📊 epidemiology

BUDS: Benchmark Uncertainty Design Selection for Two-Stage Single-Arm Phase II Trials

El artículo presenta BUDS, un marco de trabajo para la selección de diseños de ensayos de Fase II de brazo único en dos etapas que tiene en cuenta la incertidumbre del referente histórico al optimizar la eficiencia a través de un rango plausible de resultados, previniendo así la inflación del error de Tipo I al tiempo que ofrece compensaciones explícitas entre robustez y eficiencia del tamaño de la muestra tanto para variables de desenlace binarias como de tiempo hasta el evento.

Autores originales: Irlmeier, R., Jin, Z., Ye, F.

Publicado 2026-07-29

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Irlmeier, R., Jin, Z., Ye, F.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando atrapar a un ladrón, pero no sabes exactamente qué aspecto tiene el ladrón. Tienes un boceto, pero es un poco borroso. En el mundo de la ciencia médica, específicamente en las primeras etapas de prueba de nuevos fármacos, los investigadores juegan un juego similar. Quieren saber si un nuevo tratamiento funciona mejor que la "manera antigua" de hacer las cosas. Para ello, realizan lo que se denominan ensayos de Fase II. Piensa en estos como la primera audición seria para un nuevo actor. Los investigadores comparan el rendimiento del nuevo fármaco contra un "punto de referencia histórico" (historical benchmark), un número estándar basado en cómo suelen comportarse los pacientes con el mejor tratamiento actual. Es como decir: "Si el nuevo fármaco cura a más del 10% de las personas, seguiremos adelante; si no, nos detendremos".

El problema es que ese número del "10%" suele ser una suposición. Puede provenir de un estudio pequeño, o los pacientes pueden ser ligeramente diferentes, o la medicina puede haber cambiado un poco desde el estudio antiguo. Si los investigadores eligen el número equivocado para su punto de referencia, podrían pensar accidentalmente que un fármaco inútil es un héroe, o podrían desechar uno bueno demasiado pronto. Este artículo aborda la complicada matemática de cómo diseñar estas audiciones de fármacos cuando no estás 100% seguro de cuál es realmente el rendimiento "estándar". Se trata de construir una red de seguridad para que, incluso si tu suposición es un poco errónea, no cometas un error costoso.

La solución "BUDS": Diseñar para lo desconocido

Este artículo presenta un nuevo marco llamado BUDS (Selección de Diseño de Incertidumbre de Punto de Referencia - Benchmark Uncertainty Design Selection). Piensa en BUDS como un arquitecto inteligente y cauteloso diseñando un puente. Normalmente, cuando construyes un puente, calculas la carga basándote en un peso específico, por ejemplo, un coche que pesa exactamente 2,000 libras. Diseñas el puente para soportar ese coche perfectamente. Pero, ¿qué pasa si, en la realidad, los coches que cruzan el puente pudieran pesar entre 1,800 y 2,200 libras? Si solo diseñas para 2,000, un camión pesado podría romper tu puente.

Los autores argumentan que los diseños tradicionales de ensayos de fármacos son como ese puente de un solo peso. Eligen un "punto de referencia" específico (como una tasa de curación del 10%) y diseñan todo el estudio en torno a él. El artículo muestra que si el punto de referencia en el mundo real es en realidad más alto (por ejemplo, 15%), estos diseños tradicionales pueden fallar espectacularmente. Podrían declarar un fármaco como un éxito cuando en realidad es un fiasco. En sus simulaciones, los autores descubrieron que cuando el punto de referencia real era solo un poco más alto de lo previsto, la tasa de error para un diseño popular llamado "Simon Optimal" se disparó a 0.407 (¡eso es una probabilidad del 40.7% de una falsa alarma!) en lugar del 10% previsto.

Para solucionar esto, BUDS sugiere dejar de jugar al "único intento de adivinación". En lugar de elegir un número, los investigadores deben definir un rango plausible de lo que podría ser el punto de referencia (por ejemplo, "la tasa de curación está probablemente entre el 5% y el 15%"). BUDS luego diseña el ensayo para que funcione de forma segura a través de todo ese rango.

Cómo funciona BUDS: Las estrategias de "Peor Caso" y "Promedio"

El artículo propone dos formas principales de elegir el mejor diseño de ensayo entre las muchas opciones que encajan en esta nueva y más amplia red de seguridad:

BUDS-Worst-Regret (Peor Arrepentimiento): Esta es la estrategia "paranoica". Pregunta: "¿Cuál es el peor escenario dentro de nuestro rango y cuánto trabajo extra (pacientes) necesitaríamos para manejar ese caso específico más desfavorable?". Luego elige el diseño que minimiza la máxima decepción o "arrepentimiento" si el peor caso resultara ser cierto. Es como preparar una maleta para un viaje donde podrías necesitar llevar un abrigo pesado, una chaqueta ligera o nada en absoluto. Eliges la vestimenta que te mantenga cómodo incluso si terminas en el clima más frío, aunque eso signifique estar ligeramente sobrevestido para un día soleado.
BUDS-Avg-EN (Promedio de Pacientes): Esta es la estrategia "promedio". Observa todo el rango de posibilidades y elige el diseño que utiliza la menor cantidad de pacientes en promedio. Es como preparar un viaje donde esperas una mezcla de climas y solo quieres ser eficiente en general, incluso si podrías pasar un poco de frío en un día específico.

Lo que mostraron las simulaciones

Los autores realizaron miles de simulaciones por computadora para ver cómo se comparan estos nuevos diseños con los antiguos. Esto es lo que encontraron:

La seguridad es lo primero: El hallazgo más importante es que los diseños BUDS mantienen bajo control la tasa de "falsa alarma" (error Tipo I) sin importar dónde se encuentre el punto de referencia real dentro del rango. Ya sea que el punto de referencia esté en el extremo bajo o en el alto de la suposición, el ensayo no declarará accidentalmente un mal fármaco como ganador. En contraste, los antiguos diseños de punto de referencia único vieron sus tasas de error explotar cuando el punto de referencia real era mayor de lo esperado.
El costo de la seguridad: Existe una compensación. Para ser seguros a través de un amplio rango de posibilidades, los diseños BUDS a veces requieren más pacientes que los diseños antiguos. Por ejemplo, en un escenario donde el punto de referencia era incierto, un diseño tradicional podría necesitar un máximo de 37 pacientes. El diseño BUDS, para ser seguro contra el peor escenario, podría necesitar 54 o incluso 72 pacientes. El artículo señala que este reclutamiento adicional es el precio de no cometer un error. Es mejor probar a unas cuantas personas extra que desperdiciar millones en un ensayo de Fase III para un fármaco que no funciona.
Ejemplos del mundo real: Los autores probaron sus ideas en escenarios del mundo real, como un ensayo para glioblastoma (un tipo de cáncer cerebral). Analizaron un ensayo que utilizaba un punto de referencia de 0.10 (10%). Cuando aplicaron BUDS con un rango realista de 0.05 a 0.13, el diseño antiguo habría tenido una tasa de falsa alarma de más de 0.25 (25%). El diseño BUDS mantuvo la tasa de error por debajo de 0.093 (9.3%), pero requirió un tamaño de muestra máximo de 89 pacientes en lugar de los 50 originales.

La conclusión fundamental

El artículo concluye que BUDS ofrece una forma transparente de manejar la incertidumbre de la historia médica. No hace que la incertidumbre desaparezca mágicamente; en cambio, obliga a los investigadores a admitir: "No estamos 100% seguros, así que planifiquemos para un rango". Al hacerlo, hace que la compensación entre eficiencia (usar menos pacientes) y robustez (evitar falsos positivos) sea explícita. Los autores incluso han construido una herramienta informática gratuita (un paquete de R y una aplicación Shiny) para que otros científicos puedan usar este método para diseñar sus propios ensayos.

En resumen, BUDS sugiere que, en el juego de alto riesgo de las pruebas de fármacos, es más inteligente diseñar un puente que pueda manejar un rango de pesos que apostar por una única y perfecta suposición. El artículo no pretende ser la última palabra sobre todos los ensayos médicos, pero proporciona una forma sólida y matemáticamente fundamentada de dejar de adivinar y empezar a planificar para lo desconocido.

Resumen Técnico: Selección de Diseño de Incertidumbre de Referencia (BUDS) para Ensayos de Fase II de Brazo Único en Dos Etapas

Planteamiento del Problema
Los ensayos clínicos de Fase II de brazo único, particularmente en oncología, dependen frecuentemente de diseños de dos etapas (por ejemplo, el diseño de Simon para variables de desenlace binarias o el marco de Kwak y Jung/r-KJ para variables de desenlace de tiempo hasta un evento) para evaluar terapias experimentales frente a un punto de referencia (benchmark) de control histórico. Estos diseños se calibran tradicionalmente utilizando un único punto de referencia de planificación fijo ( $\theta_0$ ). Sin embargo, en la práctica, los puntos de referencia históricos suelen ser inciertos debido a los tamaños de muestra reducidos en estudios previos, la heterogeneidad de la población, la evolución de los criterios de elegibilidad y los cambios en el estándar de atención.

El artículo identifica una vulnerabilidad crítica en la práctica actual: cuando el verdadero valor del referente histórico supera el valor utilizado para calibrar el diseño, la tasa de error Tipo I puede inflarse sustancialmente. Esta inflación aumenta el riesgo de avanzar tratamientos ineficaces hacia costosos ensayos de Fase III. Los criterios de selección de diseño existentes suelen optimizar la eficiencia (por ejemplo, minimizando el tamaño de muestra esperado) en un único punto de referencia, sin considerar esta incertidumbre, lo que deja a los ensayos estadísticamente válidos solo en el punto específico de calibración, pero potencialmente inválidos en todo el rango de valores históricos plausibles.

Metodología
Los autores proponen la Selección de Diseño de Incertidumbre de Referencia (BUDS, por sus siglas en inglés), un marco que incorpora explícitamente un rango preespecificado de valores de referencia clínicamente plausibles ( $\theta_{0L}, \theta_{0U}$ ) en el proceso de selección del diseño.

Definición del Marco: En lugar de seleccionar un diseño basado en un único $\theta_0$ , BUDS requiere que los diseños candidatos cumplan con las restricciones de error Tipo I ( $\alpha$ ) y error Tipo II ( $\beta$ ) a lo largo de todo el rango de referencia. Debido a la monotonicidad de las tasas de error Tipo I con respecto al parámetro de referencia, los autores demuestran que imponer la restricción de error Tipo I en el límite superior del rango ( $\theta_{0U}$ ) es suficiente para controlar el error en todo el intervalo.
Funciones Objetivo: Dentro del conjunto de diseños factibles que satisfacen las restricciones de error sobre el rango, BUDS introduce dos objetivos de optimización robustos:
1. BUDS-Worst-Regret (Peor Arrepentimiento): Minimiza el máximo "arrepentimiento" a través del rango de referencia. El arrepentimiento se define como la diferencia entre el tamaño de muestra esperado (ESS) de un diseño candidato y el ESS del diseño localmente óptimo (el diseño que se elegiría si el verdadero referente fuera conocido) en cualquier punto específico del rango. Este enfoque se protege contra la pérdida de eficiencia en el peor de los casos.
2. BUDS-Avg-EN (Promedio de Tamaño de Muestra Esperado): Minimiza el tamaño de muestra esperado promedio a través del rango de referencia, favoreciendo diseños que son eficientes en promedio.
Algoritmo: Los autores proporcionan algoritmos de búsqueda computacionalmente eficientes para identificar los diseños óptimos. Para variables de desenlace binarias, el método enumera exhaustivamente las configuraciones candidatas de dos etapas. Para variables de desenlace de tiempo hasta un evento (TTE), utiliza un procedimiento de búsqueda de "zoom" basado en el marco de Kwak y Jung restringido (r-KJ). La implementación está disponible en un paquete de R de código abierto (BUDS) y una aplicación Shiny interactiva.

Resultados Clave
El artículo evalúa BUDS frente a los diseños clásicos de un solo punto de referencia (Simon Optimal/Minimax y r-KJ) en escenarios representativos de variables binarias y TTE con distintos grados de incertidumbre del punto de referencia.

Robustez ante la Especificación Errónea: Bajo una incertidumbre sustancial del punto de referencia, los diseños de un solo punto de referencia exhiben una severa inflación del error Tipo I. Por ejemplo, un diseño Simon Optimal calibrado en una tasa de respuesta de 0.10 (con $\alpha=0.10$ ) alcanzó una tasa de error Tipo I de 0.407 cuando el verdadero referente era 0.15. Del mismo modo, un diseño r-KJ calibrado en una probabilidad de supervivencia de 6 meses de 0.50 (con $\alpha=0.05$ ) vio su tasa de error inflarse aproximadamente a 0.17 cuando la verdadera supervivencia era 0.67. En contraste, los diseños seleccionados mediante BUDS mantuvieron las tasas de error Tipo I en o por debajo del nivel nominal a lo largo de todo el rango de referencia.
Compromisos de Eficiencia: Lograr la robustez requiere información adicional. A medida que el rango de referencia se amplía, los diseños seleccionados por BUDS requieren tamaños de muestra máximos más grandes en comparación con los diseños calibrados en un solo punto. Sin embargo, el artículo señala que los diseños BUDS-Worst-Regret a menudo logran menores tamaños de muestra esperados promedio a través del rango que los diseños "Minimax" de un solo punto de referencia, y menores tamaños de muestra en la primera etapa que tanto los diseños Simon Optimal como los Minimax.
Aplicación en el Mundo Real: La aplicación de BUDS en entornos de ensayos de glioblastoma recurrente (tanto para respuesta binaria como para supervivencia libre de progresión a 6 meses) demostró que incluso los rangos de incertidumbre modestos (por ejemplo, de 0.05 a 0.13 para tasas de respuesta) requieren ajustes en el diseño. Los diseños seleccionados por BUDS controlaron el error Tipo I a través de estos rangos, mientras que los diseños clásicos fallaron al hacerlo, requiriendo a menudo solo un aumento modesto en el tamaño de la muestra (por ejemplo, 6 pacientes adicionales en un escenario TTE) para lograr la robustez.

Significación y Reivindicaciones
El artículo posiciona a BUDS como un marco transparente para la planificación de ensayos que hace explícito el compromiso entre robustez y eficiencia. Su principal significación radica en:

Control de Error: Garantiza el control del error Tipo I a través de un rango plausible de referentes históricos en lugar de un único punto, potencialmente no representativo, mitigando así el riesgo de avanzar terapias ineficaces debido a la especificación errónea del referente.
Transparencia en la Decisión: Al requerir la especificación de un rango de referencia, el marco fuerza una discusión estructurada sobre la incertidimal durante el desarrollo del protocolo, apoyando decisiones de "ir/no ir" más defendibles.
Utilidad Práctica: El marco se aplica tanto a variables binarias como de tiempo hasta un evento, manteniendo la simplicidad operativa de los diseños clásicos de dos etapas. La disponibilidad del paquete R BUDS y la aplicación Shiny facilita la adopción inmediata por parte de los investigadores.

Los autores concluyen que, si bien BUDS no elimina las limitaciones inherentes de los estudios de brazo único, proporciona una estrategia racional para mitigar los riesgos posteriores de falsos positivos en los ensayos de Fase III al tratar la robustez como un criterio de planificación explícito en lugar de una consideración post hoc.

La solución "BUDS": Diseñar para lo desconocido

Cómo funciona BUDS: Las estrategias de "Peor Caso" y "Promedio"

Lo que mostraron las simulaciones

La conclusión fundamental

Más como este