9788418892943. Browner_Diseño de investigaciones clínicas_5e

251

Capítulo 13 • Diseño de estudios de pruebas médicas

■ ESTUDIOS PARA CREAR MODELOS DE PREDICCIÓN CLÍNICA Desarrollo de modelos de predicción

Los estudios para crear modelos de predicción clínica tienen el objetivo de mejorar las decisiones clínicas mediante el uso de métodos matemáticos para desarrollar una nueva prueba (compuesta) que combine múltiples tipos de mediciones primarias en un algoritmo de prueba. La proliferación de modelos de pre dicción clínica (muchos de ellos excesivamente optimistas) ha dado lugar a directrices para informar sus resultados (13) y evaluar su riesgo de sesgo (14); y la Food and Drug Administration de los Estados Unidos ha empezado a regularlos bajo el paradigma de «programas informáticos como dispositivos médicos» (15). Los investigadores que consideren la posibilidad de realizar este tipo de estudios deben consultar tales directrices, además de la breve descripción que sigue. Los pacientes de estos estudios deben ser similares a aquellos en los que se aplicará el modelo. Es probable que un modelo de predicción clínica, y cualquier «regla» que resulte del mismo, sea más útil cuando está destinado a guiar una decisión específica, como la de iniciar el tratamiento con estatinas (para lo que se suele emplear la herramienta de predicción de riesgo del American College of Cardiology/ American Heart Association [16]). Por lo tanto, los modelos deben estudiarse en pacientes similares a aquellos en los que es necesario tomar una decisión clínica específica, incluidos aquellos para quienes esa decisión es actualmente difícil o incierta (17). Los modelos desarrollados con datos de múltiples centros tienen más probabilidades de ser generalizables. Los métodos matemáticos para crear reglas de predicción suelen implicar una técnica de variables múltiples para seleccionar las variables de predicción candidatas y combinar sus valores para generar una predicción. Las variables candidatas deben incluir las de predicción conocidas y plausibles que puedan medirse de forma fácil, fiable y económica. Un modelo de variables múltiples, como la regresión logís tica o el modelo (de riesgos proporcionales) de Cox, permite cuantificar la contribución independiente de las variables de predicción candidatas para predecir la variable de valoración. Las variables que están disponibles de forma más consistente y fuertemente asociadas con la variable de valoración pueden ser incluidas en el modelo. Por ejemplo, Puopolo y cols. (18) usaron un modelo de regresión logística para crear una puntuación de predicción de la infección neonatal de inicio temprano utilizando los datos dispo nibles en el expediente clínico electrónico de la madre en el momento del nacimiento. Esta probabilidad previa de infección puede entonces combinarse con los hallazgos clínicos objetivos de los recién nacidos para obtener una estimación revisada de su probabilidad de infección que puede guiar las decisiones de tratamiento (19, 20). La partición recursiva , o el análisis de árbol de clasificación y regresión (CART, classification and regression tree ), es una técnica alternativa que puede generar reglas de alta sensibilidad sin requerir un modelo subyacente. La técnica crea un árbol que plantea una serie de preguntas de tipo sí o no y lleva al usuario por sus diferentes ramas en función de las respuestas. Al final de cada rama habrá una proba bilidad estimada de la variable de valoración. El árbol puede diseñarse para que tenga alta sensibilidad con instrucciones en el programa informático para que la penalización por los falsos negativos sea mayor que la de los falsos positivos. Por ejemplo, en un estudio de lactantes de menos de 60 días de edad de la Pediatric Emergency Care Applied Research Network (PECARN) (21) se utilizó una relación de penali zación de 100:1 para los falsos negativos, en comparación con los falsos positivos, para crear una regla de predicción que permitiera identificar a quienes presentaban un riesgo muy bajo de infección bacteriana grave (fig. 13-2). Tanto los modelos de variables múltiples como la partición recursiva tienen la ventaja de la trans parencia. El usuario puede observar el modelo o árbol y ver qué variables han contribuido a la estimación de la probabilidad de una persona concreta. Existen varias técnicas de aprendizaje automático para la predicción que no comparten esta característica, como los gráficos de bosque aleatorizados y las redes neuronales (22). Estos métodos de «caja negra» se evalúan con base en la discriminación y la calibración, al igual que los métodos más transparentes. Sin embargo, su opacidad puede dificultar la detección de sesgos, como los causados por el racismo estructural en el proceso de generación de datos (23). Los usua rios de estos métodos deben decidir si cualquier mejoría en el rendimiento de las predicciones obtenida con estos compensa la incapacidad de entender cómo llegan a sus predicciones y los posibles sesgos a los que son susceptibles. SAMPLE