https://jamanetwork.com/journals/jama/fullarticle/2847012
A continuación se detallan y explican los
puntos clave que abordan los autores en esta publicación:
1. El contexto de la guía de la
FDA
Históricamente, la FDA ha dependido de manera
casi exclusiva del enfoque estadístico tradicional o frecuentista
(basado en el valor p y la significación estadística)
para aprobar nuevos fármacos. Sin embargo, en enero de 2026 la FDA emitió este
borrador para formalizar y expandir las reglas del juego de la estadística bayesiana.
A diferencia del método tradicional (que
analiza los datos del estudio actual de forma aislada), los métodos bayesianos
permiten combinar de manera matemática los resultados de un ensayo clínico en
curso con la información previa ya existente (como datos de
laboratorio, estudios previos en animales, fases tempranas del ensayo o
registros históricos).
2. El replanteamiento de la
"Información Previa" (Priors)
En la estadística bayesiana existe el concepto
de la distribución a priori (prior), que suele ser
criticada por los escépticos como algo "subjetivo".
- La postura de la guía y los autores: Gelman y sus colegas elogian que la guía
de la FDA enmarque el prior no como
una "creencia subjetiva", sino estrictamente como información pre-estudio (pre-study information).
- Los
autores argumentan que la incorporación formal, rigurosa y transparente de
los conocimientos previos en el diseño y análisis de los ensayos es, de
hecho, la mayor ventaja de este enfoque, y que mejora enormemente los
principios informales del "juicio clínico" que a veces se
utilizan a puerta cerrada.
3. El cambio radical en el
"Error de Tipo I" (Falsos Positivos)
Uno de los puntos más destacados y debatidos
que analizan Gelman y sus coautores es un quiebre histórico en la política de
la FDA:
- El cambio: La FDA determina que ya no insistirá en el control estricto del error de Tipo I
(falsos positivos) cuando se utilicen priors informativos
(es decir, cuando se use información previa sólida). Solo exigirá el
control estricto de este error si se utiliza un prior
no informativo (neutro).
- Implicación: Esto representa una
flexibilización inteligente. Si ya existe evidencia contundente de que un
fármaco es seguro o funciona en un contexto similar, la FDA acepta que
penalizar matemáticamente el estudio actual buscando una tasa de falsos
positivos puramente aislada no tiene sentido científico.
4. Mayor eficiencia en los
ensayos clínicos
Los autores disc
uten cómo los patrocinadores de medicamentos
(farmacéuticas e investigadores) se verán beneficiados por este marco
regulatorio. El "préstamo de información" de estudios pasados
facilita:
- Ensayos clínicos adaptativos:
Modificar el tamaño de la muestra o la dosis a mitad del estudio basándose
en los datos acumulados y previos.
- Metaanálisis y agrupamiento parcial (partial pooling): Unir fuerzas entre distintos subgrupos
de pacientes o estudios pequeños, algo vital en enfermedades raras o
medicina personalizada donde es muy difícil reclutar miles de voluntarios.
- Reducción
de tiempos y costes para llevar medicamentos innovadores al mercado.
5. Las reglas sugeridas por los
autores para el futuro
A pesar de apoyar firmemente la iniciativa de
la FDA por considerarla una base sólida para diseñar mejores ensayos y tomar
mejores decisiones regulatorias, Gelman y sus colegas enfatizan la necesidad de
proteger la integridad científica mediante dos reglas simples de
transparencia:
- Claridad absoluta: El prior (los datos previos que se introducen a la
ecuación) debe ser declarado y justificado explícitamente desde el
principio.
- Evaluación de impacto: Los
revisores de la FDA y la comunidad científica deben poder calcular y
evaluar fácilmente cuánta influencia tuvo esa información previa en el
resultado final frente a los datos nuevos recolectados en el ensayo.
Conclusión
En resumen, la publicación explica que este
paso de la FDA valida la madurez de la estadística bayesiana en el ámbito
regulatorio. Para Gelman, van Zwet y Więcek, la nueva guía no relaja los
estándares científicos, sino todo lo contrario: alinea la burocracia
estadística con la realidad científica moderna, permitiendo que las
decisiones sobre si un medicamento funciona se basen en toda la evidencia
disponible y no solo en un único experimento aislado.
