Saltar al contenido
Volver a los resultados

Ensayo Controlado Aleatorizado Factorial

Propuesto por
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
Año
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
Tipo
Experimental trial design
Familia
Experimental design

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

Tamaño de letra

¿Qué hace?

Un ensayo controlado aleatorizado factorial (ECA factorial) es un diseño experimental en el que los participantes se asignan aleatoriamente a todas las combinaciones posibles de dos o más factores independientes (tratamientos o componentes de intervención) simultáneamente.

Esto permite a los investigadores estimar el efecto principal de cada factor y sus interacciones dentro de un único ensayo eficiente, en lugar de realizar experimentos separados para cada factor.

La intuición detrás del método

Imagine probar un nuevo fármaco junto con un programa de asesoramiento conductual. En lugar de realizar dos ensayos separados, un ECA factorial asigna aleatoriamente a los participantes a cuatro grupos: solo fármaco, solo asesoramiento, fármaco más asesoramiento y ninguno. Se aprende si el fármaco funciona, si el asesoramiento funciona y, de manera crítica, si funcionan mejor juntos de lo esperado por sus efectos individuales. La estructura factorial extrae múltiples preguntas de un solo estudio, siempre que se disponga de suficientes participantes para estimar las interacciones de manera fiable.

Historia

El experimento factorial fue desarrollado por Ronald A. Fisher en la Estación Experimental de Rothamsted durante la década de 1920 como un método para estudiar múltiples tratamientos agrícolas simultáneamente. El libro de Fisher 'The Design of Experiments' (1935) formalizó el enfoque. Los diseños factoriales entraron en los ensayos clínicos a finales del siglo XX, de forma destacada en mega-ensayos cardiovasculares como el ISIS-2 (1988), que utilizó un diseño factorial 2×2 para probar la aspirina y la estreptocinasa de forma independiente. El marco MOST articulado por Linda Collins y colegas en la década de 2000 dio al ECA factorial un papel sistemático en la optimización de intervenciones conductuales.

Cuándo usarlo

Utilice un ECA factorial cuando necesite evaluar dos o más componentes de intervención o dosis simultáneamente y desee estimar sus efectos individuales y combinados de manera eficiente: un escenario típico en la optimización de intervenciones conductuales, farmacológicas o de salud pública multicomponente. El marco de la Estrategia de Optimización Multifase (MOST, por sus siglas en inglés) recomienda específicamente los ECA factoriales para la fase de cribado del desarrollo de intervenciones. No utilice un ECA factorial cuando: (1) el estudio no tenga suficiente potencia para detectar interacciones, lo que hace que la estimación de la interacción no sea fiable; (2) los factores tengan interacciones fuertes conocidas que violen el supuesto de aditividad necesario para justificar la afirmación de eficiencia; (3) el número de factores sea muy grande (más de cuatro factores binarios dan lugar a recuentos de condiciones poco manejables y demandas de reclutamiento); o (4) las restricciones éticas o logísticas impidan la administración de ciertas combinaciones de factores.

Limitaciones y consideraciones

  • Los requisitos de tamaño de muestra aumentan con el número de factores y especialmente con la necesidad de potenciar las pruebas de interacción, que típicamente requieren cuatro veces la muestra necesaria para un efecto principal de la misma magnitud.
  • La administración de muchas combinaciones distintas aumenta la complejidad del protocolo y puede reducir la fidelidad de la intervención si el personal o los participantes se confunden con la matriz de condiciones.
  • Las interacciones a priori fuertes entre factores pueden socavar el argumento de eficiencia; si los factores deben probarse juntos de todos modos, un diseño factorial ofrece menos ventaja.
  • La interpretación se complica cuando se encuentran múltiples interacciones significativas: los efectos principales simples deben informarse por separado para cada nivel del factor interactuante.

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

Fortalezas

  • Evalúa múltiples factores y sus interacciones en un solo ensayo, reduciendo sustancialmente el tamaño total de la muestra y el tiempo en comparación con la realización de ensayos separados para cada factor.
  • Proporciona evidencia directa de los efectos de interacción: si los factores se potencian, disminuyen o neutralizan mutuamente sus efectos.
  • Bien adaptado a la fase de optimización del desarrollo de intervenciones multicomponente bajo marcos como MOST.
  • Conserva las ventajas de inferencia causal de la aleatorización, controlando la confusión de todos los factores simultáneamente.
  • Flexible: puede acomodar resultados continuos, binarios u ordinales y una variedad de modelos analíticos.

Aplicaciones

  • Evaluación de múltiples componentes de una intervención de salud conductual (p. ej., qué combinación de recordatorios por texto, llamadas de asesoramiento e incentivos es más eficaz para dejar de fumar).
  • Optimización de la dosis y frecuencia de un tratamiento farmacológico junto con una cointervención psicosocial en un solo ensayo clínico.
  • Evaluación de características de salud digital: prueba de si las notificaciones push, la gamificación y las características de comparación social mejoran independientemente la participación en la aplicación.
  • Investigación en ciencias agrícolas y alimentarias que evalúa combinaciones de tratamientos del suelo, tipos de fertilizantes y niveles de riego en el rendimiento de los cultivos.
  • Investigación educativa que prueba métodos de instrucción y tiempos de retroalimentación simultáneamente en aulas aleatorizadas.
  • Ensayos de prevención de salud pública donde se evalúan conjuntamente dos o más intervenciones a nivel comunitario (p. ej., campaña mediática y trabajadores de la salud comunitarios).

Cómo funciona

Cómo funciona

1

El investigador especifica dos o más factores independientes (p. ej., Factor A: fármaco frente a placebo; Factor B: asesoramiento frente a no asesoramiento), cada uno con un número fijo de niveles. Todas las combinaciones de niveles de factores definen las condiciones experimentales; para dos factores binarios, esto produce 2×2 = 4 condiciones. El diseño debe tener la potencia suficiente para detectar tanto los efectos principales como los efectos de interacción anticipados.

2

Los participantes se asignan aleatoriamente a una de las condiciones factoriales. La aleatorización se realiza típicamente utilizando secuencias de asignación generadas por ordenador con ocultación para prevenir el sesgo de selección. Se recomienda el bloqueo o la estratificación por covariables clave (p. ej., centro, gravedad) para equilibrar las condiciones y mejorar la precisión.

3

Cada participante recibe la combinación de niveles de factores asignada a su condición durante todo el período de intervención. Se aplica el cegamiento siempre que sea factible: los participantes desconocen su asignación completa a la condición (cegamiento simple) y los evaluadores también desconocen la asignación (doble ciego) para prevenir el sesgo de rendimiento y detección.

4

Los resultados primarios y secundarios se miden en puntos temporales preespecificados utilizando instrumentos validados. Para los ECA factoriales clínicos, los resultados se recopilan típicamente en la línea de base, al final del tratamiento y en el seguimiento. El punto final primario se define antes de descegar para proteger contra el sesgo de notificación de resultados.

5

El análisis utiliza un modelo ANOVA o de regresión factorial que incluye términos para cada efecto principal y todos los términos de interacción de factores. El término de interacción (A×B) prueba si el efecto de un factor difiere entre los niveles del otro. Si la interacción es insignificante, los efectos principales son interpretables de forma independiente; una interacción significativa requiere un análisis condicional (efectos simples) y cambia la interpretación práctica de los resultados.

Errores comunes

  • Subestimación de la prueba de interacción: los investigadores a menudo calculan la potencia de un ECA factorial solo para los efectos principales y descubren que no pueden interpretar de manera fiable el término de interacción, lo que frustra uno de los propósitos principales del diseño.
  • Ignorar el supuesto de no interacción cualitativa: si la dirección del efecto de un factor se invierte dependiendo del nivel de otro factor, la agrupación de condiciones para el análisis de efectos principales es engañosa y potencialmente perjudicial en contextos clínicos.
  • Diseños factoriales incompletos sin justificación: omitir ciertas combinaciones de factores por conveniencia interrumpe la ortogonalidad que confiere al ECA factorial su eficiencia y requiere ajustes analíticos más complejos.
  • No tener en cuenta el agrupamiento: en ensayos donde los grupos (p. ej., escuelas, clínicas) en lugar de los individuos son la unidad de aleatorización, ignorar el agrupamiento en el análisis infla las tasas de error de Tipo I.
  • Interpretar efectos principales sin verificar primero la interacción: informar los efectos principales como universalmente aplicables cuando existe una interacción significativa es un error común y grave.

Preguntas frecuentes

¿Es un ECA factorial siempre más eficiente que realizar ensayos separados?

Solo cuando la interacción entre los factores es pequeña o ausente. Si los factores interactúan fuertemente, la agrupación de condiciones que hace que un ECA factorial sea eficiente no es válida, y pueden ser preferibles ensayos separados o secuenciales. Las ganancias de eficiencia son reales cuando la aditividad se mantiene, pero esto debe evaluarse, no asumirse.

¿Cómo calculo el tamaño de la muestra para un ECA factorial?

Debe especificar los objetivos de potencia para los efectos principales y, de manera crucial, para la interacción si su detección es un objetivo del estudio. Los efectos de interacción típicamente requieren aproximadamente cuatro veces el tamaño de la muestra de un efecto principal de la misma magnitud. Software como G*Power, PASS o simulaciones personalizadas pueden manejar cálculos de potencia factoriales. Se recomienda encarecidamente consultar a un estadístico antes de finalizar el diseño.

¿Cuál es la diferencia entre un ECA factorial y un ensayo multi-brazo?

Un ensayo multi-brazo compara varios tratamientos separados con un control común, analizando típicamente cada brazo frente al control de forma independiente. Un ECA factorial cruza dos o más factores para que cada participante contribuya a la estimación del efecto principal de cada factor, permitiendo la prueba de interacción y una mayor eficiencia estadística bajo aditividad. Los ensayos multi-brazo son preferibles cuando los tratamientos son conceptualmente distintos y las interacciones no son de interés.

¿Puedo usar un diseño factorial en un ensayo cruzado o aleatorizado por conglomerados?

Sí. Los diseños factoriales se pueden incorporar en marcos cruzados o aleatorizados por conglomerados. Un ECA factorial aleatorizado por conglomerados asigna grupos intactos a condiciones factoriales; un ECA factorial cruzado tiene participantes que reciben diferentes combinaciones de factores en secuencia. Ambas combinaciones introducen complejidad analítica adicional (efectos de arrastre en el cruzado, correlación intraclase en los diseños por conglomerados) y requieren asesoramiento estadístico especializado.

¿Qué añade el marco MOST al ECA factorial?

MOST (Estrategia de Optimización Multifase), desarrollado por Linda Collins y colegas, proporciona un marco principista para utilizar ECA factoriales durante las fases de cribado y refinamiento del desarrollo de una intervención multicomponente antes de un ensayo de eficacia definitivo. Especifica reglas de decisión para retener o eliminar componentes basándose en efectos principales e interacciones, guiando la optimización iterativa en lugar de conclusiones simples de aceptar/rechazar.

Métodos relacionados

Fuentes

  1. Collins, L. M., Dziak, J. J., Kugler, K. C., & Trail, J. B. (2014). Factorial experiments: Efficient tools for evaluation of intervention components. American Journal of Preventive Medicine, 47(4), 498–504.

    Abrir referencia DOI
    Copiado.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiado.