Interferencia de aleatorización para diseños de pruebas negativas aleatorizadas en clúster con aplicación a estudios...

Área de la Ciencia:

• Epidemiología y bioestadística
• Control de las enfermedades infecciosas

Sus antecedentes:

• El dengue es una gran amenaza para la salud mundial identificada por la OMS.
• El estudio de Aplicación de Wolbachia para eliminar el dengue (AWED) utilizó un nuevo diseño de prueba negativo aleatorizado por racimo (CR-TND) para el control del dengue.
• El CR-TND ofrece una rentabilidad a través de la vigilancia pasiva en comparación con los ensayos aleatorizados en clúster tradicionales.

Objetivo del estudio:

• Investigar los supuestos y propiedades estadísticas de CR-TND bajo un marco de inferencia de aleatorización robusto.
• Para abordar posibles sesgos y errores inflados de tipo I en el análisis de CR-TND cuando el comportamiento de búsqueda de atención médica difiere entre grupos.
• Proponer y validar un nuevo método estadístico para una inferencia precisa en CR-TND.

Principales métodos:

• Análisis de CR-TND utilizando un marco de inferencia de aleatorización.
• Desarrollo y aplicación de un estimador de contraste de registro para ajustar las covariables y el comportamiento variable de búsqueda de atención médica.
• Extensión de los métodos para dar cabida al cumplimiento parcial de la intervención y a los diseños de cuña escalonada.
• Validación mediante estudios de simulación y nuevo análisis de los datos del estudio AWED.

Principales resultados:

• Se identificó un sesgo y un error inflado de tipo I en los métodos de análisis CR-TND actuales cuando el comportamiento diferencial de búsqueda de atención médica varía en los grupos.
• El estimador de contraste logarítmico propuesto elimina efectivamente el sesgo y mejora la precisión.
• Los métodos extendidos manejan con éxito el cumplimiento parcial y los diseños de cuña escalonada.

Conclusiones:

• El estimador de contraste de registro propuesto mejora la validez y fiabilidad de CR-TND para la vigilancia del dengue.
• El marco estadístico desarrollado proporciona una inferencia robusta para diseños complejos de ensayos aleatorizados por clúster.
• Estos avances contribuyen a estrategias más efectivas y rentables para controlar el dengue y enfermedades infecciosas similares.