El diseño de experimentos (DOE) y los ensayos controlados aleatorizados son el estándar de oro para determinar relaciones causales, y JMP es el estándar de oro para el software de DOE. Desafortunadamente, muchos estudios con objetivos de inferencia causal no pueden ejecutarse como DOE debido a la imposibilidad de asignar tratamientos aleatoriamente por limitaciones prácticas o éticas. El requisito es eliminar el impacto de las variables de confusión que contribuyen al sesgo en las clases de datos observacionales.
Ofrecemos una visión general de los prometedores métodos actuales de inferencia causal, que incluyen puntuaciones de propensión, algoritmos de emparejamiento y otros enfoques estadísticos, para incluir el borrador de la guía de la FDA para la industria, con datos y evidencia del mundo real. Demostramos varios procedimientos en JMP utilizando una base de datos de estudios retrospectivos que respalda múltiples esfuerzos de investigación clínica para el Programa de Cirugía Cardiotorácica del Centro Médico de Asuntos de Veteranos de Houston. Finalizamos con recomendaciones, consejos y advertencias que el profesional debe considerar cuando el objetivo es la asociación causal y la DOE no es una opción.
Hola, Equipo Discovery, edición para usuarios avanzados. Me llamo Jim Wisniowski de Adsurgo y me acompaña la Dra. Lorraine Cornwell, cirujana cardiotorácica del Centro Médico de Veteranos de Houston y del Baylor College of Medicine. Cornwell también realiza una amplia investigación como investigadora principal en diversos proyectos, y contamos con un coautor, el Dr. Paweł Kolodziejski, coordinador de investigación.
Hoy nos gustaría hablar brevemente sobre algunas de las investigaciones que hemos realizado en el ámbito cardiotorácico, basadas en una base de datos que no se basa en los ensayos controlados aleatorizados habituales. De hecho, estamos analizando estudios retrospectivos y tratando de establecer cierto nivel de causalidad a partir de ellos.
En mi rol como consultor, no es raro visitar clientes de diferentes industrias, impartir un par de días de diseño de experimentos y luego enseñar análisis predictivo. Existe una discrepancia. Empiezo diciendo que el diseño de experimentos es la forma en que establecemos la causalidad. Luego, al pasar al mundo del análisis predictivo, la inteligencia artificial y el aprendizaje automático, debo retroceder un poco y decir que, aunque dije que la idea de la causalidad proviene del DOE, estas otras metodologías aún ofrecen muchas ventajas.
Eso es lo que estamos tratando de hacer, tratar de establecer cómo podemos llegar a algún nivel de información procesable, basada en evidencia y basada en datos que no se base en ensayos controlados aleatorios.
Así es como lo abordaremos. Hablaré brevemente sobre la evidencia y la idea del diseño de experimentos, del cual el ensayo controlado aleatorio es un subconjunto. Hablaré sobre algunos de los problemas que estamos observando en el mundo de los RCT y los ensayos controlados aleatorios, y luego haré una demostración en JMP. Dado que esta es la versión preliminar, les mostraré algunos aspectos que quizás no hayan visto o considerado en relación con el diseño de experimentos.
Luego hablaré sobre lo que sucede cuando no contamos con estudios aleatorizados y nos centramos en estos estudios observacionales. Uno de los métodos que utilizamos para controlar el sesgo es lo que llamamos puntuación de propensión. Les mostraré algunos conceptos en la demostración. Después, le cederé la palabra a la Dra. Cornwell, quien nos dará un ejemplo del trabajo que estamos realizando actualmente y cómo se relaciona con la evidencia, el tipo de información que necesitamos y los niveles de evidencia que nos permiten actuar.
A continuación, haré una demostración de algunos de los métodos asociados con ese ejemplo. Después, hablaré de otros métodos más avanzados que se incorporarán en JMP 19.
A modo de introducción, todos hemos oído que la correlación no implica causalidad, por supuesto. Hoy es agosto y probablemente el día más caluroso del año en algunas partes del país. Con eso, estamos familiarizados con... Existe una fuerte correlación entre las mordeduras de perro, los ahogamientos y las ventas de helado. Es nuestro deber comer menos helado para que haya menos mordeduras de perro y menos ahogamientos.
Claramente, no se trata de la causalidad correcta. De hecho, se trata de la tercera variable. Lo que quiero mencionar es una introducción a la existencia de una dimensión latente que a menudo no observamos. En este caso particular, podríamos registrarla fácilmente con las temperaturas. Pero en gran parte de nuestro trabajo, se trata de una dimensión latente que desconocemos, pero que es la verdadera responsable de la causalidad. Necesitamos reconocerlo.
En nuestro mundo, existen un par de componentes más. Esa correlación es un buen comienzo, pero también es necesario que uno ocurra antes que el otro para que esto suceda. El último componente es la idea general, con la no espuria que debe... En nuestro caso, se trata de una correlación espuria que no tiene otra explicación alternativa.
En el diseño de experimentos, se nos dice que así es como establecemos la causalidad: cuando tenemos factores de entrada, estos son los que provocarán un cambio en la respuesta. Lo importante es que debes ser quien los controle. En esta prueba en particular, vamos a verificar la temperatura y la presión a este nivel, y luego observaremos la respuesta.
JMP ha sido durante mucho tiempo el software predilecto para el Departamento de Energía (DOE). Recientemente, en 2017 y 2018, presentaron la plataforma Easy DOE, que es muy recomendable para los usuarios principiantes, ya que incluye excelentes opciones para su flujo de trabajo que realmente ayudan. Han avanzado mucho en la integración de toda la funcionalidad de JMP en la plataforma Easy DOE. Como pueden ver, normalmente pensamos en el DOE en términos de las etapas de planificación, diseño, ejecución y análisis. Pero aquí se encargan de definir, modelar, diseñar, ingresar datos, analizar, predecir y generar informes.
Hay algunas referencias excelentes. Si desea ver un video sobre cómo hacerlo, de nuevo, reconocemos al grupo de usuarios inicial. Pero vamos a hablar de diseños de control aleatorios, que son un subconjunto de la evidencia basada en la evidencia (DOE). El sello distintivo de la medicina basada en la evidencia es la idea de los RCT. De hecho, el mundo de los RCT, en términos de aplicaciones médicas, comenzó en los años 80 con los cardiólogos, quienes realizaron muchos estudios fundamentales que realmente impulsaron no solo el estado de los procedimientos e intervenciones cardiotorácicas, sino también la ciencia de cómo podemos realmente creer algunos de estos resultados. Y la idea es minimizar el sesgo en esa validez interna.
¿Cómo se hace esto? Bueno, simplemente se asigna aleatoriamente al paciente al grupo de intervención o no. Y vale la pena mencionar que Sir Ronald Fischer, el padre de la estadística, dijo que en realidad solo se necesita elegir a cada persona, aleatorizarla y determinar si estará en el grupo de control con un grupo de tratamiento. No hay que preocuparse por la estratificación.
En realidad, él decía que todo se basaba en la hipótesis nula. Luego, se recopilan los datos y se pregunta: ¿cuál es la probabilidad de que los grupos de tratamiento y control sean equivalentes? La evidencia indica la probabilidad de que no lo sean. Así que lo dejó así.
Pero luego Jersey Naiman y Douglas Rubin ampliaron esto e incorporaron el error de tipo uno y tipo dos, implementando el enfoque de RCT que tenemos hoy. Cabe mencionar que, en la esquina derecha, vemos a Sir Ronald Fischer en la nube de humo de su pipa. Resulta que a mediados de los años 50, muchos estudios en el British Medical Journal afirmaban que se observaba una fuerte relación entre el tabaquismo y el cáncer, suficiente para que muchas personas dejaran de fumar debido a ello.
Pero Fischer, debido a su arraigada creencia en la aleatorización, no daba credibilidad a ninguna de estas pruebas. Así que escribía cartas al editor afirmando que esto no era cierto. De hecho, era un gran amigo de la industria tabacalera. Era el rey de la estadística mundial, y decía que no, que no había suficientes pruebas. ¿Por qué? Porque no se habían realizado ensayos controlados aleatorizados. Y reconoció que existen algunas preocupaciones éticas: no se puede asignar aleatoriamente a 3000 personas a fumar y a otras 3000 no.
Pero seguía atrincherado y no estaba dispuesto a confiar en la evidencia de que, sí, hay mucha correlación. Pero como no se trataba de un ensayo controlado aleatorio, no estaba dispuesto a aprobarlo.
En última instancia, dijo, tal vez también haya una dimensión latente. Quizás sea un gen responsable no solo de la propensión a fumar, sino también de la propensión a padecer cáncer de pulmón. Resultó que nunca se rindió y murió de cáncer poco después.
Otras ideas son el concepto de doble ciego, en el que ni el paciente ni el proveedor saben cuál es el tratamiento, si lo tienen o no, y si están bloqueados o no.
Sin embargo, el problema con algunos de los ensayos controlados aleatorizados que vemos hoy en día es que no se utilizan tanto por diversas razones, entre ellas, la percepción de que son muy engorrosos. Con esto queremos decir que la Conferencia Internacional sobre Armonización de las Buenas Prácticas Clínicas incluye directrices, y en realidad buscan seguir la esencia de las mismas en lugar de seguirlas al pie de la letra, pero están ahuyentando a la gente.
Y no es sorprendente que los ensayos controlados aleatorios sean muy costosos, algo habitual, y se centren más en los resultados a corto plazo, ya que no los mantenemos activos simplemente por el costo. Como mencionamos, existen preocupaciones éticas con el tabaquismo y el método Fischer. Todo se reduce a la heterogeneidad del efecto del tratamiento. Es decir, para participar en un ensayo controlado aleatorio, se deben cumplir ciertos criterios. Por ello, los resultados no se aplican necesariamente a toda la población a la que se pretende atender.
Esto se ha demostrado una y otra vez. Un estudio de 2020 indicó que analizamos los estudios de referencia. Al comparar la evidencia del mundo real con lo que indicaba el ECA, las conclusiones fueron completamente opuestas. Debemos ser muy cuidadosos al ampliar nuestros ensayos controlados aleatorios más allá de la validez interna. Se aleatoriza para eliminar los factores de confusión.
Es excelente que se tengan en cuenta los factores de confusión internos, pero es el externo el que estamos pasando por alto. Si dejamos deliberadamente fuera del ensayo a personas mayores de 75 años, así como a personas con un IMC más alto, etc., corremos un gran riesgo de no poder prolongar los resultados.
Existen directrices para realizar buenos ensayos controlados aleatorizados, y resalté que, para nuestro mundo, todo se basa en numerosos métodos estadísticos. Debemos asegurarnos de que la aleatorización sea correcta, de que el tamaño de muestra sea adecuado y de que eliminemos el sesgo. Hablaremos de un par de maneras de lograrlo. El sector cardiotorácico también está muy comprometido, y esto fue hace aproximadamente el año pasado, con esta iniciativa para mejorar estos ensayos controlados y liderar como lo hicieron en los años 80.
Eso realmente se confirmó en algunos de los casos de COVID-19, donde estos ensayos controlados aleatorios tomaban demasiado tiempo y había más información basada en evidencia que era procesable, de que pudimos lograr un buen progreso en algunas de estas intervenciones, ese tipo de cosas.
Ahora, pasaré a una demostración rápida de JMP sobre qué pasaría si se estuviera realizando un ensayo controlado aleatorio. Haremos tres cosas. Primero, preguntaremos cómo se configuraría esto en la plataforma del DOE. Segundo, independientemente de si se está realizando un ensayo controlado aleatorio o no, a menudo se pregunta cuál es el tamaño de muestra adecuado.
Analizaremos eso y luego veremos algunas opciones de análisis. Permítanme pasar a la revista. Esta es una revista que ya tienen. La proporcioné en los materiales de esta sesión, junto con las diapositivas. Si me baso en la introducción, aquí les dejo una descripción de nosotros y cómo contactarnos. Ahora mismo, al diseñar un ensayo controlado aleatorio, supongamos que me gustaría hacer una pequeña estratificación según el IMC, la edad y el sexo, ya que normalmente son factores importantes, factores de riesgo en los que sí observamos diferencias. Así que nos gustaría asegurarnos de que tengamos una representación equitativa.
Tengo mis factores guardados aquí para poder acceder rápidamente. Sé que mencioné que el DOE fácil es excelente para todos ustedes, pero en este caso particular, usaré la plataforma de Diseño de Experiencia habitual porque quiero mostrarles dónde, ya saben, quizás no quiero incluir a personas con un IMC muy alto ni a personas mayores en este ensayo porque es de mayor riesgo.
Nos dirigiremos al Departamento de Energía y haremos un diseño personalizado. Solo tenemos que cargar el factor y listo. Aquí pueden ver mis tres niveles de IMC: bajo, medio, alto y tres niveles de edad. Usaré las combinaciones no permitidas e introduciré el IMC y la edad. Lo que no queremos es tener un nivel alto de edad y un IMC alto simultáneamente.
Ahora voy a crear un diseño que haga esto por mí. Resulta que quizás haya dos médicos o dos cirujanos aquí que lo harán. Pondré un grupo de 30 y tendré un total de 60. Este es un bloque aleatorio, por lo que si tenemos muchos cirujanos, de los cuales solo estamos viendo dos, eso será un efecto aleatorio para nosotros. Seguiré adelante y crearé este diseño. Lo que JMP está haciendo es darme un diseño que está equilibrado entre los tres factores: IMC, edad y sexo. Luego, lo que necesitamos hacer es determinar, bueno, de estas 60 ejecuciones, ¿quién recibe el tratamiento y quién no? Así que es fácil, tal vez, crear una nueva columna aquí.
Esto es para los nuevos usuarios. Pueden ver lo fácil que es. Voy a ir a "Tratamiento" y luego crearemos una fórmula. Esta fórmula será: si un uniforme aleatorio, que estará entre cero y uno, y el valor total es mayor que 0,5, ese será el grupo de tratamiento. De lo contrario, será el grupo de control.
Bien, aplicar. Bien. Ahora tengo un diseño que puedo usar aquí. Es importante destacar que, si hay alguien cuyas edades he sombreado aquí, se puede ver que nadie en esta prueba es mayor y tiene un IMC alto. De igual manera, para un IMC alto, solo tengo la edad baja y media porque cumplía con esa regla.
A continuación, ¿cuántos ensayos deberíamos realizar? Esto generalmente se responde mediante el llamado análisis de potencia. Explorador de tamaño de muestra del DOE, y luego llegamos a la potencia. Digamos, por ejemplo, que nos interesa... Estoy analizando la fibrilación auricular posoperatoria y la proporción, y me interesa. Sé que, en general, es de alrededor del 25 % de la población.
Me interesaría ver si esta intervención ayuda a reducirlo a, digamos, un 15 %. Lo que haré será establecer dos proporciones muestrales independientes. Introduciré la proporción de 0,25. Entonces, lo que busco es 0,15. Esto es prácticamente significativo para nosotros. Si vemos esa diferencia de 10 puntos porcentuales, nos gustaría creer que esto justifica una intervención que quizás nos gustaría incluir en nuestro protocolo.
Si este es el caso y solo tengo 60 ensayos como los que acabo de diseñar, mi potencia es solo del 16,5 %. Podríamos dedicar mucho tiempo a la potencia, pero esta indica que si el tratamiento es realmente importante, este es el porcentaje de veces que mi prueba lo declarará como tal, dado que veo ese delta de 10,1. Como regla general, necesitamos que la potencia esté al menos en el rango del 80 %. Procederemos y pondremos quizás 250 cada uno y 250 aquí. Eso me lleva a alrededor del 80 % de potencia. Así es como se pueden diseñar. Aquí tienes curvas de potencia que, si empiezo a deslizar hacia abajo, verás que la potencia disminuye.
Esta es una excelente herramienta para que puedan debatir y sopesar algunos de sus riesgos. Es muy posible que su coordinador de investigación diga: "No, no podemos permitirnos tener 500. Solo podemos tener 100 cada uno". Entonces, verán: "Bien, si ese es el caso, pueden ver qué sucede con la potencia". Ahora, regresen rápidamente a la presentación de PowerPoint y tendremos un par de ideas más que abordaremos con los datos reales.
Si no realizamos un ensayo controlado aleatorio, ¿qué deberíamos hacer entonces? Bueno, hay una investigación reciente que sugiere que quizás deberíamos realizar un ensayo clínico aleatorio pragmático, que comprenda que no podemos seguir la ley del ensayo clínico aleatorio al pie de la letra. Pero tal vez podríamos hacer un mayor uso de la tecnología, con sensores portátiles y seguimientos virtuales, para reducir la carga general.
De manera similar, existe la idea de los ensayos controlados de registro, donde se tienen bases de datos muy bien gestionadas que son casi tan buenas, o incluso mejores, en algunos casos, que los datos que se recopilarían de un ensayo controlado aleatorizado. Pero ahora se podría aleatorizar entre... Podría ser entre el Centro 1 y el Centro 2, o entre el Proveedor 1 y el Proveedor 2.
La aleatorización se realiza a un nivel superior. Pero la idea es que esta base de datos esté muy bien validada y verificada. Ahora se puede realizar estas investigaciones con gran rapidez. En ese caso, quizás estemos analizando estos estudios retrospectivos, que tienen una mala reputación y quizás no sean apropiados. Aún podemos hacer algunas cosas con estos estudios observacionales y retrospectivos.
Algo muy útil que hemos encontrado recientemente es analizar algunos metaestudios o estudios sistemáticos que dicen: «Hemos visto quizás nueve artículos sobre esto de diferentes cohortes». Al combinar todo eso, tenemos un mensaje muy claro: todos dicen lo mismo. O bien, hay algunas diferencias, así que no nos fiamos.
Estos metaanálisis son sumamente útiles y cuentan con sus propias medidas estadísticas de los gráficos de embudo y las estadísticas Q e I². Tenemos esperanza. Volviendo a la FDA, en particular en el proceso de aprobación de medicamentos, ahora están impulsando con fuerza la integración de datos y evidencia del mundo real, tanto como sea posible, en algunos de sus estudios cuando comienzan a tomar decisiones en sus ensayos de fase 2 y fase 3.
Una de nuestras mejores maneras de evitar que un estudio observacional sea ineficaz es el emparejamiento. Si tengo 1000 pacientes, de los cuales 200 reciben el tratamiento, ¿hay 800? De los 800 restantes, ¿hay 200 que se parezcan mucho a los 200 que recibieron el tratamiento? Analizo las dimensiones que especifico. Quizás quiera tener un IMC, una edad y quizás otros marcadores similares.
La idea del emparejamiento por propensión es que ahora hemos emparejado a los participantes de la forma más precisa posible. Esto elimina parte del sesgo. De nuevo, nuestro problema es doble en cuanto a las variables. O bien hay alguna dimensión latente que estamos pasando por alto o las variables están confundidas. No sabemos si es realmente el efecto de nuestra intervención o si se debe simplemente a que había muchos más participantes jóvenes en el grupo de tratamiento.
Tenemos que proceder con la comparación y asegurarnos de que todo esté lo más limpio posible. Dicho esto, le cedo la palabra al Dr. Cornwell, quien presentará uno de los estudios que estamos realizando y que arrojará algo de luz en el mundo del análisis causal.
Muchas gracias, Jim. Soy Lorraine Cornwell. Soy cirujana cardíaca y cardiotorácica. Trabajo en el Departamento de Asuntos de Veteranos de Houston y estoy asociada con el Baylor College of Medicine. Solo quería explicarles por qué nos interesaba este estudio en particular en el que hemos estado trabajando: añadir una pericardiotomía posterior a las cirugías a corazón abierto para ver si esto reduce algunas de las complicaciones posoperatorias.
A modo de antecedente, esto se debe a la evidencia de que algunas de las complicaciones postoperatorias se relacionan con el traumatismo cardíaco y torácico, y la posible retención de sangre. El sangrado dentro del saco pericárdico provoca inflamación. Esta inflamación aumenta la probabilidad de complicaciones, como fibrilación auricular postoperatoria, arritmias cardíacas (como hematomas retenidos que requieren una reintervención), inflamación prolongada que puede causar más dolor, síndrome de Dressler (síndrome de inflamación postoperatoria) y una hospitalización prolongada.
Lo que vimos en la literatura es que cuanto mejor se drene el saco pericárdico, mejor será la evolución de los pacientes. Durante la última década, aproximadamente, he estado añadiendo una simple incisión en la parte posterior del pericardio para facilitar el drenaje del saco pericárdico. Decidimos analizar retrospectivamente con un conjunto de datos observacionales si los pacientes que necesitaban la parte posterior del pericardio presentaban alguna diferencia en sus resultados en comparación con los que no la necesitaban.
Sé que Jim va a repasar cómo lo hizo con nosotros en JMP. Pero también queríamos hablar sobre cómo determinamos si el nivel de evidencia que obtenemos del estudio es importante, cómo podemos publicarla y cómo cambiamos la práctica gracias a los estudios realizados. Jim, quizás puedas pasar a la siguiente diapositiva.
De nuevo, ¿en qué momento tenemos suficiente información para incorporar una nueva intervención a un protocolo, un protocolo clínico, a nuestra atención a los pacientes? Hay muchísimos factores a considerar. ¿Existen riesgos con este procedimiento adicional? ¿Cuáles son las mejoras esperadas? ¿Las mejoras compensan los riesgos? Entonces, ¿qué dicen otros estudios? ¿Qué tan sólida y reciente es la evidencia general al respecto? ¿Se generaliza a nuestro grupo específico de pacientes? Como dijo Jim antes, si solo es relevante para pacientes jóvenes, y tenemos pacientes mayores, frágiles y enfermos, puede que no sea lo mismo.
Entonces, ¿existe alguna evidencia empírica que nos permita continuar? ¿Tiene sentido científico? ¿Cuáles son sus costos? Se trata de una intervención muy sencilla. Pensamos que sería bastante fácil de estudiar. Pensamos que estos datos retrospectivos aportarían credibilidad a otros estudios existentes y estandarizarían nuestro protocolo en ese sentido.
La siguiente diapositiva, Jim, por favor. Sobre cómo usamos los estudios para determinar nuestras directrices y nuestra guía. Esto simplemente muestra cómo tomamos los estudios y los incorporamos a las directrices, y estas dirían, por ejemplo, bueno, esta es una recomendación de Clase 1, es muy recomendable, ¿o es de Clase 2 o Clase 3?
Va desde la Clase 1, la recomendación más firme, donde los riesgos superan ampliamente los beneficios (que la intervención es recomendable y debe realizarse, que está indicado), hasta la Clase 2a y b (la Clase 2a significa que es una opción razonable). Es probable que sea útil o beneficioso. La redacción de "Probablemente indicado" cambia ligeramente porque solo se recomienda moderadamente, hasta la 2b, que es débil, como si se considerara algo que podría ser razonable, pero la evidencia no es completa.
Luego, por supuesto, al llegar a la Clase 3, existe la Clase 3 sin beneficio, en la que se ha demostrado que no tiene beneficios o que tiene efectos perjudiciales contundentes. La evidencia es sólida de que realmente causa daños. Cuando nos reunimos con nuestras organizaciones para redactar las directrices, consideramos en qué clase se incluiría cualquier recomendación. Para ello, como puede verse en la siguiente diapositiva, analizamos todos los estudios realizados sobre esta cuestión y determinamos la calidad de la evidencia disponible.
Cuando decimos que es una recomendación de Clase 1 con evidencia de Nivel A, significa que se trata de evidencia de alta calidad. Hay más de un ensayo aleatorizado o metanálisis de ensayos aleatorizados de alta calidad, hasta llegar al Nivel B, que se caracteriza por evidencia de calidad moderada, tal vez un ensayo aleatorizado, varios o pequeños. En ese caso, los Niveles B y R ni siquiera se consideran estudios no aleatorizados ni bien diseñados, sino estudios observacionales aleatorizados.
Ese sería el nivel de evidencia del que hablamos en este estudio de pericardiotomía que realizamos. Por supuesto, el nivel de evidencia es menor a partir de ahí, donde podría incluso ser solo la opinión de expertos, lo cual, por supuesto, no es exactamente la evidencia que esperamos. Sin embargo, a veces hay aspectos en cirugía y medicina para los que aún no contamos con evidencia de alta calidad, pero aun así, los expertos creen que es importante.
Lo que hicimos con esta pregunta en particular fue revisar nuestros datos. Tras ocho años de seguimiento, contábamos con más de 700 pacientes sometidos a una sola cirugía a corazón abierto. Comparamos a los que se sometieron a pericardiotomía con los que no. Inicialmente, obtuvimos grupos bastante emparejados, incluso sin el emparejamiento por propensión. Posteriormente, también realizamos un emparejamiento por propensión. Ambos conjuntos de datos, el no emparejado y el emparejado, mostraron una reducción de la fibrilación auricular posoperatoria.
Fue casi del 10 %. Fue estadísticamente significativo. También se observó una menor duración de la estancia hospitalaria. Salieron del hospital más rápido y tuvieron menos reingresos. La curva de Kaplan-Meier para la supervivencia a largo plazo se desvió, de modo que los pacientes sometidos a pericardiotomía también parecieron sobrevivir más tiempo. Creemos que esta información es importante y podría cambiar la práctica clínica, junto con otros datos que se están publicando. De hecho, esperamos participar en un gran ensayo clínico aleatorizado multiinstitucional sobre este tema si logramos obtener financiación. Siempre es complicado. Pero creo que dejaremos que Jim se encargue de la gestión de estos datos.
Genial. Gracias, Dr. Cornwell. Creo que lo que haremos es volver directamente a... Iba a hablar un poco sobre cómo funciona esta idea de la puntuación de propensión. Pero creo que ahora pasaré a los resultados, dado que tenemos poco tiempo. Pensábamos que éramos un grupo de 45 minutos, pero solo somos de 30. Iré directamente a los resultados. Este archivo en particular no lo tienen, así que disculpen, pero aún no se ha publicado. A continuación, repasaremos algunos de los análisis y cómo sería el flujo de trabajo.
La primera idea es que pueden ver que hay 426 columnas aquí. Como nuevos usuarios, no puedo enfatizar lo suficiente lo maravilloso que es agrupar las columnas. Aquí tengo todos los factores de riesgo agrupados y luego los resultados agrupados. La idea es que estos factores de riesgo estén aquí, y hay más, pero solo tengo un subconjunto aquí. Deben ser relativamente homogéneos en los dos grupos. Para ello, puedo simplemente analizar "Ajustar Y por X", y esa será la respuesta. Veremos la pericardiotomía como intervención.
La esperanza es que tengamos aproximadamente los mismos porcentajes. De entrada, veo que no es así, así que podría poner el etiquetado de las células aquí. Puedo poner los porcentajes. De hecho, permítanme repetirlo, pero quizás el etiquetado de las células, por porcentaje. Ahora todos están así. Aquí podemos ver que hay una diferencia estadísticamente significativa entre ellos en cuanto a los que tenían EPOC. La idea del emparejamiento de propensión es que queremos que sean lo más uniformes posible. Porque en este caso particular, resulta que hay más personas con EPOC que no se sometieron a la pericardiotomía.
Estamos inclinando la balanza a nuestro favor. No tenemos a estas personas con enfisema. Lo que podríamos hacer, y esta es una excelente técnica para JMP, es aplicar un filtro de datos local. Esto determina si el grupo coincide o no. Recuerden, la puntuación de propensión: tenemos aproximadamente 286 pacientes que se sometieron a la pericardiotomía. Ahora vamos a realizar esa coincidencia. Procedemos a la coincidencia, y resulta que esos porcentajes ahora son muy similares: 35-32 %. Esa es la filosofía, y la aplicamos en todo momento.
Estas son proporciones, pero lo mismo ocurre con los porcentajes. Al analizar algunos de estos análisis de laboratorio, buscamos que los promedios sean muy similares entre sí. Lo primero que buscamos en estos estudios es asegurarnos de que exista homogeneidad. Es bueno tenerla al inicio de todos los datos, pero es mejor después de realizar el emparejamiento de propensión.
Ahora, al revisar el análisis de resultados, puedo hacer lo mismo. Analizaré y ajustaré Y por X. En este caso, los resultados serán la respuesta y la pericardiotomía será el factor X. Pasemos ahora al POF. Para ahorrar tiempo, podemos ver que hay una diferencia estadísticamente significativa en ese POAF al usar todos los datos. Introduciré esos porcentajes de nuevo. De todos modos, esto es estadísticamente significativo con una precisión muy cercana. Pero si introduzco la coincidencia de propensión con el filtro de datos local, y pongo "¿coincidió?", aquí están las versiones coincidentes.
Ahora veo que la significancia estadística es mayor. La diferencia se acentúa aún más cuando los emparejamos correctamente. Otra cosa que quería mostrarles es la variable categórica. Pero una variable importante para nosotros, desde el punto de vista económico, es la duración de la hospitalización y, sin duda, también el pronóstico del paciente. Les gustaría irse a casa lo antes posible, y es un indicador indirecto de la rapidez de la recuperación.
Lo que podríamos hacer es analizar una prueba de medias, y podemos ver que hay una diferencia estadísticamente significativa en ellas. Pero, en la mayoría de los casos, sería mejor analizar nuestras... Permítanme ponerlas ahí. Aquí están las medias. Pueden ver que la estancia media es de ocho días y medio frente a nueve días y medio. Pero también queremos analizar una prueba de medianas. Solo quería señalar que se puede realizar una prueba de medianas. Aquí también tenemos significancia estadística, porque lo que ocurre es que estas estancias largas terminan alterando los datos.
Por eso nos centramos en las medianas. Vemos que también hay una diferencia de días en la mediana de la estancia hospitalaria. Estas son algunas ideas para analizar los resultados. El Dr. Cornwell mencionó que también observamos tasas de supervivencia mucho mejores. Esto se hace aquí, en la plataforma de supervivencia, "Supervivencia". Agruparemos la pericardiotomía, analizaremos el tiempo y los años de supervivencia, y luego tendremos un valor censurado.
Esta es una introducción a la censura, lo que significa que cuando nos detuvimos, no todos habían muerto, por lo que fueron censurados. Procedemos a echar un vistazo y ver si hay alguna diferencia. Podemos ver ahora mismo que hay una diferencia. Cero significa que no se sometieron a la pericardiotomía. Puedes ver que esta es la probabilidad de sobrevivir por el número de años aquí. Esa diferencia en esas dos curvas es, de hecho, estadísticamente significativa. Incluso podemos echar un vistazo a cuál es tu supervivencia a los cuatro años o lo que sea que sea. Cuatro años es 81%. Si no se sometió a la pericardiotomía versus uno significa que sí se la realizó, y eso es 88%. Puedes ver que hay una diferencia del 8% en las tasas de supervivencia.
Por último, para mostrarles rápidamente, al realizar algunos de nuestros análisis, nos damos cuenta de que es un desafío debido a la gran cantidad de factores de riesgo. Sabemos que la edad, el sexo y el IMC podrían atenuar algunos de los efectos que observamos. Analizamos diversos factores y árboles de decisión. Recomiendo ampliamente a estos profesionales, ya que son excelentes para que obtengan información valiosa.
Por ejemplo, si quisiera analizar la FA postoperatoria como... Por razones de tiempo, analizaremos a algunos de estos pacientes, y queremos una pericardiotomía. Lo que estamos analizando ahora mismo es solo un análisis general, la probabilidad y el recuento. Aquí podemos ver que alrededor del 71 % no presenta FA postoperatoria. Si determinamos cuál es la mejor variable para determinar, vemos que si son jóvenes, menores de 60 años, entonces es un 91 %, o una división del 8 % y el 92 %. Hay 122 de nuestros pacientes en esa situación. Esto nos da mucha información. Podemos ver la importancia real de la edad.
Pero si me dirijo a la cohorte joven y me divido, ¡miren! Resulta que la pericardiotomía nos ayuda a diferenciar un poco mejor. La tasa general para los jóvenes es del 8 %. Sin embargo, si se les realizó la pericardiotomía, ahora la tasa se ha reducido al 3 %. Podríamos hacer mucho más, pero vamos con prisa. Voy a concluir y les diré que esto podría ser lo que llamaremos el comienzo, por así decirlo, de poner en práctica estas ideas, porque hay mucho más por venir con JMP 19.
Están haciendo un excelente trabajo con los modelos de ecuaciones estructurales y las variables instrumentales. Esta idea de automatizar la puntuación de propensión en JMP 19. Estamos empleando métodos diferentes a los estándar. Se avecinan grandes avances. Creo que el debate sobre la causalidad está cobrando mucha más fuerza a medida que analizamos algunos de estos métodos del siglo XXI y nos damos cuenta de que no se trata solo de ensayos controlados aleatorios. De hecho, podemos aprender mucho y obtener resultados prácticos con base en los datos que analizamos y las formas innovadoras en que los exploramos.
Espero que esta presentación les haya sido útil. Estaremos disponibles para responder preguntas. Muchas gracias.
