La probabilidad predictiva de éxito (PPOS) es un concepto estadístico comúnmente utilizado en la industria farmacéutica, incluso por parte de las autoridades sanitarias, para respaldar la toma de decisiones . En los ensayos clínicos , PPOS es la probabilidad de observar un éxito en el futuro en función de los datos existentes. Es un tipo de probabilidad de éxito . Un medio bayesiano por el cual se puede determinar el PPOS es mediante la integración de la probabilidad de los datos sobre posibles respuestas futuras (distribución posterior). [1]
Tipos de PPOS
- Clasificación basada en el tipo de punto final : normal, binario, tiempo hasta el evento.
- Clasificación basada en la relación entre el ensayo que proporciona datos y el ensayo a predecir
- PPOS de ensayo cruzado: uso de datos de un ensayo para predecir el otro ensayo
- PPOS dentro del ensayo: uso de datos en el análisis intermedio para predecir el mismo ensayo en el análisis final
- Clasificación basada en la relación entre el (los) punto (s) final (es) con los datos y el punto final que se va a predecir
- PPOS 1 a 1: usar un punto final para predecir el mismo punto final
- 1 a 1 * PPOS: usar un punto final para predecir otro punto final diferente pero correlacionado
Relación con el poder condicional y el poder predictivo
El poder condicional es la probabilidad de observar una significación estadística asumiendo que el parámetro es igual a un valor específico. [2] Más específicamente, estos parámetros podrían ser tasas de eventos de tratamiento y placebo que podrían fijarse en observaciones futuras. [3] Este es un poder estadístico frecuentista . El poder condicional a menudo se critica por asumir que el parámetro es igual a un valor específico que no se sabe que sea cierto. Si se conoce el valor real del parámetro, no es necesario realizar un experimento.
El poder predictivo aborda este problema asumiendo que el parámetro tiene una distribución específica. El poder predictivo es un poder bayesiano . Un parámetro en la configuración bayesiana es una variable aleatoria. El poder predictivo es una función de un parámetro (s), por lo tanto, el poder predictivo también es una variable.
Tanto el poder condicional como el poder predictivo utilizan la significación estadística como criterio de éxito. Sin embargo, la importancia estadística a menudo no es suficiente para definir el éxito. Por ejemplo, las autoridades sanitarias a menudo requieren que la magnitud del efecto del tratamiento sea mayor que la significación estadística para respaldar una decisión de registro.
Para abordar este problema, el poder predictivo se puede extender al concepto de PPOS. El criterio de éxito para PPOS no se limita a la significación estadística. Puede ser otra cosa, como resultados clínicos significativos. PPOS es una probabilidad condicional condicionada a una variable aleatoria, por lo que también es una variable aleatoria. El valor observado es solo una realización de la variable aleatoria. [4]
Relación con la probabilidad de éxito posterior
La probabilidad de éxito posterior se calcula a partir de la distribución posterior. La PPOS se calcula a partir de la distribución predictiva. La distribución posterior es el resumen de las incertidumbres sobre el parámetro. La distribución predictiva no solo tiene la incertidumbre sobre los parámetros, sino también la incertidumbre sobre la estimación de parámetros utilizando datos. La distribución posterior y la distribución predictiva tienen la misma media, pero la primera tiene una varianza menor.
Problemas comunes en la práctica actual de PPOS
PPOS es una probabilidad condicional condicionada a datos observados aleatoriamente y, por lo tanto, es una variable aleatoria en sí misma. Actualmente, la práctica común de PPOS utiliza solo su estimación puntual en las aplicaciones. Esto puede resultar engañoso. Para una variable, la cantidad de incertidumbre es una parte importante de la historia. Para abordar este problema, Tang [5] introdujo el intervalo creíble de PPOS para cuantificar la cantidad de su incertidumbre. Tang aboga por utilizar tanto la estimación puntual de PPOS como el intervalo creíble en aplicaciones como la toma de decisiones y los diseños de ensayos clínicos . Otro problema común es el uso mixto de probabilidad posterior de éxito y PPOS. Como se describe en la sección anterior, las 2 estadísticas se miden en 2 métricas diferentes, compararlas es como comparar manzanas y naranjas .
Aplicaciones en el diseño de ensayos clínicos
PPOS se puede utilizar para diseñar provisiones de futilidad para grandes ensayos confirmatorios o ensayos piloto.
Diseño de prueba piloto usando PPOS
El diseño de prueba piloto tradicional se realiza típicamente controlando la tasa de error de tipo I y la potencia para detectar un valor de parámetro específico. El objetivo de una prueba piloto, como una prueba de fase II, generalmente no es respaldar el registro. Por lo tanto, no tiene sentido controlar la tasa de error de tipo I, especialmente un error de tipo I grande, como se hace normalmente en una prueba de fase II. Una pista piloto generalmente proporciona evidencia para respaldar una decisión de aprobación o no aprobación para un ensayo confirmatorio. Por lo tanto, tiene más sentido diseñar una prueba basada en PPOS. Para respaldar una decisión de No / Go, los métodos tradicionales requieren que el PPOS sea pequeño. Sin embargo, el PPOS puede ser pequeño solo por casualidad. Para resolver este problema, podemos requerir que el intervalo creíble de PPOS sea estrecho de modo que el cálculo de PPOS esté respaldado por información suficiente y, por lo tanto, PPOS no sea pequeño solo por casualidad. Encontrar un diseño óptimo es equivalente a encontrar la solución a las siguientes 2 ecuaciones.
- PPOS = PPOS1
- límite superior del intervalo creíble de PPOS = PPOS2
donde PPOS1 y PPOS2 son algunos valores de corte definidos por el usuario. La primera ecuación asegura que el PPOS sea pequeño, de modo que no se evitará que muchos ensayos entren en la siguiente etapa para protegerse contra falsos negativos . La primera ecuación también asegura que el PPOS no sea demasiado pequeño, de modo que no muchos ensayos entrarán en la siguiente etapa para protegerse contra falsos positivos . La segunda ecuación asegura que el intervalo creíble de PPOS sea estrecho, de modo que el cálculo de PPOS esté respaldado por información suficiente. La segunda ecuación también asegura que el intervalo creíble de PPOS no sea demasiado estrecho para que no demande demasiados recursos.
Diseño provisional de inutilidad con PPOS
El PPOS también se puede utilizar en un análisis intermedio para determinar si se debe continuar con un ensayo clínico. PPOS se puede usar para este propósito porque su valor se puede usar para indicar si hay suficiente evidencia convincente para rechazar o no rechazar la hipótesis nula con los datos actualmente disponibles. [1] El PPOS también se puede utilizar en la evaluación de la inutilidad. [1] La inutilidad es cuando un ensayo clínico no muestra signos de alcanzar su objetivo (es decir, proporciona lo suficiente para llegar a una conclusión sobre el nulo). [6]
Provisional de futilidad tradicional está diseñado en función del gasto beta. Sin embargo, el gasto beta no tiene una interpretación intuitiva. Por lo tanto, es difícil comunicarse con colegas que no son estadísticos. Dado que PPOS tiene una interpretación intuitiva, tiene más sentido diseñar la futilidad provisional utilizando PPOS. Para declarar inutilidad, exigimos que el PPOS sea pequeño y que el cálculo del PPOS esté respaldado por suficiente información. Encontrar el diseño óptimo equivale a resolver las siguientes 2 ecuaciones.
- PPOS = PPOS1
- límite superior del intervalo creíble de PPOS = PPOS2
Calcular PPOS usando simulaciones
En el análisis intermedio, la probabilidad predictiva de éxito también se puede calcular mediante el uso de simulaciones mediante el siguiente método: [1]
- Muestrear el parámetro de interés de la distribución posterior obtenida del conjunto de datos actualmente disponible
- Complete el conjunto de datos tomando muestras de la distribución predictiva que contiene valores que aún no se han observado en los datos bajo análisis intermedio.
- Utilice el conjunto de datos recién completado para calcular los criterios utilizados para calcular el éxito, que podrían ser valores p, probabilidades posteriores, etc. Esto se puede utilizar para categorizar si un ensayo fue un éxito o no.
- Estos tres pasos luego se repiten un total de n veces. El PPOS se determina obteniendo la proporción de ensayos que tuvieron éxito en el conjunto de datos.
El uso de la simulación para calcular PPOS hace posible probar estadísticas con distribuciones complejas, ya que alivia la complejidad informática que de otro modo sería necesaria. [3]
Referencias
- ↑ a b c d Saville, Benjamin R .; Connor, Jason T .; Ayers, Gregory D .; Álvarez, JoAnn (1 de agosto de 2014). "La utilidad de las probabilidades predictivas bayesianas para el seguimiento intermedio de ensayos clínicos" . Ensayos clínicos . 11 (4): 485–493. doi : 10.1177 / 1740774514531352 . ISSN 1740-7745 . PMC 4247348 . PMID 24872363 .
- ^ Ankerst, J; Ankerst, D. Manual de estadística en oncología clínica (2ª ed.). pag. 232.
- ^ a b Trzaskoma, Benjamin; Sashegyi, Andreas (1 de enero de 2007). "Probabilidad predictiva de éxito y la evaluación de la inutilidad en ensayos de grandes resultados". Revista de estadísticas biofarmacéuticas . 17 (1): 45–63. doi : 10.1080 / 10543400601001485 . ISSN 1054-3406 . PMID 17219755 .
- ^ Tang, Z (28 de mayo de 2015). "Diseño PPOS" . slideshare .
- ^ Tang, Z (2015). "Diseño intermedio de futilidad óptima: un enfoque de probabilidad predictiva de éxito con el tiempo hasta el punto final del evento". Revista de estadísticas biofarmacéuticas . 25 (6): 1312-1319. doi : 10.1080 / 10543406.2014.983646 . PMID 25379701 .
- ^ Snapinn, Steven; Chen, Mon-Gy; Jiang, Qi; Koutsoukos, Tony (1 de diciembre de 2016). "Evaluación de la inutilidad en los ensayos clínicos". Estadísticas farmacéuticas . 5 (4): 273–281. doi : 10.1002 / pst.216 . ISSN 1539-1604 . PMID 17128426 .