Estimación del efecto causal para los datos de riesgo concurrentes en un ensayo aleatorizado: ajuste de las...

Área de la Ciencia:

• Biostatística y ensayos clínicos
• Inferencia causal
• Epidemiología

Sus antecedentes:

• Los ensayos aleatorizados doble ciego son el estándar de oro para estimar los efectos causales promedio (ACE).
• Si bien los estimadores ingenuos son consistentes, el ajuste de la covariante puede mejorar la eficiencia y equilibrar los grupos de tratamiento.
• El trabajo previo demostró ganancias de eficiencia con el ajuste de covariante en modelos de regresión lineal.

Objetivo del estudio:

• Extender los beneficios del ajuste por covariante a la fijación de datos de riesgos competidores.
• Demostrar que los estimadores ajustados mantienen las tasas de convergencia y ofrecen mejoras de eficiencia en el análisis de riesgos concurrentes.
• Para ilustrar el método propuesto utilizando datos de ensayos clínicos del mundo real.

Principales métodos:

• Extensión de las técnicas de ajuste por covariante al marco de riesgos de competencia.
• Utilizando la ponderación de censura de probabilidad inversa aumentada (AIPCW) para la estimación ajustada.
• Validación a través de simulaciones extensas y aplicación al ensayo de la Iniciativa de Salud de la Mujer (WHI).

Principales resultados:

• El estimador ajustado basado en AIPCW muestra la misma tasa de convergencia que los estimadores no ajustados.
• Se observan ganancias de eficiencia significativas con el estimador ajustado en comparación con el estimador ingenuo en muestras finitas.
• El método se aplica con éxito para analizar el efecto de la modificación de la dieta en la mortalidad por enfermedades cardiovasculares.

Conclusiones:

• El ajuste de covariante es beneficioso para mejorar la eficiencia en ensayos aleatorizados con riesgos concurrentes.
• El método propuesto basado en AIPCW proporciona un enfoque sólido para la estimación del efecto causal en tales entornos.
• Los resultados apoyan el uso de estimadores ajustados para obtener información más precisa sobre los efectos del tratamiento en la mortalidad.