La crisis del ébola pone de manifiesto la importancia de una regulación adecuada para los ensayos de nuevos fármacos. El «estándar de oro» en la investigación clínica es el ensayo aleatorizado, pero la dependencia de una medida concreta de evidencia podría poner vidas en riesgo y estar frenando nuestros esfuerzos por derrotar una enfermedad que ha sembrado el temor en todo el mundo.
Un ensayo clínico aleatorizado (ECA) típico tiene como objetivo demostrar si un nuevo tratamiento es mejor que uno existente, o mejor que no recibir tratamiento alguno cuando aún no se ha desarrollado ninguno. Para ello, se utiliza una herramienta estadística que permite determinar si un resultado positivo podría deberse al azar o si los resultados son «estadísticamente significativos». Es una técnica dominante, pero no dice nada sobre el efecto real del nuevo tratamiento y no tiene en cuenta los costes de oportunidad de no hacer nada: ¿cuántas vidas se pierden mientras realizamos nuestro ensayo? Es precisamente este desinterés por las consecuencias de las acciones que siguen a un ensayo como este lo que hace que el enfoque único para evaluar el éxito de un tratamiento sea potencialmente letal.
Un ensayo aleatorizado para evaluar la eficacia de un nuevo tratamiento sanitario divide a los pacientes en dos grupos: uno recibe el nuevo tratamiento, mientras que el otro grupo recibe el existente. Se miden los resultados de salud en ambos grupos y se calculan sus promedios, así como el «valor p» de su diferencia; este es el número que se utiliza para determinar si un resultado es estadísticamente significativo. Si este valor p cae por debajo de un umbral predefinido, el nuevo fármaco se declara más eficaz. Esta pieza de evidencia fundamental se utiliza después en el proceso de toma de decisiones para permitir o no el uso del nuevo fármaco.
Cuando se prueba un nuevo tratamiento, los científicos suelen afirmar que, si la probabilidad de obtener un resultado como el de los datos proporcionados con el tratamiento existente es superior al 5 % (o a veces al 1 %), entonces no podemos descartar la idea de que el nuevo tratamiento no sea mejor que el antiguo.
Para verlo con un poco más de detalle, imaginemos que un nuevo tratamiento no es, en efecto, mejor que el existente. Eso significa que, en la población de todos los pacientes, cabría esperar que, de media, produjera el mismo resultado de salud (si el tratamiento existente es «no existe tratamiento», este efecto es cero). Ahora observas los resultados medios de tu ensayo, que esperas que estén muy próximos entre sí.
Por supuesto, un grupo distinto de pacientes daría lugar a efectos medios observados diferentes, por lo que no cabría esperar ver una diferencia exactamente nula en el efecto medio, incluso si el nuevo tratamiento no es mejor que el existente. Por tanto, si observas en realidad un efecto medio del nuevo tratamiento que supera al del tratamiento antiguo, esto podría deberse al azar: simplemente tuviste mala suerte con los grupos de pacientes que incluiste en tu ensayo.
Los estadísticos calculan la probabilidad de observar tal casualidad (o una más extrema), y esa es el valor p. Si esta probabilidad es muy baja, entonces o bien has observado algo muy poco probable, o bien la verdadera diferencia de medias no es cero. Un umbral típico para el valor p es del 5 %. Así, si tras tu ensayo el valor p es inferior al 5 %, concluyes que «el nuevo tratamiento es estadísticamente significativamente más eficaz que el tratamiento existente».
Es importante recordar que un valor p bajo, por muy bajo que sea, nunca garantiza que este tratamiento concreto sea más eficaz que el existente. Lo único que sabes es que no cometerás un error en más del 5 % de los posibles ensayos que podrías haber realizado. ¿Qué utilidad tiene este estándar?
Considera los dos casos siguientes: (1) una enfermedad (como el ébola) en la que la falta de tratamiento casi con toda seguridad provoca la muerte de muchas personas, aunque el tratamiento, con beneficios inciertos, sea bastante barato, y (2) una enfermedad rara para la que existe actualmente un tratamiento bueno y barato, pero para la que se propone un nuevo tratamiento marginalmente mejor y mucho más caro.
Sin duda, querrías tener mucha más certeza sobre la eficacia del nuevo tratamiento en el segundo caso. En el primero, si tratas a los pacientes con un fármaco que quizá no sea muy eficaz, pero que no es muy caro de producir, es muy probable que estés dispuesto a asumir un riesgo. Una obsesión por los valores p como árbitro definitivo entre el efecto «probado» y el efecto «no probado» no lo permite. En resumen, deben tenerse en cuenta los costes y los beneficios.
Un segundo punto importante es que no tenemos que esperar a que termine un ensayo completo. Consideremos el caso del ébola. Si un nuevo fármaco tiene costes bajos, altos costes de oportunidad y altos beneficios potenciales, entonces quieres que se administre lo antes posible. Esto significa que no hay que esperar a que termine un ensayo largo antes de evaluar la evidencia. Más bien, se evalúa la evidencia a medida que llega y se toma una decisión en cuanto sea óptimo hacerlo. Este enfoque es siempre al menos tan bueno como el método estándar; en muchos sentidos, es simplemente una versión mejorada.
La teoría matemática y estadística de un enfoque como el que aquí se defiende existe y se ha aplicado recientemente a los ensayos clínicos. Por desgracia, por su propia naturaleza, este tipo de enfoque es más difícil que el bastante sencillo valor p. El destino de los pacientes con ébola no debería, sin embargo, impedirnos hacer un pequeño esfuerzo intelectual para aliviar su sufrimiento. Solo se necesita que los reguladores y la profesión médica reconozcan que la forma actual de evaluar los ECA quizá no sea la mejor.
Publicado en colaboración con The Conversation.
Autor: Jacco Thijssen es catedrático de Finanzas en la Universidad de York.
Imagen: Un hombre se lava las manos en una instalación situada frente a Green Pharmacy, Área 8, en Abuja. REUTERS/Afolabi Sotunde
