Oikonomou, E.K., Thangaraj, P.M., Bhatt, D.L. et al. Una estrategia de fenomapeo basada en el aprendizaje automático explicable para el enriquecimiento predictivo adaptativo en ensayos clínicos aleatorizados. npj Digit. Med. 6, 217 (2023). https://doi.org/10.1038/s41746-023-00963-z
Recopilado por Carlos Cabrera Lozada. Miembro Correspondiente Nacional, ANM puesto 16. ORCID: 0000-0002-3133-5183. 09/12/2023
Resumen
Los ensayos clínicos aleatorizados (ECA) representan la piedra angular de la medicina basada en la evidencia, pero requieren muchos recursos. Proponemos y evaluamos una estrategia de aprendizaje automático (ML) de enriquecimiento predictivo adaptativo a través de fenomapas de ensayos computacionales para optimizar la inscripción en ECA. En los análisis secuenciales de grupos simulados de dos ECA de resultados cardiovasculares grandes, de (1) un fármaco terapéutico (pioglitazona versus placebo; Insulin Resistance Intervention after Stroke (IRIS)), y (2) una estrategia de manejo de la enfermedad (reducción intensiva versus estándar de la presión arterial sistólica en el Systolic Blood Pressure Intervention Trial (SPRINT)), construimos representaciones fenotípicas dinámicas para inferir perfiles de respuesta durante los análisis intermedios y examinamos su asociación con los resultados del estudio. A lo largo de tres puntos temporales intermedios, nuestra estrategia aprendió firmas fenotípicas dinámicas que predicen el beneficio cardiovascular individualizado. Al condicionar la probabilidad de inscripción de un posible candidato a su beneficio previsto, estimamos que nuestro enfoque habría permitido una reducción en el tamaño final del ensayo en diez simulaciones (IRIS: −14,8% ± 3,1%, pprueba t de una muestra = 0,001; SPRINT: −17,6% ± 3,6%, pprueba t de una muestra < 0,001), conservando el efecto medio original del tratamiento (IRIS: cociente de riesgos instantáneos de 0,73 ± 0,01 para pioglitazona frente a placebo, frente a 0,76 en el ensayo original; SPRINT: cociente de riesgo instantáneo de 0,72 ± 0,01 para la presión arterial sistólica intensiva frente a la estándar, frente a 0,75 en el ensayo original; todas las simulaciones con un valor de p derivado de la regresión de Cox de < 0,01 para el efecto de la intervención en el resultado primario respectivo). Este marco adaptativo tiene el potencial de maximizar la eficiencia de la inscripción en RCT.