de los componentes aleatorios: $\hat{\theta} = \hat{E}(\pi_j) \times \hat{E}(\kappa_j)$.
  • Aproximación: La esperanza de la función sigmoide de la variable aleatoria normal se aproxima utilizando una función de distribución acumulada normal estándar con un factor de escala ($\lambda \approx 0.588$).

Estudio de Simulación y Resultados
Los autores realizaron un estudio de simulación con 1,000 iteraciones para comparar el desempeño de estos métodos bajo diferentes escenarios de la proporción real ($\theta$) y sobredispersión ($\rho$), con tamaños de muestra variables ($J$ pacientes y $n_j$ episodios).

• Desempeño de los Estimadores de $\rho$: En el Método 1, el estimador de Cuasi-Verosimilitud Extendida (EQL) para $\rho$ exhibió un Error Cuadrático Medio (MSE) y un sesgo elevados, particularmente cuando $\theta = 0.50$. Sin embargo, a pesar del pobre desempeño del estimador EQL para $\rho$, la estimación de la proporción agrupada ($\hat{\theta}$) resultante mostró un desempeño comparable a, o incluso mejor que, otros estimadores. Los autores atribuyen esto a un efecto de cancelación donde el sesgo en $\hat{\rho}$ reduce la contribución de la varianza del término $\rho$ en la expansión del método Delta de $\text{Var}(\hat{\theta})$.
• Desempeño del Método 1 vs. Método 2:
  • MSE: Los estimadores del Método 1 mostraron MSEs estables en general. El Método 2 mostró MSEs competitivos en algunos escenarios, pero tuvo un desempeño inferior cuando $\theta = 0.75$.
  • Probabilidad de Cobertura: El Método 1 mantuvo probabilidades de cobertura cercanas al nivel nominal del 95% en todos los escenarios. El Método 2 (Efectos Aleatorios) mostró una cobertura significativamente pobre (tan baja como ~78%) cuando $\theta = 0.75$. Los autores atribuyen esto a la distribución de muestreo sesgada de las estimaciones de varianza en los Modelos Mixtos Generalizados (GLMM), lo que hace que los intervalos de confianza simétricos sean inapropiados en esos escenarios específicos.
• Efectos del Tamaño de la Muestra: El aumento del número de pacientes ($J$) redujo el MSE de manera más efectiva que el aumento del número de episodios por paciente ($n_j$).

Aplicaciones con Datos Reales
Los métodos se aplicaron a tres conjuntos de datos de ensayos N-de-1 del mundo real:

1. Amitriptilina para Fibromialgia: Todos los métodos produjeron estimaciones agrupadas de preferencia similares ($\hat{\theta} \approx 0.67$). No se detectó sobredispersión significativa (los intervalos de confianza para $\rho$ incluyeron cero).
2. AINEs vs. Paracetamol para Osteoartritis: Los resultados fueron consistentes entre los métodos ($\hat{\theta} \approx 0.42$ para la puntuación total del diario). No se encontró sobredispersión significativa.
3. Teofilina para CAL Irreversible: Las estimaciones agrupadas fueron consistentes ($\hat{\theta} \approx 0.51$). Nuevamente, no hubo evidencia significativa de sobredispersión.

En todos los ejemplos de datos reales, las estimaciones puntuales de la proporción agrupada fueron notablemente consistentes a través de los diferentes métodos, a pesar de las variaciones en los parámetros de sobredispersión estimados.

Significancia y Reivindicaciones
El documento afirma proporcionar los primeros métodos basados en la frecuencia para la agrupación de datos binomiales de ensayos N-de-1 que abordan explícitamente la sobredispersión y el agrupamiento jerárquico.

• Contribución Metodológica: Los autores introducen un marco de cuasi-verosimilitud para la sobredispersión y adaptan un marco de efectos aleatorios para la sobredispersión y el agrupamiento simultáneos.
• Distinción Interpretativa: El documento destaca una diferencia conceptual entre los dos métodos. El Método 1 produce estimaciones de "promedio poblacional" (PA), mientras que el Método 2 produce estimaciones "específicas del sujeto" (SS). Dado que los ensayos N-de-1 se centran intrínsecamente en las diferencias individuales, los autores sugieren que la interpretación del Método 2 (SS) puede ser ligeramente más apropiada para el contexto N-de-1, a pesar de su complejidad computacional y los ocasionales problemas de cobertura en escenarios sesgados.
• Utilidad Práctica: El estudio demuestra que, si bien la estimación del parámetro de sobredispersión ($\rho$) puede ser inestable (particularmente con EQL), la estimación de la proporción agrupada resultante ($\hat{\theta}$) es robusta a través de las diferentes estrategias de estimación. Los autores concluyen que, para aplicaciones prácticas, la elección del método puede depender de si el objetivo de inferencia es a nivel poblacional o individual, y que el Método 1 ofrece una alternativa más simple y robusta cuando las propiedades de cobertura del Método 2 son una preocupación.