|
|
|
|
|
|
|
|
|
|
|||||||
 |
 |
 |
 |
|||||||||||
|
Hablando en términos de bioestadísticapor David Galloway En la investigación biomédica de hoy, la bioestadística es mucho más que el procesamiento estático de datos numéricos. En el M. D. Anderson Cancer Center, los bioestadísticos son fundamentales para el análisis de problemas biológicos complejos y el diseño de los ensayos clínicos del mañana. A nivel molecular, el cáncer se presenta en un número de formas asombroso. «Las mutaciones requeridas para crear un tumor canceroso pueden ocurrir en cualquiera de los muchos genes que regulan el crecimiento celular, la muerte celular programada y la reparación del ADN», dijo Bradley M. Broom, Ph.D., profesor adjunto en el Departamento de Bioestadística y Matemática Aplicada en el M. D. Anderson Cancer Center. «Por consiguiente, el número de posibles combinaciones y permutaciones de mutaciones causantes de cáncer es enorme». Examinar todos esos miles de millones de posibilidades requiere mucha más capacidad de cálculo que la que puede proporcionar una computadora de escritorio. Para encarar la necesidad de este tipo de cálculo avanzado en la investigación del cáncer, el Dr. Broom y sus colegas en el M. D. Anderson han formado el Gulf Coast Center for Computational Cancer Research (Centro de la Costa del Golfo para la Investigación Computacional del Cáncer), en un proyecto conjunto con la Rice University (Universidad de Rice). Los investigadores en el centro tienen acceso a una supercomputadora en el campus de dicha universidad, que es un agrupamiento de computadoras interconectadas capaz de ejecutar un billón de operaciones con punto flotante por segundo. «Bueno, digamos que hay un programa informático que comúnmente tarda un día para ser ejecutado, pero nuestros investigadores quieren probar la posibilidad de ejecutarlo en unos pocos minutos, para que pueda ser usado en una situación clínica. Podemos hacer eso usando este agrupamiento de computadoras», dijo el Dr. Broom. «Por ejemplo, tenemos una aplicación que proporciona resonancias magnéticas del pulmón en cuatro dimensiones. Actualmente es demasiado lenta para que sea útil clínicamente, así que estamos trabajando para que pueda ejecutarse más rápido», dijo el doctor.
La necesidad de capacidad de cálculo crece exponencialmente, debido a que cada nueva variable agregada a un problema puede más que duplicar la cantidad de tiempo que necesita la computadora para resolver el problema. «De manera que si usted va a hacer algo con cinco variables más, es posible que necesite 30 veces más capacidad de cálculo», dijo el Dr. Broom. Buscar en bases de datos de miles de millones de mutaciones genéticas es una tarea de enormes proporciones, aún para este tipo de supercomputadora. «Entonces, buscar más rápido no va a ayudar», dijo el Dr. Broom. «Tenemos que poder buscar «más inteligentemente», para identificar la señal apropiada que tenemos que considerar mientras buscamos en este espacio, para encontrar algo que es óptimo o muy bueno en una cantidad de tiempo razonable». «Y se tiene que dar participación a los biólogos que entienden mucho más que nosotros sobre la manera en que estas cosas funcionan y adonde pueden conducir las señales», dijo Donald Berry, Ph.D, profesor y director del Departamento de Bioestadística y Matemática Aplicada. «Así que realmente tiene que ser un esfuerzo de colaboración». Con la ayuda de computadoras modernas, los docentes y analistas de bioestadística del M. D. Anderson colaboran con médicos e investigadores científicos en toda la institución, para proporcionar análisis estadístico avanzado, modelación matemática y desarrollo de base de datos. Recientemente, dichos esfuerzos conjuntos condujeron a nuevos diseños estadísticos para los ensayos clínicos. «Estamos diseñando ensayos clínicos que, bueno, no son los de antes», dijo el Dr. Berry. «Por ejemplo, hemos desarrollado nuevos diseños de ensayos clínicos usando aleatorización adaptativa. En lugar de esperar hasta el final del estudio para analizar los resultados, consideramos los datos después de una inscripción parcial y ajustamos el algoritmo de aleatorización en consecuencia, asignando un mayor porcentaje de pacientes al brazo con la tasa de respuesta más alta. Es un ensayo que se adapta a medida que adquirimos más datos». En la aleatorización adaptativa, el comienzo del proceso parece igual que en la aleatorización convencional: igual número de pacientes son asignados al azar a cada grupo de estudio. Pero la semejanza termina allí. En particular, en el modelo clásico, igual número de pacientes siguen siendo asignados a cada grupo de estudio a lo largo de la acumulación, y los resultados no son analizados hasta que todos los pacientes han sido tratados. La aleatorización adaptativa, por otro lado, ajusta las probabilidades de aleatorización para reflejar los resultados provisorios del ensayo. Por ejemplo, si la tasa de respuesta parece ser el doble en un grupo de estudio, el doble de pacientes serán asignados a ese grupo mientras continúa la inscripción. El Dr. Elihu Estey, investigador clínico y profesor en el Departamento de Leucemia, ve este enfoque para el diseño de ensayos clínicos en una relación más cercana con las necesidades de los médicos y los pacientes, a la vez que permite la precisión científica. «La aleatorización adaptativa permite que los pacientes se beneficien del conocimiento que adquirimos a medida que esto ocurre, en lugar de muchos años después», dijo el doctor. El Dr. Estey ha colaborado con colegas en Bioestadística para desarrollar nuevos diseños de ensayos clínicos, que comparan varios medicamentos experimentales y observan los múltiples resultados en un estudio.
Según el Dr. Berry, entre 50 y 100 ensayos clínicos, la mayoría fase I y fase II, están usando aleatorización adaptativa. La mayoría de los ensayos clínicos en el M. D. Anderson son fase I y fase II, dijo el doctor, lo cual significa que los investigadores tienen más flexibilidad para probar dichos enfoques innovadores. Sin embargo, cuando se trata de ensayos fase III, la Food and Drug Administration (Administración de Alimentos y Fármacos) de los Estados Unidos es menos flexible. No obstante, el Dr. Berry dijo que el organismo ha aprobado recientemente el diseño de una ensayo fase III usando la aleatorización adaptativa. «Es realmente un logro importante que hayan apoyado esto», dijo él. La aleatorización adaptativa está relacionada con la estadística bayesiana. El Dr. Berry explicó la diferencia entre la estadística clásica y la bayesiana con el modelo estadístico común de una serie de lanzamientos de monedas. «Usted lanza una moneda 100 veces. Si obtiene 60 caras, usted dice que la hipótesis nula es que la moneda no está cargada y que sale cara la mitad de las veces. El valor P es la probabilidad de observar 60 caras o más», dijo el Dr. Berry. «Eso no encara la pregunta ¿cuál es la probabilidad de que la moneda no esté cargada? El enfoque bayesiano encara eso específicamente y, al acumularse la información, le permite actualizar cuál es la probabilidad». A pesar del uso de supercomputadoras y cálculos matemáticos complicados, la meta final de estos investigadores es acelerar el ritmo del progreso para identificar nuevos tratamientos efectivos contra el cáncer. Finalmente, el Dr. Berry señaló, todas estas ideas que resultan ser exitosas pasarán del laboratorio a la clínica. «Es entonces cuando el trabajo que estamos haciendo realmente tiene su compensación», dijo el doctor.Si desea más información sobre este tema o si tiene preguntas acerca de los tratamientos, programas o servicios del M. D. Anderson, llame a la Línea de Información (800) 392-1611 (en los Estados Unidos) o al (713) 792-3245 (en Houston y afuera de los Estados Unidos). Otros artículos en el número de febrero/marzo 2005 de OncoLog:
Pág. principal/Último número | Números anteriores | Artículos por tema | Educación del paciente ©2008 The University of Texas M. D. Anderson Cancer Center |
|||||||||||
ARRIBA