La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Módulo 2 Estadística aplicada a la Investigación Clínica en Hematología Coordinadores: Dra. Cristina Fernández y Dr. Raúl Córdoba.

Presentaciones similares


Presentación del tema: "Módulo 2 Estadística aplicada a la Investigación Clínica en Hematología Coordinadores: Dra. Cristina Fernández y Dr. Raúl Córdoba."— Transcripción de la presentación:

1

2 Módulo 2 Estadística aplicada a la Investigación Clínica en Hematología Coordinadores: Dra. Cristina Fernández y Dr. Raúl Córdoba

3 Módulo 2 Estadística aplicada a la Investigación Clínica en Hematología Contenidos AEstadística aplicada a la IC - Tipología de estudios - Bases metodológicas - Utilidad variables de análisis - Gestión de datos - Interpretación resultados BBases para el análisis económico de resultados Conceptos básicos (on line) Revisión de casos prácticos Metodología Seminario presencial (2 días)

4 Módulo 2 Variables estadísticas en Hematología Dr. Raúl Córdoba

5 … esto no va a ser una charla más de estadística en la que no me voy a enterar de nada… H0: m1 = m2

6 AGENDA 1.Conceptos básicos de estadística 2.Estadística aplicada a la Investigación Clínica en Hematología 3.Utilidad de las variables estadísticas en la evaluación de nuevos medicamentos 4.Validez de las variables surrogadas en Hematología

7 Introducción a la Estadística

8 Definición de estadística La palabra estadística tiene varios significados: Datos contenidos en un registro Características calculadas para un grupo de datos. Ej. media de la muestra. Metodología estadística, técnicas y procedimientos relacionados con el diseño de experimentos y con la recogida, organización y análisis de la información en un grupo de datos (muestra) para hacer extrapolación en la población

9 ¿Por qué es necesario tener conocimientos básicos en estadística? 1.Es esencial para personas que hacen investigación para diseñar bien los estudios 2.Útil para interpretar los resultados de una investigación 3.Hacer una presentación efectiva de los resultados Para un hematólogo poder tomar decisiones en la evaluación de nuevos medicamentos

10 ¿Qué tipos de análisis estadísticos tenemos? 1. Estadística descriptiva se encarga de la enumeración, organización y representación gráfica de los datos 2. Estadística inferencial se encarga de obtener conclusiones trabajando con parte de la información (muestra) y generalizando a la población

11 Análisis estadísticos: Estadística inferencial - El objetivo de la estadística inferencial es extrapolar los parámetros de la población basado en la información obtenida de la muestra. - Podemos hacerlo: 1. Estimación Ej. estimando la prevalencia de una enfermedad en la población que vive en nuestro área sanitaria 2. Probando hipótesis Ej. probando la efectividad de un nuevo medicamento

12 Variables Para poder llevar a cabo esta inferencia, es necesario definir variables de estudio Definición: Variable: característica de cada sujeto (cada caso) de una base de datos Llamamos variable precisamente porque varía de sujeto a sujeto Cada sujeto tiene un valor para cada variable

13 ¿Qué tipos de variables existen? Variables cualitativas - Los valores tienen una escala nominal - Los valores son categorías - Las categorías son valores diferentes por una cualidad, no por una cantidad - Ningún valor se puede decir que sea mayor o menor que otro - Ejemplos: sexo (H/M); hábito tabáquico (S/N); antecedentes médicos; estadio de la enfermedad

14 ¿Qué tipos de variables existen? Variables cuantitativas - Los valores de la variable son números = cada valor posible es menor o mayor que otro valor. Ejemplos: edad; nivel de Hb - Los valores se pueden agrupar en intervalo - En las variables cuantitativas podemos calcular la distancia o intervalo entre cualquier par de valores de la variable Ejemplo: Hb 10 g/dL

15 ¿Qué tipo de variables podemos encontrar en un estudio de investigación clínica? –independiente –dependiente –intermedia o surrogada –confusora

16 Variable independiente La característica que está siendo observada y/o medida va a influir en un evento o resultado (variable dependiente) La variable independiente no es influenciada por el evento o el resultado, pero puede causarlo o contribuir a su variación. Ejemplo: grado de respuesta alcanzado tras un tratamiento (variable independiente) va a influir en la supervivencia del paciente (variable dependiente) La supervivencia del paciente va a depender de la respuesta que alcance con el tratamiento

17 Variable dependiente Una variable cuyo valor depende del efecto de las otras variables (variables independientes) También conocidas como variables resultado o variables respuesta Un evento o un resultado cuya variación buscamos explicar por la influencia de variables independientes Ejemplo: Tiempo libre de enfermedad

18 Variable intermedia o surrogada Una variable que ocurre en el camino causal de una variable independiente a una variable dependiente También llamadas interventora, mediadora, surrogada Produce variación en la variable dependiente, y es causada por la variable independiente Ejemplo: respuesta citogenética conseguida con ITK en LMC para mejorar la SLP

19 Variable confusora Un factor (que es un determinante del resultado), que distorsiona el efecto aparente de una variable de estudio sobre el resultado Motivo: el factor puede estar desigualmente distribuido entre los expuestos y no expuestos y por lo tanto influenciar la magnitud aparente y aún, la dirección del efecto Ejemplo: que haya más pacientes cardiópatas en un grupo que en otro, lo que puede limitar la dosis de tratamiento

20 Estadística aplicada a la investigación clínica

21 ¿Cómo medimos la respuesta a un tratamiento en un ensayo clínico en Hematología? Respuesta inmediata al tratamiento Remisión completa, Remisión parcial…. Precisan ensayos de corta duración Respuesta a largo plazo: Miden la duración del efecto del tratamiento SLE, SLP, TTP, SG Precisan ensayos de mayor duración Otras: Toxicidad, Calidad de vida

22 Tipos de variables –Cualitativas: hacen referencia a la escala nominal % de pacientes con respuesta total o parcial Tasa estimada de SLE a 5 años, SG a 3 años –Cuantitativas: hacen referencia a la escala de intervalo con una unidad que permite comparar cantidades Tiempo mediano de supervivencia Cambio en el volumen o diámetro tumoral –Time-to-event: Análisis de supervivencia

23 Análisis de supervivencia Aunque se le siga denominando análisis de supervivencia, no siempre tiene que ser la muerte el acontecimiento de desenlace Variable: Tiempo transcurrido hasta la aparición de un suceso (time-to- event) Es preciso definir el evento a medir: inicio de tratamiento, progresión de la enfermedad, muerte,...

24 Análisis de supervivencia El desenlace de interés no es una cantidad numérica (número de pacientes, %) ni una cualidad dicotómica (evento vs no evento) sino la combinación de ambas cosas La cualidad corresponde a si se ha producido o no el suceso y es una variable dicotómica SÍ vs NO (muerte, recidiva, etc.) La variable numérica indica cuánto tiempo ha pasado en producirse ese desenlace

25 Análisis de supervivencia Eventos de interés –Muerte –Progresión de la enfermedad –Fracaso del tratamiento … Variable: Tiempo hasta el evento –Tiempo de supervivencia global –Tiempo hasta progresión de la enfermedad –Tiempo hasta el fracaso del tratamiento

26 ¿Cómo realizamos el análisis de supervivencia? Se requiere de métodos de análisis específicos por varias razones fundamentales: –Los pacientes no inician el tratamiento o entran en el estudio al mismo tiempo. –Se analizan los datos antes de que todos los pacientes hayan sufrido el evento, ya que si no habría que esperar muchos años para realizar dichos estudios –Los tiempos de supervivencia no presentan una distribución normal (no podemos aplicar una t de Student)

27 ¿Cómo realizamos el análisis de supervivencia? La existencia de información truncada o individuos censurados (censored) - Pacientes que llegan al final del estudio sin sufrir el evento - Pacientes que voluntariamente abandonan el estudio, pérdidas de seguimiento o retirados del estudio por los investigadores

28 Eventos y elementos censurados inicio final abandono suceso

29 Eventos y elementos censurados Datos exactos: Situación ideal –Pacientes que presentan el evento antes de terminar el estudio Datos censurados: Situación real – Pacientes que abandonan el estudio, se les pierde o que no han presentado el evento al final del estudio En estos casos, el tiempo hasta el evento es, al menos, desde la aleatorización hasta que se les pierde, abandonan o hasta que se acaba el estudio

30 ¿Qué métodos estadísticos existen? Los métodos estadísticos más utilizados son los no paramétricos: –Kaplan-Meier: Estimar e interpretar la curva de supervivencia –Log-Rank: Comparar curvas de supervivencia –Modelo de Cox: Cuantificar el efecto de un tratamiento controlando el efecto de otras variables pronósticas

31 Supervivencia y riesgo Los datos de supervivencia se pueden analizar con dos tipos de probabilidades diferentes: A. Función de supervivencia S(t) (probabilidad de supervivencia) –Probabilidad de que un individuo sobreviva desde la fecha de entrada en el estudio hasta un momento determinado en el tiempo t –Se centra en la no ocurrencia del evento B. Función de riesgo (Hazard Rate) h(t) –Probabilidad de que a un individuo que está siendo observado en el tiempo t le suceda el evento de interés en ese preciso momento –Se centra en la ocurrencia del evento

32 Estimación de la función de supervivencia: MÉTODO DE KAPLAN-MEYER Aprovecha la información censurada Calcula la supervivencia cada vez que un paciente presenta el evento Se basa en el concepto de probabilidad condicional Ejemplo: la probabilidad de vivir una semana vendrá dada por: –p1 x p2 x p3……x p7 p1= tasa de supervivencia el primer día –p7: tasa de supervivencia el séptimo día. Se calcula como el cociente entre el número de pacientes vivos el día 7 (o que no experimentaron el suceso) de entre los que estaban vivos el día anterior (día 6).

33 Estimación de la función de supervivencia: MÉTODO DE KAPLAN-MEYER - Nos informa sobre la probabilidad de no sufrir el evento en un tiempo determinado. - No nos informa sobre el % de pacientes que quedan sin evento en un tiempo determinado sobre el total inicial. - Nº de pacientes en riesgo: Cantidad de casos que están informando sobre la supervivencia en cada momento del tiempo de seguimiento. Van haciéndose menores porque excluyen tanto a los casos que han abandonado el estudio como a los que ya han sufrido el evento.

34 ¿Cómo comparamos las curvas de supervivencia? Ho= La Supervivencia de los grupos que se comparan es la misma H1= Al menos uno de los grupos tiene una Supervivencia diferente Estadístico utilizado: Chi cuadrado con k-1 grados de libertad, siendo k el número de grupos (nº de curvas que se comparan) Log-Rank Test La t de Student no es apropiada ya que los tiempos de supervivencia no presentan una distribución normal

35 Log-rank test Tiene en cuenta la evolución completa de la curva de supervivencia de ambos grupos, es decir, es capaz de detectar diferencias persistentes a lo largo del tiempo en la supervivencia Muy útil cuando el evento es poco frecuente o si las curvas son aproximadamente paralelas (no se cruzan) Cada vez que sucede un evento se calcula el número observado de eventos en cada grupo y el número esperado en cada grupo si no existieran diferencias entre ellos (es decir si la Ho fuera cierta)

36 Log-rank test Si las curvas de supervivencia se cruzan (al principio hay mejor supervivencia en un grupo y luego en el otro), el log-rank test tiene problemas para detectar diferencias En estos casos, es más útil el Test de Wilcoxon generalizado, también llamado Test de Breslow (Gehan). Otorga una mayor ponderación a los tiempos iniciales, que tienen más observaciones Nos da el valor de la p Permite detectar diferencias de una población respecto a la otra. Pero no nos proporciona un parámetro que nos cuantifique las diferencias entre ambas poblaciones, lo que dificulta la evaluación de la relevancia clínica. NOS DICE QUE SON DIFERENTES, PERO NO CUÁNTO

37 Análisis multivariante Regresión múltiple y= a + bx 1 + cx 2 … Regresión logística Odds Ratio Regresión de COX (proportional hazards model) Hazard Ratio La variable dependiente es cuantitativa La variable dependiente es dicotómica La variable dependiente es del tipo tiempo hasta un evento Es un modelo matemático que permite hacer más comparables a los grupos expuestos o no expuestos a un determinado factor evitando que la comparación de interés quede distorsionada por otros factores pronósticos.

38 Regresión de Cox A diferencia de la regresión logística, además de considerar si se produce o no un desenlace o un evento, tiene en cuenta el tiempo que ha tardado en producirse El parámetro de asociación que se obtenía en la regresión logística es la OR (Odds ratio). En cambio el que se obtiene con la regresión de Cox es el HR (hazard ratio) HR: razón entre las funciones de riesgo de los grupos en comparación

39 Función de riesgo (Hazard Rate) Tasa condicional de fallo/Fuerza de mortalidad Es una tasa más que una probabilidad Es la probabilidad condicional de presentar el evento en el siguiente instante de tiempo, con la condición de que no se haya presentado antes del inicio de ese instante Se calcula dividiendo los sucesos ocurridos en ese instante entre el total de sujetos a riesgo

40 Hazard Ratio Probabilidad (P) Δt (Intervalo de tiempo) P/Δt=Tasa (hazard) 1/5 (Grupo A)2 a ñ os0,2 (a 2 años) 2/6 (Grupo B)2 a ñ os0,33 (a 2 años) El Hazard Ratio (HR) no es más que una razón de hazards (razón entre dos funciones de riesgo). En nuestro caso HR=0,33/0,2 ~ 1,67. La velocidad con la que ocurre el fenómeno es 1,67 veces superior en el grupo B que en el grupo A. Pero esto es lo que ocurre cuando se les compara a los 2 años Hazard: Es el riesgo o probabilidad de sufrir un evento en un intervalo de tiempo extremadamente pequeño

41 Ventajas de la regresión de Cox Permite estimar la influencia de más de un factor (no sólo el tratamiento) sobre la variable resultado Eso permite cuantificar la diferencia debida al tratamiento ajustando los posibles factores de confusión que pueden haber influido (edad, sexo, estadio tumoral, etc… )

42 Interpretación del Hazard Ratio Habitualmente los estudios comparativos se diseñan para demostrar la superioridad de un tratamiento frente a otro Sin embargo, cada vez es más frecuente la aparición de ensayos en los que se pretende demostrar la no inferioridad de una pauta con respecto a otra Esta decisión tiene implicaciones no sólo en el tamaño de la muestra sino también en el análisis estadístico La interpretación del HR será distinta según si el ensayo ha sido diseñado para demostrar superioridad o no inferioridad

43 Ensayos de superioridad Hipótesis nula: las dos curvas son iguales, es decir, se superponen. Por tanto el HR sería igual a 1. (HR=1) Este es el valor que debemos contrastar con nuestro IC Ejemplo: HR= 0,75 (IC95% 0,62-0,91) Como el IC no incluye el valor 1, la diferencia entre las dos curvas es significativa (p<0,05), demostrándose la hipótesis de superioridad del estudio

44 Ensayos de no inferioridad El contraste de hipótesis para el HR no se hace frente al valor de la hipótesis nula (HR=1), sino que se realiza frente a un valor predeterminado a priori en el protocolo, denominado Límite de no inferioridad (LNI) La determinación del LNI no es fácil, puede ser subjetivo, requiere consenso clínico LNI: Máxima diferencia entre los tratamientos a comparar que vamos a considerar como clínicamente irrelevante

45 Aplicación de las variables estadísticas en la evaluación de medicamentos

46 Legislación vigente

47 Demostrar eficacia no es siempre demostrar superioridad DisponibleNadaTratamientoBuen tratamiento ObjetivoEficaciaMejor eficacia/seguridad Igual eficacia y mejor en otros aspectos ComparadorPlaceboOtros tratamientosTratamiento estándar EnsayosSuperioridad Equivalencia/ No-inferioridad ¿Para qué realizar ensayos de moléculas con eficacia similar? 1.Mayor seguridad 2.Mayor comodidad, menor duración, facilitar adherencia, reducir coste 3.Tratamientos alternativos o segundas líneas 4.Éticamente no es aceptable utilizar placebo. Los tratamientos han de compararse con el tratamiento estándar

48 ¿Cómo se debe hacer una correcta selección de las variables? Cualidad: ¿Qué se mide? Cantidad: ¿Cúal es la magnitud? Riesgo basal: ¿En que pacientes? Variables subrogadas –Subclínicas –intermedias Variables clínicas finales orientadas a la enfermedad orientadas al paciente

49 Cualidad ¿Qué se mide? MedicamentosVariables intermedias, subcl í nicas, subrogadas, u orientadas a la enfermedad Variables cl í nicas finales, u orientadas al paciente AntihipertensivosReducci ó n de tensi ó n arterialDisminuci ó n de la incidencia de infarto de miocardio, mortalidad cardiovascular, etc. HipocolesterolemiantesReducci ó n de colesterol-LDL, reducci ó n de placa de ateroma Antidiab é ticosReducci ó n de hemoglobina glicosiladaReducci ó n de complicaciones vasculares de la diabetes Tocol í ticos en el parto pret é rmino Retraso del partoDisminuci ó n de la morbimortalidad perinatal y neonatal Antineopl á sicosAumento de la respuestaAumento de la supervivencia Antibi ó ticosMayor espectro antibacterianoAumento del í ndice de curaci ó n Protectores g á stricos en tratamientos con AINE Disminuci ó n de ulceraciones subcl í nicas, detectadas por endoscopia Disminuci ó n de la incidencia de ú lcera gastroduodenal y hemorragia digestiva

50 Cantidad Magnitud de las diferencias Diferencias clínicamente relevantes Valorar: 1.la magnitud del efecto: ¿hay evidencias de superioridad y tienen relevancia clínica? 2.subgrupos de pacientes 3.valorar si hay evidencias de equivalencia terapéutica.

51 ¿Cómo se mide la relevancia clínica de la magnitud del efecto de un tratamiento? 1.La opinión del clínico 2.El contexto del estudio A.tipo de variable (intermedia, final) B.riesgo basal del proceso patológico concreto. –En los estudios de superioridad orienta la estimación de la diferencia de eficacia para el que se ha calculado el tamaño muestral del ensayo. –En los estudios de no inferioridad y de equivalencia, orienta el llamado valor delta –Debe tenerse en cuenta la variabilidad propia de los resultados de la aplicación de la terapéutica en un medio asistencial determinado

52 El problema de la superioridad Tratamiento nuevo superiorTratamiento estándar superior - % + % Equivalencia Superior No-Inferior Inferior 0%

53 Significación clínica NO es lo mismo que relevancia clínica - -Ejemplo C: Ensayos que muestran diferencias estadísticas, pero no se consideran importantes clínicamente -Ejemplo D: Ensayos que no muestren diferencias estadísticas y tampoco clínicas RAR (IC 95%): ¿Atraviesa el valor de relevancia clínica?

54 Cantidad ¿Cuál es la magnitud? INTERVALOS DE CONFIANZA No sólo permiten conocer la significación estadística (p) Permiten valorar la importancia práctica o clínica –Valor menos críptico que la p y más completo Base para calcular la probabilidad de que un resultado alcance una determinada magnitud (Nivel de confianza)

55 Grados de evidencia Si demuestra eficacia, ¿se puede recomendar en la práctica clínica? Grado de evidencia –Ensayo individual –"Cuerpo" de evidencia Variabilidad en catalogar evidencia –+40 escalas para evaluar grados de evidencia –Diferencias inter- e intra-escalas –(AHRQ) elementos clave: Criterios de calidad, cantidad y consistencia -> sólo 7

56 Aplicabilidad Grado de evidencia – Calidad – Cantidad – Consistencia Variable Diferencia de la magnitud Gradación de la fortaleza de la recomendación relevancia Sistema de clasificación: Uniforme, sencillo, directo. Ejemplos: SORT, GRADE, SIGN

57 Fortaleza de la recomendación

58

59 Validez de las variables surrogadas en Hematología

60 … a diferencia de la oncología, las variables surrogadas tienen gran importancia y validez en hematología …

61 Variables surrogadas - Usadas cuando la evaluación directa del beneficio clínico en un sujeto no es posible Ej. ver si un paciente progresa comparándolo con otro - Son variables comúnmente aceptadas si se demuestra que son predictores fiables de un beneficio clínico Ej. alcanzar Respuesta Citogenética Completa en LMC a los 12 meses de tratamiento disminuye las tasas de progresión a fases avanzadas de la enfermedad

62 Variables surrogadas Hay dos aspectos a tener en cuenta cuando se trabaja con variables surrogadas: 1. Puede que no sea un buen predictor del evento final (ej. supervivencia) 2. Puede que no den una medida del beneficio clínico, al no tener en cuenta posibles efectos adversos

63 Variables surrogadas La fortaleza de la evidencia depende de: 1.La relación biológica entre la variable clínica y la surrogada 2.La demostración de la variable surrogada como factor pronóstico en los pacientes 3.Evidencia científica en ensayos clínicos de que los efectos del tratamiento en la variable surrogada se correlacionarán con resultados clínicos finales

64 Validación de las variables surrogadas Los objetivos surrogados tienen la intención de reemplazar a los objetivos de respuesta clínica en cualquier tratamiento Son independientes de la terapia Necesitan ser validados para cada terapia Se necesitan ensayos clínicos confirmatorios de forma conjunta tanto para objetivos de respuesta clínica como para los surrogados En los ensayos clínicos de validación, se debe evaluar también la eficacia del fármaco en estudio Las conclusiones no pueden ser extrapoladas a otros fármacos porque pueden tener diferente mecanismo de acción

65 Validación de las variables surrogadas La validación de objetivos surrogados se deben basar en las vías patogénicas de la enfermedad, no en el efecto del tratamiento. Ej. La LMC se caracteriza por la t(9;22) que da lugar al cromosoma Philadelphia y a la presencia del gen de fusión BCR/ABL. Objetivos surrogados para la LMC podrían ser tanto la Respuesta Citogenética como la Respuesta Molecular. La supervivencia libre de progresión (SLP) se emplea frecuentemente como marcador surrogado para supervencia en pacientes con cáncer. La validación se debe hacer siempre basado en la biología de la enfermedad y del tumor y no en los principios individuales de cada fármaco.

66 ENFERMEDAD VARIABLE SURROGADA OBJETIVO FINAL FÁRMACO modifica Tiene efecto sobre una variable surrogada validamos La variable surrogada tiene impacto en el objetivo final

67 Calidad de la respuesta -Mejores técnicas diagnósticas -Detección de Enfermedad Mínima Residual -Ejemplos: - LMC: qPCR BCR/ABL IS - MM: Hemos pasado de la IF a la EMR por CMF Precocidad en alcanzar la respuesta -No solo vale con alcanzar la respuesta completa -Importa cuándo se alcanza -Ejemplos: -LMC: RMC a los 12 meses -Hodgkin: PET negativo tras 2 ciclos de QMT En Hematología no solo vale definir una variable surrogada

68 Variables surrogadas en Hematología MedicamentosVariables intermedias, subcl í nicas, subrogadas, u orientadas a la enfermedad Variables cl í nicas finales, u orientadas al paciente Nilotinib en LMCRespuesta Molecular MayorDisminuci ó n de la tasa de progresi ó n a fases avanzadas de la enfermedad Ruxolitinib en MFReducci ó n del tama ñ o del bazoModifica el riesgo y mejora la supervivencia Deferasirox en SMDDisminuci ó n de los niveles de ferritina s é rica Disminuci ó n de la mortalidad asociada a sobrecarga f é rrica por transfusi ó n cr ó nica Lenalidomida en MMAumento de la respuesta en paciente con EMR+ Aumento de la supervivencia Rituximab en LNHAumento de la respuesta tras inducci ó n Aumento de la supervivencia Bortezomib en LNHAumento de la tasa de respuestasAumento de la supervivencia

69 Respuesta citogenética y molecular en LCM La respuesta citogenética es una variable surrogada de evolución clínica en pacientes tratados con Imatinib Lavallade H et al. JCO 2008

70 Respuesta citogenética y molecular en LCM La pérdida de RCyC es menor en aquellos que alcanzan RMM a los 18 meses Hughes TP et al. Blood 2010

71 Respuesta citogenética y molecular en LCM La respuesta molecular a los 3 meses predice la evolución de los pacientes en cuanto a progresión de la enfermedad Hanfstein et al. Blood 2010

72 ¿Cómo afectan estas variables surrogadas cuando aparecen nuevos fármacos?

73 El nuevo fármaco debe demostrar impacto en la variable surrogada

74

75

76 ¿Debemos buscar siempre impacto en la Supervivencia Global en la Investigación Clínica en Hematología?

77 … en Hematología no debemos buscar siempre impacto en Supervivencia Global Controversia

78 En SG influye tanto la SLP como la Supervivencia tras la progresión Método: - Generación de resultados de ensayos clínicos paralelos con mejora en la PFS (mediana de 9 en experimental y 6 en control y no efecto en la SPP - Reclutamiento de 30 por mes con 9 meses de seguimiento. - Calculo de tamaño para 0,80 de poder es de 280 pacientes Inicio de la enfermedad Diagnóstico de la enfermedad Tratamiento Resultado OS = PFS SPP PFS + SPP Progresión SPP = Supervivencia Postprogresión

79 En SG influye tanto la SLP como la Supervivencia tras la progresión Inicio de la enfermedad Diagnóstico de la enfermedad Tratamiento Progresión Progresión Resultado Para detectar diferencias en OS N=2440 pacientes 90 meses de seguimiento Para detectar diferencias en OS N=350 pacientes 18 meses de seguimiento PFS SPP (2 meses) OS = PFS + SPP (2 meses) PFS SPP (24 meses) OS = PFS + SPP (24 meses) Inicio de la enfermedad Diagnóstico de la enfermedad Tratamiento Resultado

80

81 Ejemplos de cómo se puede llegar a conseguir demostrar todo lo que queremos

82

83

84 Cómo podemos demostrar diferencias en SG con cambios en el poder de detectar un beneficio de la SLP

85 Cómo podemos demostrar diferencias en SG tan solo aumentando el tamaño de la muestra

86 Limitaciones No efecto en SPP. No continuidad del protocolo tras la progresión. Efecto en SPP Sesgos en la evaluación de la progresión con investigadores no enmascarados: –Crossing over (tratamiento mas efectivo es cruzado a control y control a tratamiento –Tratamiento menos efectivo el investigador lo mantiene igualando al control

87 ¿Es razonable esperar que un impacto en SLP lo tenga en SG? DEPENDE En enfermedades con mediana grande de SPP la variabilidad de SPP diluye la comparación en SG. Es previsible que este efecto aumente en el futuro dado el armamentarium terapéutico y por lo tanto no considerar SG como variable de eficacia primaria.

88 Conclusiones 1.Es preciso saber qué queremos estudiar y qué pretendemos demostrar para escoger adecuadamente las variables del estudio 2.Aunque no sepamos hacerlo nosotros, sabremos qué pedirle al bioestadístico 3.La variables surrogadas son de gran utilidad en hematología: -No tenemos que esperar a la variable final o resultado porque puede tardar mucho tiempo en acontecer el evento -Permite estudios de investigación más cortos en el tiempo 4.Analizar de forma crítica los resultados de trabajos publicados

89 … esto no va a ser una charla más de estadística en la que no me voy a enterar de nada… … la importancia de conocer las variables estadísticas para la investigación clínica en hematología.

90 Preguntas…

91


Descargar ppt "Módulo 2 Estadística aplicada a la Investigación Clínica en Hematología Coordinadores: Dra. Cristina Fernández y Dr. Raúl Córdoba."

Presentaciones similares


Anuncios Google