Estimación de medias de regímenes de tratamiento dinámico mediante ponderación de probabilidad inversa en ensayos...

Área de la Ciencia:

• Metodología de Ensayos Clínicos
• Bioestadística
• Investigación de Servicios de Salud

Sus antecedentes:

• Los regímenes de tratamiento dinámico (DTR) personalizan las decisiones de tratamiento secuencial en diversas enfermedades.
• Los ensayos aleatorizados de asignación múltiple secuencial (SMART) evalúan y optimizan los DTR a través de la aleatorización multietapa.
• La ponderación de probabilidad inversa (IPW) se utiliza comúnmente para estimar las medias de DTR en SMART, pero los datos faltantes plantean un desafío.

Objetivo del estudio:

• Evaluar el rendimiento del análisis de casos completos (CCA) y la imputación múltiple (MI) en el manejo de datos faltantes para estimar resultados medios de DTR utilizando IPW dentro de un SMART de dos etapas.
• Comparar el sesgo y los errores estándar de CCA y MI bajo varios escenarios de datos faltantes y proporciones.

Principales métodos:

• Se simularon 1000 conjuntos de datos con 400 participantes cada uno, basados en un diseño SMART de dos etapas donde los no respondedores se reasignan aleatoriamente.
• Se estimaron cuatro medias de DTR utilizando IPW, evaluando el rendimiento de CCA y MI bajo escenarios de datos faltantes definidos por m-DAGs.
• Se evaluaron las proporciones de datos faltantes (20%, 40%) y la dependencia del resultado de la etapa 1, el tratamiento de la etapa 2 y el resultado final.

Principales resultados:

• MI exhibió un sesgo mínimo en la mayoría de los escenarios, excepto cuando el resultado intermedio de la etapa 1 faltaba de manera dependiente de las variables de referencia y el tratamiento de la etapa 1.
• CCA mostró un mayor sesgo que MI cuando los datos faltaban de manera dependiente de otras variables (por ejemplo, el tratamiento de la etapa 2 faltaba en función del resultado de la etapa 1).
• Los errores estándar empíricos fueron comparables, y MI generalmente arrojó valores ligeramente más bajos.

Conclusiones:

• Para el diseño SMART prototípico estudiado, se prefiere generalmente MI sobre CCA para estimar los resultados medios de DTR a través de IPW debido a un sesgo mínimo y errores estándar ligeramente menores.
• MI resulta eficaz para manejar las complejidades de los datos faltantes inherentes a la aleatorización secuencial y las dependencias de resultados intermedios dentro de los SMART.