¿El análisis y la organización de las estadísticas cuentan como investigación?

El análisis de las estadísticas no solo cuenta como investigación, sino que la aplicación adecuada de las estadísticas es la piedra angular de una investigación creíble . Usaré el ejemplo de la investigación biomédica para dilucidar el papel decisivo de las estadísticas en la investigación.

Inicio – ClinicalTrials.gov es una base de datos de ensayos clínicos en humanos administrada por la Biblioteca Nacional de Medicina de EE. UU. (ClinicalTrials.gov). Actualmente, enumera 196,459 estudios con ubicaciones en los 50 estados [de EE. UU.] Y en 190 países. Eso son muchas pruebas.

• ¿Cómo podríamos evaluar el valor y la validez de los datos que los ensayos clínicos humanos generan para una enfermedad determinada?
• Si un ensayo en particular concluye que un enfoque de tratamiento es 90% efectivo, ¿podemos / debemos tomarlo al pie de la letra?

Aquí es donde entran las estadísticas. En particular, una metodología estadística llamada metaanálisis. En el metanálisis, los datos de numerosos ensayos clínicos se analizan estadísticamente para consultar rigurosamente la metodología que usaron y los datos que generaron, y para identificar patrones aún no vistos entre los datos. La combinación de los resultados de muchos estudios de esta manera produce datos más sólidos. ¿Cómo?

• ¿En qué campos son realmente buenos los investigadores chinos?
• Acabo de terminar mi primer año en un programa de doctorado. Mi asesor me dio un tema de investigación, pero apenas recibí ninguna dirección efectiva, ya que casi no sabe nada sobre esa área. ¿Está bien hacer una investigación sin ninguna base?
• ¿Cómo se protege contra 'Wikiality'?
• ¿Cuál es la mejor plataforma en línea para la investigación colaborativa en matemáticas?
• ¿Cómo publicar un artículo? ¿Cómo empiezo con eso?

• Por un lado, cuando agregamos datos de diferentes estudios, terminamos con conjuntos de datos más grandes. Por ejemplo, un mayor número de pacientes del estudio en el caso de ensayos clínicos en humanos. Obviamente, como ejemplo de un metaanálisis hipotético, los datos agregados de 10000 individuos son más aplicables a la población en general en comparación con los datos de 1000 individuos de un solo ensayo.
• Por otro lado, los sesgos inherentes al estudio de los investigadores en un ensayo se minimizan (normalizan) cuando se combinan varios estudios para el análisis. Y el sesgo es inherente a todos nosotros, incluso cuando establecemos un estudio con las mejores intenciones para minimizar el sesgo en su diseño.
• Además, someter múltiples estudios a un escrutinio tan riguroso e imparcial revela fallas, debilidades y deficiencias que sirven como señales para la comunidad de investigación en general, lo que les permite comprender mejor su propio campo de investigación al ayudarlos a seleccionar y separar los estudios relevantes del más cuestionables

Por supuesto, los metanálisis también tienen fallas, como su dependencia inevitable de los estudios publicados. Dado que los resultados negativos casi nunca se publican, esto puede dar lugar a sesgos. Sin embargo, en conjunto, los beneficios de los metanálisis superan sus inconvenientes. De hecho, a lo largo de los años, un tipo particular de metanálisis de ensayos clínicos llamado Cochrane Library se ha convertido en el estándar de oro para la evaluación estadística rigurosa de los datos de ensayos clínicos, lo que ayuda a guiar el desarrollo de la medicina basada en la evidencia.

Incluso iré tan lejos como para decir que la falta de estadísticas rigurosas en la investigación biomédica básica es una razón clave de su actual crisis de reproducibilidad. (1, 2, 3). Mi viaje personal en la ciencia me permitió comprender que este es un problema importante.

• Mi doctorado El proyecto sobre micobacterias abordó una cuestión relevante para el mayor ensayo de vacunas contra la tuberculosis (TB), el ensayo de vacunas BCG del sur de la India.
• Realizado en el sur de la India en ~ 360,000 personas repartidas en 209 aldeas y 1 ciudad, demostró que BCG no protegía contra la tuberculosis adulta. ¿Por qué?
• Si bien esa pregunta aún no se ha respondido de manera concluyente, la exposición previa a micobacterias ambientales surgió como un factor plausible.
• ¿Qué tipos de micobacterias ambientales y en qué ambientes? En pocas palabras, mi proyecto de doctorado tuvo que responder a estas preguntas. Pero, ¿cómo podría yo, solo una persona, cubrir un área tan vasta?
• Mi hoja de ruta fue un diseño de experimento elaborado con la ayuda de un estadístico capacitado.
• Cada paso de mi proyecto de doctorado fue rigurosamente examinado y coordinado por este estadístico capacitado utilizando herramientas estadísticas rigurosas.
• Y no se detuvo solo con el diseño del experimento, sino que se abrió paso a través de cada paso del proceso de investigación.
• De hecho, todavía recuerdo cómo había regresado del área de estudio con mis botellas de muestras de tierra, agua y polvo, y entregué mi lista de muestras al estadístico. Regresaría con una lista de números generados al azar. Le daría la espalda, y él borraba todas mis etiquetas y volvía a etiquetar mis botellas de muestra con esos números aleatorios. Las muestras se descodificarían solo después de haber generado todos los datos de cada muestra. Así de riguroso fue el estudio.

Luego vine a los Estados Unidos y encontré, en lugar de un rigor equivalente, un proceso de investigación biomédica básica que se destacó por ser totalmente arbitrario y caprichoso.

• En la investigación biomédica básica, los científicos diseñan experimentos como les gusta, pueden y dejan caer animales del conjunto de datos final por capricho, y luego usan estadísticas de manera bastante flexible y arbitraria en el extremo posterior para tratar de dar sentido a los datos que generan.
• De hecho, el mal uso de las estadísticas es una forma más precisa de expresarlo, ya que las estadísticas no se utilizan para elaborar el diseño del estudio en la parte frontal, sino solo para analizar los datos en la parte posterior.
• Aún más sorprendente, consultar a estadísticos capacitados en cualquier parte de este proceso es una rareza, ciertamente no es la norma .
• Por lo tanto, cada vez más en las últimas décadas, incluso cuando el modelo de ratón se convirtió en el modelo experimental de facto en la investigación biomédica básica y aplicada, un tipo de cultura científica del tipo Wild West acompañó su diseño de experimentos y análisis de datos.
• Irónicamente, al mismo tiempo, la ciencia estadística detrás de los ensayos clínicos en humanos solo se volvió más, no menos, rigurosa.

• Finalmente podemos llegar a la luz proverbial al final del túnel con la reciente publicación del primer ensayo clínico aleatorizado en ratones (4).
• La aplicación del riguroso modelo de ensayo clínico con base estadística a la investigación biomédica básica, es decir, la investigación preclínica, hace que los datos generados a partir de dichos modelos sean más rigurosos y, por lo tanto, más creíbles.
• Y también aumenta la oportunidad para aquellos capacitados en estadística porque ahora se necesita y valora su experiencia en un espectro más amplio de investigación biomédica en lugar de limitarse al ámbito de los ensayos clínicos en humanos.

Es por eso que a pesar de que he trabajado en investigación básica desde que vine a los Estados Unidos, sé que ninguno de estos trabajos se acerca al rigor de mi Ph.D. estudiar. Después de todo, fue el único en el que un estadístico capacitado aplicó correctamente las estadísticas de principio a fin, comenzando con el diseño del estudio en sí. Entonces, un enfático sí, en mi libro, analizar y organizar estadísticas cuenta como una investigación de primer orden, siempre y cuando se haga con la orientación y el aporte de estadísticos capacitados en lugar de dictar a los principiantes en estadística, ya sean colegas o jefes.

Bibliografía

1. Prinz, Florian, Thomas Schlange y Khusru Asadullah. “Lo creas o no: ¿cuánto podemos confiar en los datos publicados sobre posibles objetivos de drogas?”. Nature reviews Drug discovery 10.9 (2011): 712-712. Página en wustl.edu
2. Begley, C. Glenn y Lee M. Ellis. “Desarrollo de fármacos: elevar los estándares para la investigación preclínica del cáncer”. Nature 483.7391 (2012): 531-533. Página en mckeonreview.org.au
3. Landis, Story C. y col. “Un llamado a informes transparentes para optimizar el valor predictivo de la investigación preclínica”. Nature 490.7419 (2012): 187-191. Página en nih.gov
4. Llovera, Gemma y col. “Resultados de un ensayo multicéntrico controlado aleatorio preclínico (pRCT): tratamiento anti-CD49d para la isquemia cerebral aguda”. Science Translational Medicine 7.299 (2015): 299ra121-299ra121. Página en sciencemag.org

Gracias por el A2A, Teagen Gray Carr-Dix.