Uso de análisis de agrupamiento en ensayos controlados aleatorios en cirugía ortopédica

Nuestro estudio sobre el uso de análisis de agrupamiento en investigación ortopédica sugiere que una pequeña proporción de los estudios están empleando actualmente estos importantes métodos estadísticos. El modelo multivariable de factores predictivos relacionados con la presencia de ajuste para agrupamiento mostró una relación sólida y significativa entre cualquier tipo de ajuste de agrupamiento y la inclusión de un epidemiólogo/metodólogo de ensayos clínicos en el equipo del estudio.

Nuestro estudio tiene varias fortalezas y debilidades. En primer lugar, identificamos sistemáticamente cada ECA publicado en las cinco principales revistas de cirugía ortopédica entre 2006 y 2010. Este método de limitación a revistas específicas permitió identificar a toda la población objetivo de artículos, en oposición a una búsqueda electrónica de literatura que puede perder artículos potenciales que cumplan con los criterios de inclusión. El uso de las cinco revistas principales también permite suponer una estimación conservadora en nuestros hallazgos. Pero por otro lado, esto no puede generalizarse a otras revistas o a la literatura ortopédica más amplia. Además, mientras que un solo individuo hizo la inclusión de todos los artículos, un segundo individuo verificó una selección aleatoria de artículos, lo que minimiza cualquier sesgo de selección.

Los artículos identificados fueron revisados para su inclusión y los datos relevantes fueron extraídos por un solo investigador con experiencia en epidemiología y bioestadística. Este método de extracción permitió la coherencia entre los artículos y mantuvo definiciones homogéneas durante todo el proceso; sin embargo, si bien puede haber un sesgo debido a la extracción por un solo revisor, ambos autores se reunieron durante todo el proceso de extracción para aclarar las interpretaciones de los datos extraídos. A pesar de los esfuerzos por extraer todos los datos relevantes de todos los artículos de la población objetivo, en varios de los artículos no se reportaron datos suficientes. Los datos faltantes fueron especialmente notables para las variables “bioestadístico” y “epidemiólogo/metodólogo de ensayos clínicos”; la mayoría de las especialidades de los autores o miembros del estudio no fueron reportadas en los artículos o fácilmente identificables por los encabezados. En un esfuerzo por minimizar los datos faltantes, se contactó al autor correspondiente de cada artículo y se le preguntó sobre las especialidades de los miembros del equipo de estudio. Sin embargo, no todos los autores respondieron a la solicitud de datos. El subregistro aquí puede sesgar nuestros resultados. Una posibilidad es que los estudios que no informan de las especialidades de los miembros del estudio hayan tenido menos probabilidades de realizar análisis de agrupamiento. Si este fuera el caso, nuestro estudio representaría los artículos de mayor calidad y, por lo tanto, podría ser una sobreestimación del uso del análisis de agrupamiento. Esta hipótesis aún no se ha probado.

El método de regresión escalonada utilizado en el análisis de estos datos es controvertido en algunos contextos, pero generalmente sigue siendo un método aceptado de prueba y generación de hipótesis. No tenemos conocimiento de ninguna otra literatura que investigue predictores de contabilidad para la agrupación, y la naturaleza de investigación de este objetivo nos llevó a este enfoque. Se necesitan más estudios para verificar estos hallazgos. Además , el método de usar GEEs para contabilizar el agrupamiento en nuestros análisis ha demostrado recientemente en los datos de Poisson que aumenta la probabilidad de errores de tipo 1, pero no en los resultados binarios. Es decir, en otro documento, las simulaciones de Monte Carlo mostraron que los modelos GEE tenían mejor poder para detectar la homogeneidad dentro del clúster que otros métodos al examinar los resultados binarios . Recomendamos realizar simulaciones adicionales para determinar la validez de este enfoque.

Una posible debilidad final del estudio es la fecha límite de 2010. Es posible que en el año y medio transcurrido entre nuestra fecha de corte y el análisis de estos datos, los niveles de uso del análisis de agrupamiento en los ECA ortopédicos hayan cambiado. Sin embargo, no hay un evento identificable conocido que inicie tal cambio, lo que hace que esto sea una preocupación marginal. En general, nuestro análisis solo es aplicable al año de artículos que revisamos para estas revistas. Sin embargo, seguimos sosteniendo que este análisis representa ECA relativamente recientes en cirugía ortopédica y su uso de análisis de agrupamiento.

Aunque varios artículos han demostrado previamente la importancia de tener en cuenta la agrupación en los ECA, este tipo de análisis aún no se ha convertido en una práctica estándar . Nuestro estudio sugiere una baja prevalencia de ajuste por efectos de agrupamiento en ECA publicados en la literatura ortopédica, con solo el 21,5% de los artículos incluidos utilizando cualquiera de estos métodos importantes. Hasta donde sabemos, nuestro estudio es el primero en analizar los posibles predictores del uso del ajuste de agrupamiento en ECA. El modelo multivariable de factores predictivos relacionados con el ajuste por agrupamiento mostró una relación sólida y significativa entre cualquier tipo de ajuste por agrupamiento y la inclusión de un epidemiólogo/metodólogo de ensayos clínicos en el equipo del estudio. También se observó un gran efecto en la inclusión de cualquier tipo de especialista (epidemiólogo/metodólogo de ensayos clínicos o bioestadístico). Se esperaba este hallazgo, en el sentido de que las personas específicamente entrenadas en métodos de investigación clínica tienen más probabilidades de emplear la metodología adecuada. Al demostrar la asociación entre un ajuste para la agrupación en un estudio y la presencia de un epidemiólogo o un metodólogo de ensayos clínicos en el equipo del estudio, podemos hacer recomendaciones para formas prácticas de mejorar el uso de estos importantes métodos estadísticos. Por ejemplo, la inclusión de un epidemiólogo o un metodólogo de investigación clínica en la fase de diseño del estudio a priori podría garantizar que se planifiquen e implementen métodos adecuados que limiten o controlen los efectos de la agrupación (p. ej., estratificación, limitación del número de centros / proveedores, tamaños de clúster homogéneos, análisis estadísticos para ajustar la agrupación).

Nos sorprendió encontrar que la inclusión de un bioestadístico no se asoció significativamente con un mayor uso de métodos de ajuste de agrupamiento. Una posible explicación es que los epidemiólogos o los metodólogos de ensayos clínicos a menudo se incluyen en la fase de diseño de un estudio, mientras que los bioestadísticos a menudo solo se incluyen en la fase de análisis. Dado que nuestro resultado se define como la contabilidad de los efectos de agrupamiento en la aleatorización o el análisis estadístico, la participación de un especialista a priori en el estudio es una consideración importante. Esta inclusión a priori versus ad hoc puede estar asociada con un mayor uso de técnicas de ajuste adecuadas; sin embargo, esta hipótesis aún no se ha probado.

Además de la falta de especialización adecuada de los autores en los equipos de estudio, hay varias otras posibles razones por las que el ajuste de los efectos de agrupación no es una práctica común en la actualidad. Como se mencionó anteriormente, el ajuste para la agrupación en grupos generalmente aumenta el tamaño de la muestra necesaria para un poder determinado, lo que hace que la contratación sea un proceso más largo o más difícil y potencialmente aumente las necesidades de financiación y otros recursos. Esto podría actuar como una barrera para los investigadores que inicialmente podrían estar interesados en examinar los efectos de la agrupación dentro de sus estudios. Encontramos que muchos de los estudios incluidos informaron que los terapeutas tenían una capacitación similar o que no se notaron diferencias entre los terapeutas. Pero esto es insuficiente, ya que aún pueden existir efectos de agrupamiento y no se puede asumir la igualdad de los terapeutas. Recomendamos que los expertos clínicos realicen estos análisis cuando sea pertinente y que los comités de revisión institucional y los revisores por pares tengan cuidado de señalar la necesidad de estos análisis. Además, se podría elaborar un conjunto de normas que indicaran cuándo y cómo se pueden hacer estos ajustes, proporcionando ejemplos concretos y pruebas empíricas de esta necesidad.

El efecto de la agrupación puede ser difícil de detectar en estudios que tienen poca potencia cuando se dividen por agrupación; sin embargo, es muy probable que los análisis estadísticos que ignoran la presencia de agrupaciones potenciales den lugar a estimaciones demasiado precisas y, por lo tanto, engañosas . Los métodos para realizar cálculos de tamaño de muestra para estudios con efectos de agrupación dependen del tipo de datos para el resultado primario de interés (por ejemplo, continuo, binario, recuento). En la literatura se sugieren varios métodos y varios paquetes estadísticos tienen la capacidad de derivar estas estimaciones . Como ejemplo, muchos estudios utilizan medidas de resultados que producen datos continuos, para lo cual se necesita un CCI para calcular el tamaño de la muestra; esto requiere un conocimiento a priori de las varianzas dentro y entre los grupos . Se están realizando varios esfuerzos para fomentar el uso de análisis de agrupamiento mediante la creación de bases de datos de CIC para diversos resultados utilizados en ensayos quirúrgicos . Estas bases de datos proporcionarán a los investigadores información sobre la magnitud probable de las CIC para diferentes resultados y permitirán el uso de estimaciones de efectos de agrupamiento en las etapas de planificación de un ensayo. Esto, a su vez, permitirá un cálculo preciso del tamaño de la muestra en la fase de diseño de un estudio y, por lo tanto, la potencia adecuada para probar hipótesis . Cook et al. sugerir que el uso óptimo de los datos disponibles entrañaría un metanálisis oficial de las estimaciones del CICE. Además, se necesita más trabajo sobre los cálculos del tamaño de la muestra y los métodos de contabilidad para la agrupación de datos binarios y de recuento en la investigación clínica. Se debe dar prioridad a esta importante investigación, con el objetivo de informar a los investigadores de los posibles efectos de la agrupación por resultado y permitir mejores prácticas en los análisis mediante la comprensión a priori de los posibles efectos de la agrupación.