Estimación del intervalo de confianza para la probabilidad de ganar en ensayos aleatorios por conglomerados con...

Área de la Ciencia:

• Bioestadística
• Metodología de Ensayos Clínicos
• Inferencia Estadística

Sus antecedentes:

• Los ensayos aleatorios por conglomerados (ECA) a menudo involucran múltiples puntos finales jerárquicamente ordenados, lo que plantea desafíos para la estimación del efecto del tratamiento.
• Los métodos existentes luchan por tener en cuenta las estructuras de correlación complejas y la diferente importancia clínica entre los puntos finales.

Objetivo del estudio:

• Desarrollar y validar un método estadístico robusto para estimar los efectos del tratamiento en ECAs con puntos finales compuestos jerárquicos.
• Proporcionar intervalos de confianza y pruebas de hipótesis precisos para el efecto del tratamiento no paramétrico, denominado "probabilidad de ganar".

Principales métodos:

• Se emplea un enfoque de comparación por pares, evaluando los puntos finales jerárquicamente para determinar las victorias del brazo de tratamiento.
• Un novedoso método de "fracción de ganar" utiliza un modelo lineal mixto de trabajo sobre respuestas univariadas transformadas para la estimación de la varianza.
• La inferencia en muestras grandes se basa en el teorema del límite central, con simulación y un estudio de caso para la validación.

Principales resultados:

• Los estudios de simulación demuestran que el método propuesto de fracción de ganar mantiene una probabilidad de cobertura nominal del 95% y controla el error de tipo I.
• El método muestra un buen rendimiento en varios diseños de ensayos por conglomerados, superando al estimador de bootstrap empírico en términos de cobertura.
• Los intervalos de confianza pueden ser conservadores con menos de 30 conglomerados debido a la naturaleza de muestra grande del método.

Conclusiones:

• El método de la fracción de ganar ofrece un enfoque fiable y eficiente para analizar ECAs con puntos finales compuestos jerárquicos.
• Maneja eficazmente múltiples puntos finales en diferentes escalas, evita la especificación compleja de la matriz de correlación y permite ajustes.
• El método es computacionalmente más rápido que las alternativas de bootstrap e implementable en software estadístico estándar.