Métodos de análisis de subgrupos para resultados de tiempo hasta el evento en ensayos controlados aleatorizados...

Área de la Ciencia:

• Bioestadística
• Análisis de Ensayos Clínicos
• Medicina de Precisión

Sus antecedentes:

• Los ensayos controlados aleatorizados (ECA) con resultados no significativos pueden ocultar subgrupos de pacientes que se benefician de fármacos experimentales, lo que dificulta el desarrollo de fármacos.
• La identificación de efectos heterogéneos del tratamiento es vital para la medicina de precisión, sin embargo, faltan evaluaciones sistemáticas para datos de tiempo hasta el evento.
• Los puntos de referencia existentes se centran principalmente en puntos finales binarios y continuos, dejando una brecha en la comprensión del análisis de subgrupos para datos de supervivencia.

Objetivo del estudio:

• Evaluar sistemáticamente los algoritmos de análisis de subgrupos para resultados de tiempo hasta el evento.
• Abordar preguntas clave: ¿Existe heterogeneidad en el tratamiento? ¿Qué biomarcadores la predicen? ¿Quiénes son los buenos respondedores?
• Introducir un proceso novedoso de generación de datos sintéticos y semisintéticos para la exploración controlada de escenarios de heterogeneidad.

Principales métodos:

• Evaluación de varios algoritmos de análisis de subgrupos aplicados a datos de tiempo hasta el evento.
• Utilización de un nuevo proceso de generación de datos para simular diversos niveles de heterogeneidad.
• Evaluación de métodos para detectar heterogeneidad, identificar biomarcadores predictivos e identificar subgrupos de respondedores.

Principales resultados:

• Los métodos basados en pruebas de interacción muestran una potencia estadística superior para detectar heterogeneidad sutil.
• Los métodos multivariantes basados en Cox y de pruebas de interacción destacan en la identificación de variables predictivas de heterogeneidad.
• Los métodos que estiman el efecto promedio del tratamiento condicional (CATE), como los S-learners, identifican eficazmente subgrupos de respondedores, y el Cox-multivariante funciona bien en heterogeneidad baja a intermedia.

Conclusiones:

• Ningún método es óptimo para todas las investigaciones de heterogeneidad; la selección del método depende de la pregunta de investigación específica.
• Recomendar métodos basados en pruebas de interacción para la detección de heterogeneidad y la identificación de biomarcadores.
• Abogar por un enfoque de dos pasos: primero, establecer la heterogeneidad e identificar covariables utilizando métodos interpretables, luego usar métodos complejos para la identificación de subgrupos.