Análisis de ensayos clínicos

Los ensayos clínicos aleatorizados analizados mediante el enfoque de intención de tratar (ITT) proporcionan comparaciones justas entre los grupos de tratamiento porque evita el sesgo asociado con la pérdida no aleatoria de los participantes. ^{[ 5 ] [ 6 ]} El principio básico del ITT es que los participantes en los ensayos deben analizarse en los grupos a los que fueron aleatorizados, independientemente de si recibieron o se adhirieron a la intervención asignada. ^{[ 5 ]} Sin embargo, los investigadores médicos a menudo tienen dificultades para aceptar el análisis ITT debido a problemas de los ensayos clínicos, como datos faltantes o adherencia al protocolo . ^{[ 6 ]}

Este análisis puede restringirse únicamente a los participantes que cumplen con el protocolo en cuanto a elegibilidad, adherencia a la intervención y evaluación de resultados. Este análisis se conoce como análisis "en tratamiento" o "por protocolo". Un análisis por protocolo representa un "escenario óptimo" para revelar el efecto del fármaco en estudio. Sin embargo, al restringir el análisis a una población de pacientes seleccionada, no muestra todos los efectos del nuevo fármaco. Además, la adherencia al tratamiento puede verse afectada por otros factores que influyen en el resultado. Por consiguiente, los efectos por protocolo presentan riesgo de sesgo, mientras que la estimación por intención de tratar no lo presenta. ^{[ 7 ]}

Un método para manejar datos faltantes consiste simplemente en imputar , o completar, los valores basándose en los datos existentes. Un método estándar para hacerlo es el método de última observación llevada hacia adelante (LOCF).

El método LOCF permite el análisis de los datos. Sin embargo, investigaciones recientes muestran que este método proporciona una estimación sesgada del efecto del tratamiento y subestima la variabilidad del resultado estimado. ^{[ 8 ] [ 9 ]} Por ejemplo, supongamos que hay 8 evaluaciones semanales después de la observación inicial. Si un paciente abandona el estudio después de la tercera semana, este valor se "arrastra" y se asume como su puntuación para los 5 puntos de datos faltantes. Se asume que los pacientes mejoran gradualmente desde el inicio del estudio hasta el final, por lo que arrastrar un valor intermedio es una estimación conservadora de cómo le habría ido a la persona si hubiera permanecido en el estudio. Las ventajas del enfoque LOCF son que:

• Minimiza el número de sujetos que son eliminados del análisis y
• Permite que el análisis examine las tendencias a lo largo del tiempo, en lugar de centrarse simplemente en el resultado final.

Sin embargo, la Academia Nacional de Ciencias , en un informe consultivo a la Administración de Alimentos y Medicamentos sobre datos faltantes en ensayos clínicos, recomendó no utilizar de forma acrítica métodos como LOCF, afirmando que "los métodos de imputación simple como la última observación llevada adelante y la observación basal llevada adelante no deben utilizarse como enfoque principal para el tratamiento de datos faltantes a menos que los supuestos en los que se basan estén científicamente justificados". ^{[ 10 ]}

El panel asesor de la Academia Nacional de Ciencias recomendó métodos que proporcionen tasas de error de tipo I válidas bajo supuestos explícitamente establecidos que tengan en cuenta el estado de los datos faltantes, y el uso de métodos de imputación múltiple basados ​​en todos los datos disponibles en el modelo. Recomendó un uso más generalizado de los métodos Bootstrap y de ecuaciones de estimación generalizadas siempre que se puedan justificar los supuestos subyacentes, como el de datos faltantes al azar para los métodos GEE . Aconsejó recopilar datos auxiliares que se consideren asociados con los abandonos para proporcionar modelos más robustos y fiables, recopilar información sobre el motivo del abandono y, si es posible, realizar un seguimiento de los abandonos y obtener datos sobre los resultados de eficacia. Finalmente, recomendó análisis de sensibilidad como parte de la presentación de informes de ensayos clínicos para evaluar la sensibilidad de los resultados a los supuestos sobre el mecanismo de datos faltantes. ^{[ 10 ]}

Si bien los métodos recomendados por el informe de la Academia Nacional de Ciencias son de desarrollo más reciente, más robustos y funcionarán bajo una variedad más amplia de condiciones que los métodos de imputación simple como LOCF, ningún método conocido para manejar datos faltantes es válido en todas las condiciones. Como señaló la Guía E9 de la Conferencia Internacional sobre Armonización de 1998 sobre Principios Estadísticos para Ensayos Clínicos, "Desafortunadamente, no se pueden recomendar métodos universalmente aplicables para manejar valores faltantes". ^{[ 11 ]} El juicio estadístico y médico experto debe seleccionar el método más apropiado para las condiciones particulares del ensayo de entre las técnicas imperfectas disponibles, dependiendo de los objetivos, los criterios de valoración, los métodos estadísticos y el contexto del ensayo en particular.