📊 statistics

Application of Propensity Score Methods to Address Missing Data in a Trial on the Effect of Energy Protein Supplementation Among Pulmonary TB-HIV Patients in Mwanza, Tanzania

Este estudio evaluó el ponderación por la inversa de la probabilidad del puntaje de propensión (PS-IPW) y la imputación múltiple (MI) frente al análisis de casos completos para el manejo de datos faltantes monotónicos en un ensayo de suplementación de TB-VI en Tanzania, encontrando que, si bien ambos métodos avanzados superaron al análisis tradicional en sesgo y eficiencia, ninguno reveló efectos de tratamiento estadísticamente significativos.

Autores originales: Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

Publicado 2026-06-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

Artículo original bajo licencia CC BY 4.0 (https://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

El panorama general: Un experimento de nutrición con una pieza faltante del rompecabezas

Imagine a un grupo de investigadores en Mwanza, Tanzania, tratando de descubrir si dar galletas adicionales de "energía-proteína" a personas que padecen tanto Tuberculosis (TB) como VIH ayuda a que se fortalezcan y ganen peso.

Organizaron una prueba justa (un ensayo clínico) con 354 pacientes. La mitad recibió un refrigerio diario nutritivo y grande (el Grupo de Intervención) y la otra mitad recibió una galleta pequeña y sencilla (el Grupo de Control). Evaluaron su peso, el tamaño de su brazo y la fuerza de su mano al inicio, a los dos meses y a los cinco meses.

El Problema:
Al igual que en un juego de las sillas musicales donde algunas personas abandonan la habitación antes de que la música se detenga, muchos pacientes abandonaron el estudio antes de que terminara. Para la marca de los cinco meses, aproximadamente el 19% de los participantes ya no estaban presentes. Esto dejó a los investigadores con un rompecabezas: ¿Cómo se calculan los resultados finales cuando falta una gran parte de las piezas del rompecabezas?

Si simplemente ignora a las personas que faltan (un método llamado Análisis de Casos Completos o CCA), podría estar viendo una imagen distorsionada. Tal vez las personas que abandonaron fueron las que se sentían peor, o tal vez fueron las que se sentían mejor. Si no tiene en cuenta esto, su conclusión podría ser errónea.

Las tres herramientas utilizadas para reparar las piezas faltantes

Para resolver este problema de las "piezas faltantes del rompecabezas", los investigadores probaron tres herramientas matemáticas diferentes para ver cuál daba la respuesta más honesta.

1. El método de "Ignorar lo que falta" (Análisis de Casos Completos - CCA)

La Analogía: Imagine que usted está juzgando una carrera, pero 20 corredores renuncian a mitad de camino. Este método dice: "Solo contemos a los corredores que terminaron toda la carrera".
El Defecto: Si los corredores que renunciaron eran los más lentos, usted podría pensar que la carrera fue más rápida de lo que realmente fue. Si fueron los más rápidos, podría pensar que fue más lenta. Es arriesgado porque asume que las personas que faltan eran iguales a las que se quedaron.

2. El método de "Rellenar los espacios en blanco" (Imputación Múltiple - MI)

La Analogía: Imagine que tiene un crucigrama con palabras faltantes. En lugar de dejarlas en blanco, observa las pistas de las palabras que sí tiene y hace su mejor suposición para llenar los cuadros vacíos. Hace esto muchas veces (¡20 veces!) con suposiciones ligeramente diferentes para ver cómo cambia la respuesta.
La Lógica: Este método asume que si conocemos la edad de una persona, su trabajo y cómo se sentía al principio, podemos hacer una suposición inteligente sobre cuánto habría pesado al final. Llena los datos faltantes basándose en los patrones que observa en los datos que sí están presentes.

3. El método de la "Escala Ponderada" (Puntuación de Propensión por Inversa de la Probabilidad - PS-IPW)

La Analogía: Imagine que está pesando una bolsa de manzanas, pero faltan algunas manzanas. En lugar de adivinar cuánto pesan las manzanas que faltan, observa las manzanas que sí tiene. Si nota que las manzanas que tiene son mayormente pequeñas, les da a las manzanas pequeñas un "peso extra" en la báscula para representar a las grandes que faltan.
La Lógica: Este método calcula la "probabilidad" de que una persona abandone el estudio basándose en su perfil de fondo. Si una persona con un perfil específico (por ejemplo, un agricultor con bajo peso) tenía alta probabilidad de abandonar, los investigadores le dan a los datos de los pocos agricultores que se quedaron una importancia (peso) adicional para representar a los que se fueron.

¿Qué encontraron?

Después de procesar los números con los tres métodos, los resultados fueron sorprendentemente consistentes:

No hay una solución mágica: Independientemente de si ignoraron a las personas que faltaban, llenaron los espacios en blanco o usaron la escala ponderada, la respuesta fue la misma: las galletas especiales de energía-proteína no ayudaron significativamente a los pacientes a ganar peso, aumentar el tamaño de sus brazos o fortalecerse en comparación con las galletas sencillas.
El patrón de los "faltantes": Los investigadores descubrieron que los datos faltantes no eran aleatorios (como personas que simplemente olvidan presentarse). Seguían un patrón: las personas que faltaban al final solían ser similares a las personas que faltaban anteriormente. Esto confirmó que los métodos de "Rellenar los espacios en blanco" (MI) y de la "Escala Ponderada" (PS-IPW) eran las herramientas adecuadas para usar, ya que son mejores para manejar estos patrones específicos que simplemente ignorar a las personas que faltan.
Un rayo de esperanza: Aunque el peso y el tamaño del brazo no cambiaron mucho, hubo una tendencia pequeña y constante de que la fuerza de la mano mejoró ligeramente en el grupo que recibió las galletas grandes. Sin embargo, esta mejora no fue lo suficientemente fuerte como para ser llamada una "victoria estadística" (podría haber sido cuestión de suerte).

La Conclusión

El estudio concluye que, para estos pacientes específicos en Tanzania, un impulso a corto plazo de snacks de energía-proteína no marcó una gran diferencia en su recuperación física.

La Gran Lección para la Ciencia:
La conclusión más importante no es solo sobre las galletas; es sobre cómo manejar los datos faltantes. Los investigadores demostraron que ignorar a las personas que faltan (CCA) es arriesgado. Usar métodos más inteligentes como rellenar los espacios en blanco (MI) o ponderar los datos restantes (PS-IPW) ofrece una imagen más precisa y justa, incluso si la respuesta final es "el tratamiento no funcionó".

En resumen: las galletas no funcionaron, pero las matemáticas utilizadas para descubrirlo fueron sólidas y confiables.

Resumen Técnico: Aplicación de Métodos de Propensión para Abordar los Datos Faltantes en un Ensayo sobre Suplementación de Energía-Proteína en Pacientes con PTB-VIH

Planteamiento del Problema
Los datos faltantes son un desafío omnipresente en la investigación clínica, particularmente en entornos con recursos limitados y altas tasas de deserción de pacientes, como los ensayos que involucran a pacientes con coinfección de Tuberculosis Pulmonar (PTB) y VIH. En el contexto específico de un ensayo controlado aleatorizado (ECA) realizado en Mwanza, Tanzania, para evaluar la suplementación de energía-proteína, las tasas de deserción alcanzaron el 12.2% a los dos meses y el 19.1% a los cinco meses. Los métodos tradicionales para el manejo de datos faltantes, como el Análisis de Casos Completos (CCA) o las técnicas de imputación única (por ejemplo, Última Observación Portada hacia Adelante), a menudo dependen de supuestos (como la Pérdida Completamente al Azar, MCAR) que rara vez se cumplen en escenarios clínicos del mundo real. Cuando estos supuestos se violan, las estimaciones de los efectos del tratamiento pueden sesgarse, comprometiendo la validez interna del ensayo. Si bien la Imputación Múltiple (MI) y los métodos de Propensión (PS), específicamente el Ponderación por Probabilidad Inversa (IPW), ofrecen alternativas más robustas, existe la necesidad de una comparación empírica de su desempeño en ensayos clínicos con alta deserción donde se sospechan mecanismos de Datos Faltantes No al Azar (MNAR).

Metodología
Este estudio realizó un análisis secundario de datos de un ECA previamente publicado que involucró a 354 participantes con coinfección PTB-VIH, aleatorizados para recibir suplementación de energía-proteína (intervención) o un suplemento de control. El estudio tuvo como objetivo evaluar el impacto de la suplementación en el peso, el perímetro del brazo y la fuerza de prensión manual a los 2 y 5 meses.

El enfoque analítico consistió en tres fases distintas:

Caracterización de los Datos Faltantes: Se evaluó el patrón y el mecanismo de la falta de datos utilizando la prueba de MCAR de Little y la regresión logística binaria. Los indicadores de falta de datos se regresaron contra las covariables basales y los valores de los resultados previos para determinar si los datos eran MCAR, Faltantes al Azar (MAR) o MNAR.
Análisis Comparativo de Métodos de Manejo: Se aplicaron tres estrategias analíticas al conjunto de datos:
- Análisis de Casos Completos (CCA): Un modelo de regresión lineal que asume MCAR, excluyendo cualquier participante con datos de resultados faltantes.
- Imputación Múltiple (MI): Utilizando Imputación Múltiple por Ecuaciones Encadenadas (MICE) con 20 imputaciones y emparejamiento de media predictiva, asumiendo un mecanismo MAR.
- Puntuación de Propensión por Ponderación por Probabilidad Inversa (PS-IPW): Se estimó mediante un modelo de regresión logística la probabilidad de haber observado datos (puntuación de propensión) basada en las covariables basales. Se generaron pesos estabilizados y se aplicaron a un modelo de regresión ponderado para corregir las diferencias sistemáticas entre aquellos con y sin resultados observados.
Evaluación del Desempeño y Análisis de Sensibilidad: La efectividad de PS-IPW y MI se comparó con CCA utilizando el Error Cuadrático Medio (MSE), el Sesgo y la Eficiencia Relativa (RE). Para evaluar la robustez frente a las violaciones del supuesto MAR, se realizó un análisis de sensibilidad utilizando un modelo de mezcla de patrones bajo escenarios MNAR, aplicando valores delta (0, -0.5, -1, -2) para simular resultados no observados progresivamente peores.

Resultos Clave

Mecanismo de Datos Faltantes: Los datos faltantes siguieron un patrón monotónico, aumentando con el tiempo. Las pruebas estadísticas rechazaron el supuesto MCAR ( $p < 0.001$ ). La regresión logística indicó que la falta de datos a los 5 meses estaba asociada con los valores a los 2 meses, lo que respalda un mecanismo MAR con poca evidencia de MNAR.
Efectos del Tratamiento: En todos los métodos (CCA, MI y PS-IPW), la suplementación de energía-proteína mostró ningún efecto estadísticamente significativo en el peso, el perímetro del brazo o la fuerza de prensión a los 2 o 5 meses.
- A los 5 meses, el CCA mostró una reducción de peso no significativa de 0.75 kg ( $p=0.145$ ).
- La MI estimó una disminución de peso de 0.78 kg ( $p=0.107$ ).
- El PS-IPW estimó una disminución de peso de 0.70 kg ( $p=0.181$ ).
- Se observaron tendencias no significativas similares para el perímetro del brazo y la fuerza de prensión, aunque la fuerza de prensión mostró una dirección de efecto positiva constante a través de los métodos.
Desempeño Metodológico:
- Sesgo y Eficiencia: Tanto la MI como el PS-IPW superaron generalmente al CCA en términos de reducción de sesgo y eficiencia. La MI demostró una mayor eficiencia relativa (menor MSE) en la mayoría de los resultados, mientras que el PS-IPW proporcionó un control de sesgo más estable para resultados específicos (por ejemplo, peso y fuerza de prensión).
- Sensibilidad: El análisis de sensibilidad MNAR reveló que los resultados se mantuvieron estables bajo desviaciones leves a moderadas de MAR, reforzando la robustez de los hallazgos principales.

Significancia y Reivindicaciones
El artículo sostiene que, si bien la intervención específica (suplementación de energía-proteína a corto plazo) no produjo mejoras estadísticamente significativas en los resultados antropométricos y funcionales medidos para los pacientes con PTB-VIH en este entorno, el enfoque metodológico ofrece ideas críticas para el análisis de ensayos clínicos.

Validación de Métodos Robustos: El estudio demuestra que, en ensayos con alta deserción, las estrategias robustas de manejo de datos faltantes (MI y PS-IPW) son superiores al CCA tradicional. Estos métodos reducen el sesgo y mejoran la precisión, asegurando que las conclusiones no se vean distorsionadas por la exclusión de casos incompletos.
Consistencia de los Hallazgos: La concordancia de los resultados entre CCA, MI y PS-IPW sugiere que la falta de un efecto significativo del tratamiento es un hallazgo genuino y no un artefacto del manejo de los datos faltantes. La similitud en las estimaciones del efecto indica que la falta de datos no sesgó sustancialmente las conclusiones principales.
Relevancia Contextual: Los hallazgos se alinean con la evidencia más amplia que sugiere que el apoyo nutricional por sí solo puede producir efectos limitados o mixtos en los resultados clínicos, posiblemente debido a la corta duración de la intervención o a los estresores catabólicos persistentes.
Contribución Metodológica: Al comparar empíricamente PS-IPW y MI en el contexto de un ensayo clínico del mundo real, el estudio subraya la importancia de ir más allá del CCA. Destaca que, si bien la MI puede ofrecer mayor eficiencia, el PS-IPW proporciona un control de sesgo valioso, abogando por el uso de métodos complementarios para asegurar conclusiones válidas en la investigación de salud global.

Los autores concluyen que las investigaciones futuras en esta población deben incorporar intervenciones a más largo plazo y apoyo social integrado, cumpliendo estrictamente con planes estadísticos robustos para el manejo de datos faltantes para mantener la integridad de los resultados de los ensayos clínicos.