nuevas formas de generar evidencia: del ensayo clínico aleatorizado a los estudios basados en...
TRANSCRIPT
Nuevas formas de generar evidencia: del ensayo clínico aleatorizado
a los estudios basados en registros electrónicos
Josep Jiménez Villa
1. Los ensayos clínicos han sido muy útiles al proporcionar pruebas sobre los efectos de los tratamientos
2. Pero tienen algunas limitaciones relevantes que afectan a su aplicabilidad práctica
3. Los estudios observacionales proporcionan un gran volumen de información que habitualmente no es tenida en cuenta
4. Los registros informáticos se han generalizado y existe un ingente (y creciente) volumen de datos y una mayor capacidad de análisis de estos datos
Indice
¿Podemos mejorarlos y hacerlos más
útiles?
¿Podemos incorporar estos
datos sin introducir sesgos?
¿Podemos sustituir los estudios por el análisis de los “big
data”?
Mejor evidencia científica
disponible
Decisión clínica
Experiencia del profesional
Preferencias y opiniones del paciente
Recursos disponibles
Necesidades del paciente
Efectos de las actuaciones sanitarias
Evidencia científica y toma de decisiones
alta
baja
calid
ad d
e la
evi
denc
ia
Revisiones sistemáticasRevisiones sistemáticas
Estudios de cohortesEstudios de cohortes
Estudios de casos y controlesEstudios de casos y controles
Series de casos clínicosSeries de casos clínicos
Ensayos clínicos aleatoriosEnsayos clínicos aleatorios
Estudios controlados no aleatoriosEstudios controlados no aleatorios
Validez interna de un ECAMinimizar sesgos:
Asignación aleatoriaOcultación de la secuencia aleatoriaEnmascaramientoEvaluación ciega de la respuestaAnálisis por intención de tratar
Minimizar errores aleatorios:Aumentar el tamaño de la muestraMeta-análisis
Limitaciones de los ECA
Validez externa limitada Problemas por la adherencia y los cotratamientos Variables de respuesta no siempre clínicamente relevantes Potencia insuficiente para detectar efectos de moderada
magnitud Significación estadística vs relevancia clínica Inicio y reclutamiento lentos Infraestructura costosa Demasiadas lagunas en la evidencia sobre preguntas
importantes
Diferencias entre las poblaciones estudiadas y las que reciben el tratamiento en la práctica
• Grupos de edad (ancianos, niños)
• Género• Factores étnicos• Comorbilidad no estudiada• Tratamientos
concomitantes (incluyendo OTC)
Hábitos de vida (tabaco, alcohol, dieta, …)
• Diferencias en la gravedad de la enfermedad
• Adherencia de los pacientes
Pacientes mayores de 18 años de un centro de salud con diagnóstico de hiperlipemia sin antecedentes de enfermedad cardiovascular que cumplirían los criterios de selección de los principales ensayos de prevención primaria de enfermedad coronaria
Hervás et al. Aten Primaria 2003; 32: 509-16
Validez externa
16 GPC presentan los niveles de evidencia de 2.711 recomendaciones
314 (11%) están basadas en evidencias clasificadas como “A”:
Recomendaciones basadas en evidencias de múltiples ECA o meta-análisis
El 48% de las recomendaciones tienen evidencias de nivel I:Condiciones para las que hay evidencia y/o consenso general en que un procedimiento o tratamiento determinado es útil y efectivo
El sistema tradicional de ECA es claramente insuficiente para permitir llenar este vacío:- Demasiado caro- Demasiado lento- Incapaz de recoger muchos eventos
clave, incluyendo resultados del mundo real
Práctica clínicaPráctica clínica InvestigaciónInvestigación
Generación de conocimientoGeneración de conocimiento
Gestión del conocimientoGestión del conocimiento
El excesivo énfasis en la validez interna de los estudios ha hecho que la calidad de la respuesta sea más
importante que la calidad de la pregunta
Right AnswersWrong Questions
Situación actual de los ECA
La evaluación de la mayoría de los tratamientos requiere ECA de gran tamaño
Es necesario aumentar la aplicabilidad externa Se necesitan diseños alternativos para abordar preguntas
más prácticas Muchos procedimientos pueden simplificarse o suprimirse
sin afectar a la validez ni a la integridad del estudio
Alternativas al ECA tradicional
Ensayos pragmáticos Diseños adaptativos
Meta-análisis Meta-análisis en red
Inclusión de estudios observacionales Uso de datos procedentes de registros
Estudios observacionales vs. Ensayos clínicos
Revisión sistemática de las comparaciones de las estimaciones del efecto derivadas de los ECA y otros diseños
Los estudios observacionales proporcionan estimaciones válidas de la efectividad si se controlan adecuadamente los factores de confusión
Si los estudios son de alta calidad, las discrepancias son pequeñas y con escaso impacto sobre los resultados
MacLehose RR et al. A systematic review of comparisons of effect sizes derived from randomised and non-randomised studies. Health Technology Assessment 2000; 4 (34).
Los datos observacionales como alternativa
Susceptibles de confusión no controlada:
Sesgo de indicaciónCaracterísticas clave no registradasCaracterísticas clave mal registradasCaracterísticas clave parcialmente ausentes (missing)
Exposición al tratamiento
Factor de confusión
Confusión
“Propensity scores”
Análisis multivariante
“convencional”
Respuesta clínica
Propensity Score Desarrollado por Rosenbaum and Rubin (1983) como alternativa al análisis
multivariante convencional para controlar el fenómeno de confusion en los estudios de cohortes
Es una puntuación que sintetiza la probabilidad individual de recibir un tratamiento en función de un conjunto de covariables (factores de confusión)
Se focaliza más en el diseño de los estudios que en el análisis
En la práctica, no hay diferencias estadísticas entre estos procedimientos y una regresión multivariante en el 90% de los casos
(Shah et al, J Clin Epidemiol 2005)
Propensity Score
Propensity Score
Big Data
Kilobyte (KB) 103 1.000
Megabyte (MB) 106 1.000.000
Gigabyte (GB) 109 1.000.000.000
Terabyte (TB) 1012 1.000.000.000.000
Petabyte (PB) 1015 1.000.000.000.000.000
Exabyte (EB) 1018 1.000.000.000.000.000.000
Zettabyte (ZB) 1021 1.000.000.000.000.000.000.000
Yottabyte (YB) 1024 1.000.000.000.000.000.000.000.000
Brontobyte (BB) 1027 1.000.000.000.000.000.000.000.000.000
Geopbyte (GeB) 1031 1.000.000.000.000.000.000.000.000.000.000
Unidades de información (del byte)
Big Data
Las bases de datos rutinarias existen desde hace décadas. Lo nuevo es la escala, la sofisticación, la ubicuidad y la capacidad de análisis.
Los datos ya no son un simple “back-office”: se tienden a utilizar en la toma de decisiones en la práctica
Algunas preguntas: ¿El acceso a grandes cantidades de datos y el aumento de la capacidad de
análisis implica que el método científico se está quedando obsoleto? ¿El hecho de estimar conductas individuales cruza el límite de la privacidad
personal? ¿Cómo utilizarán las empresas sanitarias y las compañías de seguros los
datos sobre las conductas de los sujetos?David Bollier. The promise and perill of big data. 2010
Cuanto mayor solapamiento, mayor
conocimiento
Información proporcionada por el paciente
Información relativa al
aseguramiento
Información relacionada
con la atención
especializada
Información relacionada con
la atención primaria
Los datos del “mundo real” en salud
MÁS DATOS ≠
MEJOR INFORMACIÓN
Learning Health care systems
Greene SM, Reid RJ, Larson EB. Implementing the Learning Health System: From Concept to Action. Ann Intern Med. 2012;157:207-210.
No es momento de “jubilar” el ECA (todavía),pero hay que mejorarlo (continuar mejorándolo) para superar sus limitaciones
Los estudios observacionales pueden proporcionar evidencias útiles,aunque deben mejorarse los procedimientos para el control de los factores de confusión
Los “big data” tienen un gran potencial para aproximarnos al conocimiento de lo que ocurre en el mundo real,pero para poder definir su papel en la generación de evidencias es necesario solucionar previamente los aspectos éticos, legales y técnicos
Conclusiones
Nuevas formas de generar evidencia: del ensayo clínico aleatorizado
a los estudios basados en registros electrónicos
Josep Jiménez Villa