Evaluación del sesgo de asignación en ensayos clínicos estratificados con puntos finales multicomponente evaluados...

Área de la Ciencia:

• Ensayos Clínicos
• Bioestadística
• Enfermedades Raras

Sus antecedentes:

• El sesgo de asignación es un problema importante en los ensayos clínicos estratificados de enfermedades raras, particularmente aquellos con puntos finales multicomponente y sin cegamiento.
• Este sesgo ocurre cuando las asignaciones de tratamiento son predecibles, lo que podría sesgar la asignación de pacientes a los grupos de tratamiento o control.
• El impacto del sesgo de asignación en la inferencia estadística en tales ensayos ha sido poco estudiado.

Objetivo del estudio:

• Modelar las respuestas sesgadas de los pacientes en ensayos estratificados con puntos finales multicomponente.
• Evaluar el impacto del sesgo de asignación en las tasas de error de tipo I al utilizar la prueba estratificada de Wei-Lachin.

Principales métodos:

• Se derivó una política de sesgo de asignación específica para ensayos estratificados con puntos finales multicomponente.
• Se evaluaron las tasas de error de tipo I de una prueba estratificada de Wei-Lachin, integrando la prueba estratificada de Fleiss, en condiciones de sesgo de asignación que se ignoraron durante la inferencia.

Principales resultados:

• Ignorar el sesgo de asignación conduce a tasas de error de tipo I infladas, superando el nivel de significancia del 5%.
• El grado de inflación está influenciado por el número de estratos, los componentes del punto final y el procedimiento de aleatorización utilizado.
• El diseño estratificado Big Stick mostró la menor inflación del error de tipo I, mientras que la aleatorización por bloques estratificada resultó en la mayor.

Conclusiones:

• El sesgo de asignación representa una amenaza para la validez de los ensayos clínicos estratificados con puntos finales multicomponente.
• Las estrategias de mitigación incluyen garantizar tamaños de muestra de estrato adecuados, limitar los componentes del punto final y emplear métodos de aleatorización que reduzcan la predecibilidad, como el diseño Big Stick.