Saltar al contenido
Volver a los resultados

Ensayo Clínico Aleatorizado Bayesiano

Propuesto por
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
Año
1980s–2000s (formal methodology consolidated ~2004–2006)
Tipo
Randomized experimental study with Bayesian inference
Familia
Clinical / epidemiology

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un ensayo clínico aleatorizado bayesiano (ECA bayesiano) combina el rigor de la asignación aleatoria del tratamiento con la inferencia estadística bayesiana, permitiendo a los investigadores incorporar evidencia previa y actualizar creencias de forma continua a medida que se acumulan los datos del ensayo.

A diferencia del ECA frecuentista clásico, produce declaraciones de probabilidad directas sobre los efectos del tratamiento y admite reglas de interrupción adaptativas preespecificadas basadas en probabilidades posteriores.

La intuición detrás del método

En un ECA estándar, se espera hasta que se recopilen todos los datos y luego se pregunta si los resultados son lo suficientemente extremos como para rechazar una hipótesis nula. Un ECA bayesiano pregunta en cambio: dados todos los conocimientos previos al inicio del ensayo y lo que muestran los datos actuales, ¿cuál es la probabilidad de que el tratamiento sea mejor en una cantidad clínicamente significativa? Esta probabilidad se actualiza con cada nueva observación, de forma similar a como se actualiza un pronóstico meteorológico a medida que llegan nuevas lecturas. Debido a que las creencias se actualizan continuamente, el ensayo puede detenerse anticipadamente —por eficacia, futilidad o seguridad— basándose en umbrales de probabilidad predeterminados en lugar de miradas interinas arbitrarias.

Historia

La aplicación de métodos bayesianos a ensayos clínicos fue promovida desde finales de la década de 1980 por estadísticos como Donald Berry en el MD Anderson Cancer Center, quien demostró cómo las probabilidades posteriores podían guiar ensayos adaptativos en oncología. Spiegelhalter, Abrams y Myles codificaron el marco en su monografía de Wiley de 2004, y el artículo de Berry de 2006 en Nature Reviews Drug Discovery se convirtió en un punto de entrada ampliamente citado para investigadores clínicos. Los documentos de orientación regulatoria —notablemente la guía de la FDA de 2010 y 2019 sobre diseños adaptativos— legitimaron los ECA bayesianos adaptativos para la aprobación de fármacos, impulsando su adopción en oncología, enfermedades raras y ensayos de plataforma.

Cuándo usarlo

Utilice un ECA bayesiano cuando exista evidencia previa significativa (por ejemplo, de fases anteriores o agentes relacionados) y sea científicamente y éticamente apropiado incorporarla; cuando las características adaptativas (interrupción temprana, eliminación de brazos, ajuste del tamaño de la muestra) sean clínicamente o comercialmente importantes; cuando el objetivo sean declaraciones de probabilidad directas sobre el beneficio del tratamiento en lugar de un valor p; o cuando el área de enfermedad sea rara, haciendo esencial el uso eficiente de cada participante. No lo utilice cuando los reguladores requieran un análisis puramente frecuentista sin previas (algunas presentaciones confirmatorias de Fase III), cuando los datos previos sean demasiado heterogéneos para agruparlos de manera creíble, o cuando no se pueda acordar una previa preespecificada entre los investigadores y las partes interesadas antes de desvelar los datos.

Limitaciones y consideraciones

  • La aceptación regulatoria para ensayos confirmatorios no es universal; algunas agencias requieren características operativas frecuentistas completas incluso para diseños bayesianos.
  • Los resultados son sensibles a la especificación de la previa; una previa informativa mal elegida puede dominar la verosimilitud y llevar a conclusiones erróneas.
  • Las demandas computacionales (MCMC o Bayes variacional) son mayores que en los análisis frecuentistas clásicos, requiriendo experiencia estadística.
  • La aleatorización adaptativa a la respuesta puede introducir complejidad logística y, en algunas simulaciones, inflar el error de tipo I si no se calibra cuidadosamente.
  • El reporte transparente de las elecciones de previas y los análisis de sensibilidad es obligatorio, pero añade longitud y complejidad a las publicaciones.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Produce resultados directamente interpretables: la probabilidad posterior de que el beneficio del tratamiento supere un umbral clínicamente importante.
  • Incorpora formalmente la evidencia previa de fases anteriores, reduciendo el tamaño de muestra necesario cuando existe información previa sólida.
  • Las reglas de interrupción adaptativas pueden detener el ensayo anticipadamente por eficacia o futilidad, protegiendo a los participantes y ahorrando recursos.
  • La aleatorización adaptativa a la respuesta asigna más participantes al brazo con mejor rendimiento, lo cual es éticamente atractivo en enfermedades graves.
  • Los intervalos creíbles tienen una interpretación natural (hay una probabilidad del 95% de que el efecto se encuentre dentro de este rango) que a menudo se malinterpreta en los intervalos de confianza frecuentistas.

Aplicaciones

  • Ensayos de búsqueda de dosis y expansión en oncología (por ejemplo, diseños bayesianos óptimos por intervalos para la fase I/II).
  • Ensayos de plataforma y protocolos maestros (RECOVERY, I-SPY) que eliminan brazos ineficaces y añaden otros nuevos utilizando probabilidades posteriores.
  • Ensayos de enfermedades raras donde la pequeña población elegible hace que los tamaños de muestra clásicos sean inviables.
  • Ensayos de dispositivos y diagnósticos donde la evidencia del mundo real acumulada se incorpora formalmente a través de una previa informativa.
  • Ensayos de eficacia de vacunas que requieren decisiones interinas rápidas con umbrales de probabilidad explícitos.
  • Estudios adaptativos de escalada de dosis utilizando métodos de reevaluación continua (CRM) o escalada con control de sobredosis (EWOC).

Cómo funciona

Cómo funciona

1

Antes de que comience el ensayo, se especifica una distribución de probabilidad previa para el parámetro del efecto del tratamiento. Las previas informativas incorporan resultados de estudios de fases anteriores, literatura publicada o conocimiento clínico experto; las previas no informativas (vagas) se utilizan cuando la evidencia previa es limitada o para satisfacer las expectativas regulatorias de una influencia previa mínima. La elección de la previa debe ser preespecificada en el protocolo y justificada.

2

Los participantes se asignan aleatoriamente a los brazos de tratamiento, exactamente como en un ECA frecuentista. La aleatorización puede ser fija (asignación equitativa) o adaptativa a la respuesta (las proporciones de asignación se actualizan a favor del brazo con mejor rendimiento). El cegamiento, la ocultación y los estándares de reporte tipo CONSORT se aplican independientemente del marco estadístico.

3

A medida que se acumulan los datos de resultados para cada participante, la función de verosimilitud cuantifica cuán probables son los datos observados bajo diferentes valores del parámetro del efecto del tratamiento. La verosimilitud se combina con la previa para producir creencias actualizadas —este paso corresponde al teorema de Bayes y se realiza en cada análisis interino preplanificado.

4

La distribución posterior P(theta | datos) se calcula multiplicando la previa por la verosimilitud y normalizando. A partir de esta distribución, el equipo del ensayo extrae cantidades clave: la probabilidad posterior de que el beneficio del tratamiento supere un umbral significativo, la media posterior y el intervalo creíble para el tamaño del efecto, y la probabilidad predictiva de un resultado exitoso si el ensayo continuara hasta su tamaño de muestra máximo.

Fórmula
P(theta | data) propto P(data | theta) * P(theta)
5

Las reglas de decisión preespecificadas traducen las probabilidades posteriores en acciones del ensayo. Las reglas comunes incluyen: detener por eficacia si P(delta > delta_min | datos) > 0.95; detener por futilidad si la probabilidad predictiva de éxito final cae por debajo de 0.05; continuar en caso contrario. Los resultados finales se reportan como probabilidades posteriores e intervalos creíbles, complementados con las características operativas frecuentistas solicitadas para la presentación regulatoria.

Errores comunes

  • Elegir la previa después de ver los datos — la previa debe ser completamente preespecificada y fijada antes de examinar cualquier dato desvelado; la selección de previa post-hoc invalida la lógica bayesiana e introduce sesgo.
  • Ignorar el conflicto previa-datos — cuando la previa y los datos acumulados discrepan fuertemente, la posterior puede dar resúmenes engañosos; los diagnósticos de conflicto deben ser parte del plan de monitorización.
  • No tener en cuenta las características operativas frecuentistas — incluso en un ensayo bayesiano, las presentaciones regulatorias suelen requerir estimaciones basadas en simulación del error de tipo I y la potencia bajo la nula y la alternativa; no proporcionarlas pone en peligro la aprobación regulatoria.
  • Confundir intervalos creíbles con intervalos de confianza — los intervalos creíbles bayesianos requieren una previa; reportarlos como si fueran intervalos de confianza frecuentistas tergiversa el marco estadístico.

Preguntas frecuentes

¿Necesito una amplia literatura previa para realizar un ECA bayesiano?

No. Cuando la información previa es limitada o controvertida, se puede utilizar una previa débilmente informativa o no informativa. La contrapartida es que con una previa vaga, la posterior bayesiana se parecerá mucho a un resultado frecuentista, por lo que la principal ventaja serán las reglas de interrupción adaptativas en lugar del préstamo de información previa. Siempre se deben reportar análisis de sensibilidad en un rango de previas.

¿La FDA o la EMA aceptarán un ECA bayesiano para la aprobación de fármacos?

Ambas agencias han emitido guías que apoyan los diseños adaptativos bayesianos, pero la aceptación depende del contexto. La guía de la FDA de 2019 cubre explícitamente los diseños adaptativos bayesianos para fármacos y dispositivos. Los requisitos clave incluyen: la preespecificación de la previa y las reglas de decisión, estudios de simulación que demuestren un error de tipo I y una potencia aceptables, y un reporte transparente. Se recomienda encarecidamente la comunicación temprana con la agencia correspondiente.

¿En qué se diferencia un ECA bayesiano de un ECA adaptativo?

Un ECA adaptativo es una categoría amplia de diseño que modifica los parámetros del ensayo (tamaño de muestra, asignación, brazos) basándose en los datos acumulados; puede ser analizado con métodos frecuentistas o bayesianos. Un ECA bayesiano utiliza específicamente inferencia bayesiana —distribuciones previas, verosimilitudes y probabilidades posteriores— que respaldan naturalmente las reglas de decisión adaptativas. La mayoría de los ECA bayesianos modernos también son adaptativos, pero las dos etiquetas se refieren a diferentes aspectos del diseño.

¿Qué software puedo usar para el análisis de ECA bayesianos?

Stan (a través de RStan o CmdStanR) y JAGS son las plataformas más utilizadas para la computación posterior a través de MCMC. Los paquetes de R RBesT (síntesis de evidencia bayesiana), bayesDP y trialr implementan diseños de ensayo específicos. EAST Bayes y FACTS son paquetes de software comerciales con historial regulatorio para simulación y análisis de ensayos bayesianos adaptativos.

¿Cuál es el tamaño de muestra mínimo para un ECA bayesiano?

No hay un mínimo universal; el tamaño de muestra requerido depende de la solidez de la previa, el tamaño del efecto objetivo, el umbral de probabilidad posterior elegido y las características operativas frecuentistas deseadas. Los estudios de simulación —típicamente 10.000 o más replicaciones en una variedad de escenarios— se utilizan para determinar el tamaño de muestra máximo y los límites de interrupción adaptativa antes de que comience el ensayo.

Métodos relacionados

Fuentes

  1. Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.

    ISBN: 978-0471499756
    Copiado.
  2. Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.

    Abrir referencia DOI
    Copiado.