Dado que los ensayos clínicos son experimentos que estudian pacientes, dependen en gran medida de encontrar el tipo correcto y el número correcto de pacientes. Los ensayos clínicos se pueden realizar solo después de que se haya recopilado suficiente información del paciente y de que se hayan asignado grupos de tratamiento al azar, por lo que es muy importante que los investigadores recluten a suficientes personas antes de la fecha límite.
Sin embargo, a medida que comienza la inscripción, a menudo no está claro qué tan avanzado está el reclutamiento actual: “¿Lo lograremos? ¿Estamos detrás? ¿Estamos adelantados a lo previsto? ¿Dónde estamos? ”Este tipo de incertidumbre hace que sea bastante complicado planificar por adelantado y tomar medidas para ajustar la tasa de reclutamiento. Dado el número actual de reclutas, ¿no sería estupendo si pudiéramos predecir cuánto tiempo tomará la inscripción de las personas restantes para que podamos reaccionar sin demora y agregar más centros según sea necesario? Bueno, podemos con el modelado predictivo.
¿Dónde estamos en el proceso de contratación?
Hay muchos modelos predictivos desarrollados por académicos para resolver este problema; La más fácil y más utilizada es la distribución de Poisson-Gamma (Anisimov y Fedorov, 2007). Ese modelo asume que los pacientes se inscriben de acuerdo con los procesos de Poisson independientes, cada uno de los cuales está definido por un parámetro lambda desconocido y no constante. Lambda es la tasa de reclutamiento (el número de pacientes reclutados para cada unidad de período de tiempo), una medida que indica qué tan rápido es el reclutamiento, y pertenece a una distribución gamma con parámetros alfa y beta, también desconocida.
Estos dos parámetros, alfa y beta, podrían estimarse con los datos de inscripción que los investigadores tienen hasta ahora. Usando los valores alfa y beta estimados y siguiendo la distribución gamma, los investigadores podrían simular diferentes valores de tasa de reclutamiento (lambda) y, por lo tanto, diferentes valores de los tiempos restantes que se derivan de las lambdas. La media, 2,5 th el percentil y el percentil 97.5 de las simulaciones podrían calcularse a partir de las simulaciones y servir como la predicción del reclutamiento restante. Una gráfica de estas simulaciones (Figura 1) le da a las personas una idea clara y visual de lo lejos que están en el proceso de reclutamiento.
Figura 1
Ahí, problema resuelto! Pero espera....
¿Cómo puedo saber si me perderé el plazo o no? Si la media predicha (marcada por la línea roja) supera la fecha prevista, ¿significa que no podré inscribir a suficientes pacientes? ¿O debería mirar los percentiles? Bueno, dame un umbral de probabilidad con el que quieras que tu reclutamiento cumpla con el plazo, y lo compararé con la probabilidad de que los tiempos restantes simulados cumplan con el plazo. Si la probabilidad calculada es mayor o igual que el umbral, entonces la tasa de contratación actual es aceptable para usted. Pero si la tasa de reclutamiento actual no cumple con su umbral, entonces se necesitan centros adicionales si desea alcanzar el objetivo de reclutamiento dentro del plazo establecido.
Añadiendo nuevos centros.
Bien, ¿cómo sé cuántos nuevos centros agregar? Excelente pregunta! El modelo te lo dirá. Si el modelo considera necesario agregar centros, el ajuste adaptativo se iniciará y el modelo usará el mismo método de simulación para predecir el nuevo tiempo restante, comenzando con la adición de un centro. El número inicial de nuevos centros es uno por defecto, pero puede cambiarlo. El nuevo tiempo restante incluye el tiempo restante previsto con los nuevos centros agregados y la cantidad de tiempo retrasado en los nuevos centros para que se conecten. Entonces, el modelo necesita otra probabilidad de ti. Le ha dado la probabilidad mínima de cumplir la fecha límite con los centros actuales, por lo que el modelo sabe cuándo comenzar a agregar más centros; el siguiente paso es proporcionar una probabilidad mínima de cumplir el plazo con los nuevos centros para que el modelo sepa cuándo dejar de agregar más centros.
El modelo calcula la probabilidad de nuevas simulaciones que cumplen con la fecha límite con nuevos centros agregados y lo compara con la segunda probabilidad mínima que especificó. Seguirá agregando un nuevo centro si la probabilidad anterior es menor que la segunda, hasta que sean iguales o el anterior sea mayor que el último. De esta manera, el modelo ha encontrado la menor cantidad de centros adicionales que cumplen con sus estándares mínimos para que pueda alcanzar su objetivo de inscripción antes de la fecha límite al mismo tiempo. La tabla y los gráficos a continuación ilustran todo el proceso de ajuste adaptativo. Tenga en cuenta que las dos probabilidades que debe especificar podrían ser las mismas (cuando tiene los mismos requisitos sobre la probabilidad de que las simulaciones alcancen la fecha prevista con y sin la adición de nuevos centros).
Figura 2
figura 3
tabla 1
¡Misión cumplida!
Este modelo predictivo para el reclutamiento de pacientes en multicéntricos es potente y ajustable. Le da una idea clara de cómo ha sido su reclutamiento y cómo será en el futuro. Además, puede personalizarlo según los estándares que desee al cambiar las opciones. Todo lo que necesita es información sobre el reclutamiento de participantes de un ensayo clínico en curso, que le permite evaluar y ajustar las estrategias de reclutamiento para mantener sus ensayos a tiempo.
He creado los gráficos y la tabla con JMP clinico (Demografía y visitas> Reclutamiento de pacientes). JMP Clinical también tiene un conjunto de otras herramientas predictivas disponibles para sus análisis de ensayos clínicos.
Xiaotong Jiang escribió:
Hola emil ¡Muchas gracias por tu interes! En resumen, JMPC utiliza toda el área verde para predecir el reclutamiento futuro. A pesar de que se ha estabilizado un poco al final del reclutamiento actual, la tasa general de reclutamiento sigue siendo relativamente alta y, por lo tanto, los valores predichos aumentarán con esa tasa. Si solo usa los datos más recientes (por ejemplo, los últimos seis meses), verá una pendiente más plana porque la parte aplanada se vuelve más influyente. Por favor, siéntase libre de enviarme un correo electrónico si tiene más preguntas!
Raj Bandaru escribió:
muy bonito, sería interesante ver cómo se realizó esto contra algunos datos de reclutamiento reales y cómo se podrían incluir parámetros adicionales.
Emil Friedman escribió:
La figura 1 sugiere que el reclutamiento real se ha estancado. ¿Por qué la extrapolación dice que la pendiente aumentará?
