Mejorando la eficiencia de los ensayos clínicos mediante la selección de pacientes guiada por biomarcadores

FONDO: En muchas áreas terapéuticas, se han identificado marcadores individuales de pacientes que están asociados con respuestas diferenciales al tratamiento. Estos marcadores incluyen tanto características basales como cambios a corto plazo tras el tratamiento. Utilizar estos marcadores predictivos para seleccionar sujetos para la inclusión en ensayos clínicos aleatorizados podría resultar en estudios más focalizados y reducir el número de sujetos a reclutar. MÉTODOS: Este estudio comparó tres diseños de ensayo respecto al tamaño de muestra necesario para establecer la eficacia del tratamiento en una gama de escenarios realistas. Un diseño convencional de grupos paralelos sirvió como punto de referencia, mientras que los diseños alternativos seleccionaron sujetos en función de una característica basal o una mejora temprana tras una corta fase activa de introducción. Los datos se generaron utilizando un modelo que caracterizaba el efecto del tratamiento sobre la supervivencia como una combinación de un efecto primario, una interacción con un marcador basal y/o una mejora temprana en el marcador. También se evaluó un escenario representativo derivado de datos empíricos. RESULTADOS: Las simulaciones mostraron que un diseño de introducción activa podría reducir sustancialmente el número de sujetos a reclutar cuando la mejora durante la introducción activa era un predictor confiable de la respuesta diferencial al tratamiento. En este caso, el diseño de selección basal también fue más eficiente que el diseño de grupo paralelo, pero menos eficiente que el diseño de introducción activa con una población igualmente restringida. Sin embargo, para la mayoría de los escenarios, la ventaja del diseño de selección basal fue limitada. CONCLUSIONES: Un diseño de introducción activa podría reducir sustancialmente el número de sujetos a reclutar en un ensayo clínico aleatorizado. Sin embargo, al igual que con el diseño de selección basal, la generalizabilidad de los resultados puede ser limitada y la implementación podría ser difícil.