La probabilidad de éxito (POS) es un concepto estadístico comúnmente utilizado en la industria farmacéutica, incluso por las autoridades sanitarias, para respaldar la toma de decisiones .
La probabilidad de éxito es un concepto estrechamente relacionado con el poder condicional y el poder predictivo . El poder condicional es la probabilidad de observar significancia estadística dados los datos observados asumiendo que el parámetro del efecto del tratamiento es igual a un valor específico. El poder condicional es a menudo criticado por esta suposición. Si conocemos el valor exacto del efecto del tratamiento, no hay necesidad de hacer el experimento. Para abordar esta cuestión, podemos considerar el poder condicional en un entorno bayesiano al considerar el parámetro del efecto del tratamiento como una variable aleatoria . Tomando el valor esperado del poder condicional con respecto a la distribución posterior del parámetro se obtiene el poder predictivo. El poder predictivo también se puede calcular en un entorno frecuentista . Sin importar cómo se calcule, el poder predictivo es una variable aleatoria ya que es una probabilidad condicional condicionada a datos observados aleatoriamente. Tanto el poder condicional como el poder predictivo utilizan la significancia estadística como criterio de éxito. Sin embargo, la significancia estadística a menudo no es suficiente para definir el éxito. Por ejemplo, una autoridad sanitaria a menudo requiere que la magnitud del efecto del tratamiento sea mayor que un efecto que es meramente estadísticamente significativo para respaldar el registro exitoso. Para abordar esta cuestión, podemos extender el poder condicional y el poder predictivo al concepto de probabilidad de éxito. En el caso de la probabilidad de éxito, el criterio de éxito no se limita a la significación estadística. Puede ser algo más, como un resultado clínicamente significativo.
El diseño tradicional de un ensayo piloto se realiza normalmente controlando la tasa de error de tipo I y la potencia para detectar un valor de parámetro específico. El objetivo de un ensayo piloto, como un ensayo de fase II, normalmente no es respaldar el registro. Por lo tanto, no tiene sentido controlar la tasa de error de tipo I, especialmente un error de tipo I grande, como se hace normalmente en un ensayo de fase II. Un ensayo piloto normalmente proporciona evidencia para respaldar una decisión de continuar o no en un ensayo confirmatorio. Por lo tanto, tiene más sentido diseñar un ensayo basado en PPOS. Para respaldar una decisión de no continuar o no continuar, los métodos tradicionales requieren que el PPOS sea pequeño. Sin embargo, el PPOS puede ser pequeño simplemente por casualidad. Para resolver este problema, podemos exigir que el intervalo creíble del PPOS sea ajustado de modo que el cálculo del PPOS esté respaldado por información suficiente y, por lo tanto, el PPOS no sea pequeño simplemente por casualidad. Encontrar un diseño óptimo es equivalente a encontrar la solución a las siguientes 2 ecuaciones. [1]
donde PPOS1 y PPOS2 son algunos valores de corte definidos por el usuario. La primera ecuación garantiza que el PPOS sea pequeño, de modo que no se evite que demasiados ensayos entren en la siguiente etapa, para protegerse contra falsos negativos . La primera ecuación también garantiza que el PPOS no sea demasiado pequeño, de modo que no entren demasiados ensayos en la siguiente etapa, para protegerse contra falsos positivos . La segunda ecuación garantiza que el intervalo creíble del PPOS sea ajustado, de modo que el cálculo del PPOS esté respaldado por información suficiente. La segunda ecuación también garantiza que el intervalo creíble del PPOS no sea demasiado ajustado, de modo que no demande demasiados recursos.
El diseño provisional de futilidad tradicional se basa en el gasto beta. Sin embargo, el gasto beta no tiene una interpretación intuitiva. Por lo tanto, es difícil de comunicar a colegas no estadísticos. Dado que PPOS tiene una interpretación intuitiva, tiene más sentido diseñar un diseño provisional de futilidad utilizando PPOS. Para declarar la futilidad, exigimos que el PPOS sea pequeño y que el cálculo de PPOS esté respaldado por información suficiente. Según Tang, 2015 [2], encontrar el diseño óptimo es equivalente a resolver las siguientes 2 ecuaciones.
El diseño tradicional de la eficacia provisional se basa en funciones de gasto. Dado que las funciones de gasto no tienen una interpretación intuitiva, es difícil comunicarse con colegas no estadísticos. En cambio, la probabilidad de éxito tiene una interpretación intuitiva y, por lo tanto, puede facilitar la comunicación con colegas no estadísticos. Tang (2016) [3] [4] propone el uso de los siguientes criterios para respaldar la toma de decisiones de eficacia provisional: mCPOS>c1 lCPOS>c2 donde mCPOS es la mediana de CPOS con respecto a la distribución del parámetro y lCPOS es el límite inferior del intervalo creíble de CPOS. El primer criterio garantiza que la probabilidad de éxito sea grande. El segundo criterio garantiza que el intervalo creíble de CPOS sea ajustado; el cálculo de CPOS esté respaldado por suficiente información; por lo tanto, la probabilidad de éxito no sea grande por casualidad. Encontrar el diseño óptimo es equivalente a encontrar la solución a las siguientes ecuaciones: