📊 estadística

A Bayesian hierarchical push-forward method for cluster Randomized Controlled Trial power calculations in complex humanitarian settings

Este artículo introduce un método jerárquico bayesiano de propagación hacia adelante que integra información previa sobre el abandono de conglomerados e individuos para mejorar los cálculos de potencia y el diseño de ensayos para ensayos controlados aleatorizados por conglomerados en entornos humanitarios complejos, demostrado a través de un estudio próximo en Bangladesh y una aplicación R Shiny disponible públicamente.

Autores originales: Margaret Elliott, Sonia Jain, Adam Richards, Brendan Fries, Ravi Goyal

Publicado 2026-10-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Margaret Elliott, Sonia Jain, Adam Richards, Brendan Fries, Ravi Goyal

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

En las secuelas caóticas de una crisis humanitaria, donde las familias desplazadas se mueven de forma impredecible y los recursos escasean, diseñar un estudio médico es un ejercicio de navegación por lo desconocido. Los investigadores suelen recurrir a los ensayos aleatorizados por conglomerados, un método en el que grupos enteros de personas, como aldeas o campos de refugiados, son asignados para recibir una nueva intervención de salud o una estándar. Este enfoque es vital para probar tratamientos en lugares donde el seguimiento individual es imposible, pero conlleva un riesgo único: grupos enteros pueden desaparecer del estudio debido al conflicto, el desplazamiento o problemas de seguridad. Cuando estos grupos desaparecen, los datos se vuelven incompletos y el estudio puede perder la capacidad de detectar si un tratamiento realmente funciona. Para resolver esto, los científicos deben ir más allá de las simples conjeturas sobre cuántas personas permanecerán en el estudio y, en su lugar, adoptar un marco que trate la incertidumbre no como un defecto, sino como una parte central del cálculo.

Un equipo de estadísticos y expertos en salud pública ha desarrollado una nueva forma de planificar estos estudios difíciles, una que reconoce que el futuro rara vez es un punto único y fijo. En lugar de calcular un solo número sobre qué tan probable es que un estudio tenga éxito, crearon un método que genera un rango completo de posibilidades, mostrando cómo las probabilidades de éxito cambian a medida que las condiciones varían. Su trabajo fue impulsado por un próximo ensayo en Cox's Bazar, Bangladesh, que tiene como objetivo ayudar a los refugiados de Myanmar a controlar la enfermedad cardíaca y la hepatitis C. En este entorno, los investigadores sabían que las personas podrían abandonar el área del estudio o que campamentos enteros podrían volverse inaccesibles, lo que hace que los métodos de planificación tradicionales sean poco fiables. Al utilizar un enfoque bayesiano, que permite integrar lo que ya se sabe de estudios previos mientras se modela explícitamente el caos del presente, construyeron una herramienta que predice la solidez de un ensayo bajo muchos escenarios diferentes de pérdida y disrupción.

Los investigadores comenzaron analizando un ensayo similar completado recientemente en Myanmar, donde analizaron cuántas personas permanecieron en el estudio y cómo se distribuyó la pérdida de participantes entre diferentes aldeas. Descubrieron que, a veces, las personas se iban individualmente, pero otras veces, aldeas enteras se perdían en el seguimiento debido al conflicto. Utilizaron estos datos del mundo real para construir un modelo matemático que simula miles de versiones potenciales del próximo ensayo en Bangladesh. En cada simulación, variaron el número de conglomerados, el tamaño de los grupos y la tasa a la que las personas podrían abandonar el estudio, incluyendo escenarios donde desaparecen conglomerados enteros. Este proceso, que llaman un método de "avance hacia adelante" (push-forward), toma la incertidumbre sobre cuántas personas permanecerán y la proyecta a través del diseño del estudio para ver cómo podrían ser los resultados finales.

Los resultados de sus simulaciones revelaron una falla crítica en la forma en que se planifican a menudo los estudios. Los métodos tradicionales suelen proporcionar un solo número, como una probabilidad del 80 por ciento de éxito, lo que puede dar una falsa sensación de seguridad. El nuevo método mostró que, incluso cuando la probabilidad promedio de éxito parece buena, existe a menudo un riesgo significativo de que el poder real del estudio sea mucho menor. Por ejemplo, en algunos escenarios, aunque la potencia promedio parecía suficiente, todavía había una probabilidad del treinta y cinco por ciento de que el estudio fuera demasiado débil para detectar un efecto real. Esto sucede porque la pérdida de grupos enteros crea un tipo de incertidumbre diferente a la de perder individuos uno por uno. Los investigadores descubrieron que simplemente aumentar el número de personas en cada grupo no siempre soluciona el problema; a veces, añadir más conglomerados es mucho más efectivo para asegurar que el estudio pueda resistir la pérdida de algunas aldeas.

Cuando aplicaron este nuevo marco al ensayo de Bangladesh, utilizando los datos del estudio de Myanmar para informar sus predicciones, los resultados fueron tranquilizadores pero matizados. Probaron seis escenarios diferentes para cómo las personas podrían abandonar el estudio, que iban desde partidas individuales aleatorias hasta la pérdida de múltiples conglomerados enteros. En cada escenario, la mediana de la probabilidad de éxito del estudio se mantuvo alta, a menudo por encima del 87 por ciento. Sin embargo, el método también destacó que, en el peor de los casos, donde se perdieran varios conglomerados, todavía había un 35 por ciento de probabilidad de que el estudio no alcanzara el umbral estándar del 80 por ciento de potencia. Este nivel de detalle permite a los investigadores tomar decisiones más informadas, comprendiendo no solo si un estudio probablemente funcionará, sino qué tan vulnerable es ante los tipos específicos de disrupción comunes en las crisis humanitarias.

Para hacer esta compleja herramienta accesible a otros científicos y trabajadores de la salud pública, el equipo construyó una aplicación de software interactiva y gratuita que cualquiera puede usar para diseñar sus propios ensayos. Esta herramienta permite a los investigadores ingresar sus propias suposiciones sobre cuántas personas podrían irse y ver una representación visual de los riesgos y recompensas de diferentes tamaños de estudio. Al cambiar la conversación de una estimación de punto único a un rango de posibilidades, este trabajo ayuda a los investigadores a diseñar estudios que sean lo suficientemente robustos como para sobrevivir a la imprevisibilidad de las zonas de crisis. Ofrece una forma de planificar con los ojos abiertos, reconociendo que en los entornos humanitarios, la única certeza es que las cosas cambiarán, y que un buen diseño de estudio debe ser lo suficientemente flexible para dar cuenta de esa realidad.

Resumen Técnico: Un Método Jerárquico Bayesiano de Propagación hacia Adelante para el Cálculo de la Potencia de cRCT en Entornos Humanitarios Complejos

Planteamiento del Problema
El diseño de ensayos controlados aleatorizados por conglomerados (cRCT) en crisis humanitarias (por ejemplo, campos de refugiados, zonas de conflicto) presenta desafíos únicos que los cálculos de potencia frecuentistas estándar a menudo no logran abordar adecuadamente. Estos entornos se caracterizan por una incertidumbre extrema respecto a los parámetros clave del diseño, incluyendo la eficacia de la intervención, los coeficientes de correlación intraclúster (ICC) y, lo más crítico, la deserción (pérdida de seguimiento). En tales entornos, el desplazamiento, las limitaciones de recursos y las preocupaciones de seguridad pueden conducir a tasas de seguimiento heterogéneas y a la pérdida completa de conglomerados enteros. Los métodos tradicionales suelen depender de estimaciones puntuales para estos parámetros, lo que genera un único valor de potencia que oculta el riesgo sustancial de que la potencia real del ensayo caiga por debajo de los umbrales aceptables (p. ej., 80%) debido a una pérdida de datos imprevista. Existe una brecha reconocida en la literatura respecto a los métodos de diseño bayesianos que incorporen explícitamente la información previa y la incertidumbre sobre la ausencia de datos en la etapa de diseño de los cRCT.

Metodología
Los autores proponen un marco de diseño bayesiano que genera una Distribución de Potencia de Propagación hacia Adelante (PFPD, por sus siglas en inglés). Este enfoque va más allá de las estimaciones puntuales para caracterizar la distribución completa de la potencia del ensayo, contabilizando la incertidumbre en los parámetros de diseño. La metodología consta de tres componentes principales:

Modelado Jerárquico de Datos Históricos: El marco utiliza datos de ensayos completados anteriormente (o información previa) para estimar las distribuciones posteriores de los parámetros clave ( $\delta$ , $\rho$ , $\pi$ y $\tau$ , donde $\tau$ es el ICC de la deserción). Un modelo jerárquico permite el préstamo de fuerza entre múltiples estudios si están disponibles, modelando los parámetros específicos de cada ensayo como extraídos de una distribución de población definida por hiperparámetros.
Modelos de Deserción y de Resultado:
- Deserción: El modelo trata las propensiones de seguimiento específicas de cada conglomerado como variables latentes que siguen una distribución Beta. Esto permite la derivación de la tasa media de seguimiento ( $\pi$ ) y el ICC de la deserción ( $\tau$ ), el cual cuantifica la correlación de la ausencia de datos dentro de los conglomerados (que varía desde la ausencia aleatoria hasta la pérdida de un conglomerado completo).
- Resultado: Se utiliza un modelo de efectos mixtos de regresión generalizada (específicamente un resultado Bernoulli con un vínculo logit) para modelar el resultado binario, incorporando un efecto aleatorio distribuido normalmente para los conglomerados con el fin de estimar el ICC del resultado.
Mapeo de Propagación hacia Adelante (Push-Forward Mapping): La innovación central es el mecanismo de "propagación hacia adelante". En lugar de fijar los parámetros en estimaciones puntuales, el método toma muestras de las distribuciones posteriores de los parámetros de diseño ( $\Theta$ ). Estas muestras se propagan a través de una función de mapeo determinista ( $f$ ), que es la fórmula estándar de tamaño de muestra/potencia para cRCT con deserción (incorporando un factor de inflación de la varianza $G$ ). Este proceso genera una distribución empírica de valores de potencia ( $P(\xi | D, \Gamma)$ ), donde $\xi$ representa la potencia, $D$ son los datos históricos y $\Gamma$ representa las restricciones de diseño fijas (por ejemplo, número de conglomerados $n$ , individuos por conglomerado $m$ ).

Contribuciones Clave

Marco Novedoso: El artículo introduce una estrategia bayesiana formal diseñada específicamente para el diseño de cRCT en entornos complejos, integrando explícitamente la incertidumbre en la deserción (tanto a nivel individual como de conglomerado) en los cálculos de potencia.
Distribución de Propagación hacia Adelante: Extiende los métodos existentes de estimación de ICC (por ejemplo, Turner et al.) para incluir parámetros de deserción, proporcionando una representación distributiva de la potencia en lugar de una estimación puntual única.
Implementación Práctica: Los autores desarrollaron y difundieron una aplicación R Shiny de acceso público para hacer accesibles estos cálculos complejos a los investigadores, permitiendo la exploración interactiva de cómo el tamaño de la muestra y la incertidumbre de los parámetros afectan la potencia.
Aplicación en el Mundo Real: El método se aplica al diseño de un próximo cRCT en Cox's Bazar, Bangladesh, que evalúa una intervención de trabajadores de salud comunitaria para enfermedades cardiovasculares y hepatitis C entre refugiados rohingya.

Resultados

Estudio de Simulación: Los autores realizaron simulaciones variando tamaños de muestra, efectos de tratamiento y tasas de deserción.
- Las simulaciones demostraron que, mientras que las estimaciones puntuales frecuentistas y las medianas de la PFPD podrían sugerir que un ensayo tiene una potencia adecuada (p. ej., >80%), la PFPD a menudo revela una probabilidad no despreciable (riesgo de cola) de que la potencia real caiga por debajo de este umbral.
- Por ejemplo, en escenarios donde la estimación frecuentista era del 83% y la mediana de la PFPD era del 92%, aún existía una probabilidad del 35% de que la potencia real fuera inferior al 80%.
- El estudio destacó que aumentar el tamaño del conglomerado produce rendimientos decrecientes en la estabilidad de la potencia una vez que se alcanza un determinado tamaño de muestra total, un matiz capturado por la forma distributiva de la PFPD.
Aplicación en Bangladesh: Al aplicar el método al diseño del ensayo en Bangladesh utilizando datos de un ensayo similar completado en Myanmar:
- Los autores evaluaron seis escenarios que van desde la ausencia aleatoria de individuos hasta el abandono completo del conglomerado.
- A pesar de las fluctuaciones en los parámetros de deserción (particularmente en los escenarios con abandono de conglomerados), las PFPD indicaron una alta probabilidad de alcanzar la potencia suficiente (medianas $\ge$ 0.87).
- Sin embargo, el análisis también cuantificó el riesgo: incluso en los escenarios más optimistas, hubo una probabilidad de hasta 0.35 de que el ensayo tuviera una potencia insuficiente, un riesgo que sería invisible en un cálculo de estimación puntual estándar.

Significancia y Reivindicaciones
El artículo sostiene que este trabajo proporciona una base para cRCT más robustos y eficientes en contextos humanitarios al formalizar estrategias que anticipan la pérdida de datos. La significancia radica en el cambio de paradigma de las decisiones binarias de "con potencia/sin potencia" hacia una comprensión probabilística de las características operativas del ensayo. Al cuantificar la incertidumbre en la potencia, el método permite a los investigadores y partes interesadas tomar decisiones más informadas sobre el tamaño de la muestra y la asignación de recursos, reconociendo la inestabilidad inherente de los entornos humanitarios. Los autores argumentan que este enfoque fortalece la base de evidencia para las intervenciones de salud en poblaciones con recursos limitados y afectadas por crisis, asegurando que los diseños de ensayos sean resilientes a los altos niveles de deserción típicos de estos entornos. Las reivindicaciones del trabajo son modestas, señalando limitaciones como el enfoque actual en resultados binarios y la dependencia de datos previos de una sola fuente en la aplicación, y sugiriendo futuras extensiones a resultados continuos y múltiples fuentes de datos.

Resumen Técnico: Un Método Jerárquico Bayesiano de Propagación hacia Adelante para el Cálculo de la Potencia de cRCT en Entornos Humanitarios Complejos

Más como este