¿Qué es el ‘modelado jerárquico bayesiano’ y cómo se puede utilizar para evaluar tratamientos oncológicos estudiados en ensayos combinados?

¿Deberían los pagadores cubrir nuevos tratamientos oncológicos dirigidos a biomarcadores específicos para muchos tipos de tumores? Un lado puede requerir ensayos separados para cada tipo de tumor. Aunque se trata de pruebas fiables, Pero también es muy caro realizar ensayos clínicos para cualquier tipo. Esto es especialmente cierto si la eficacia del tratamiento es uniforme en todos los tipos de tumores y en todos los biomarcadores tumorales. Por otro lado, se acepta que los tratamientos dirigidos a biomarcadores oncológicos funcionarán en todos los tipos de tumores. Esto se considera demasiado descabellado cuando existen diferencias en la respuesta al tratamiento entre todos los tipos de tumores. Equilibraremos estos dos objetivos de reducir los costos de investigación y desarrollo. Pero, ¿cómo se puede maximizar la confianza en la eficacia del tratamiento? Una forma de hacerlo es experimentar con cestas. Un ensayo en canasta es un tipo de diseño de ensayo clínico que evalúa la eficacia y seguridad de tratamientos dirigidos para múltiples tipos o subtipos de cáncer que comparten cambios moleculares o biomarcadores comunes. El artículo de Sugden y sus colegas (2024) sostiene que el uso del modelado jerárquico bayesiano (BHM) puede resultar útil para responder a esta pregunta. Dijeron:…[BHM] Se considera que esto encaja bien con la hipótesis de que el rendimiento del sitio entre tumores es similar en los ensayos en cesta. Representa un término medio entre asumir una homogeneidad completa (es decir, agrupar todos los sitios del tumor) y una heterogeneidad completa (es decir, modelado independiente de los sitios del tumor). ¿Cómo funciona BHM como concepto y cuándo falla? El modelado bayesiano jerárquico permite tomar prestada información sobre los efectos del tratamiento en todos los subtipos histológicos. Esto es particularmente útil en el contexto de tamaños de muestra pequeños en subtipos histológicos individuales. Como tal, BHM proporciona una base para que los resultados del tratamiento en una histología determinada estén informados por todas las histologías. Aumenta la utilización de los datos disponibles; sin embargo, aún debe ser suficientemente homogéneo: «…BHM sólo es útil si se considera razonable permitir dicho préstamo». [See Murphy et al. 2021]

Las ventajas y desventajas de utilizar este enfoque con ensayos en cesta, donde el tamaño de la muestra de cada ensayo es relativamente pequeño, se describen a continuación: Al utilizar BHM, las estimaciones de supervivencia específicas del sitio del tumor se extraen a valores promedio generales. (dependiendo del nivel de préstamo permitido) estimaciones de supervivencia potencial en cada sitio del tumor, sin embargo, en el caso de un tamaño de muestra pequeño Es probable que el modelado completo de la ubicación de cada tumor dé lugar a estimaciones inexactas. Los autores revisaron una presentación de HTA de inmunología al NICE, que examina tratamientos con biomarcadores oncológicos en una variedad de tipos de tumores (por ejemplo, cáncer colorrectal). cáncer de endometrio Cáncer de estómago, intestino delgado o vías biliares) El enfoque BHM tiende a funcionar mejor cuando: La supervivencia es constante al inicio. Es útil que la supervivencia inicial sea relativamente similar entre los tumores que se estudian. Aunque esto es completamente innecesario. Pero es probable que la eficacia del tratamiento sea más uniforme si la supervivencia inicial es similar. con supervivencia esperada muy diferente. Por lo tanto, es poco probable que las mejoras en la supervivencia relativa y absoluta sean las mismas en todos los tipos de tumores. comparador En principio Los ensayos clínicos deben incluir grupos de comparación. Separados por tipo de tumor Como cualquier otro ensayo clínico. Los comparadores ayudarán a medir mejor la efectividad de los tratamientos; sin embargo, esto puede ser un problema. Si la población es un biomarcador raro o si brindar atención estándar al paciente no está de acuerdo con los principios éticos Si no hay otro tratamiento disponible, está disponible RWE con los datos de biomarcadores necesarios para un ensayo de un solo grupo. Un enfoque para abordar la falta de comparadores para los ensayos de un solo grupo es utilizar comparaciones indirectas ajustadas (MAIC pondera el RWE) para igualar las características de los pacientes en el ensayo. para servir como argumento para la población experimental. Sin embargo, este método solo es válido si los datos de los biomarcadores están disponibles en datos reales. Notificación estratificada de eventos adversos Es posible que los eventos adversos sean similares en todos los tipos de tumores. Pero también puede variar según el tipo de tumor. Las tasas de eventos adversos deben informarse en general y por tipo de tumor. En resumen, los autores concluyen que se necesita más investigación. Dada la evaluación de la tecnología, a NICE le preocupa un poco que esta sea la primera solicitud de BHM que reciben. (¡Pero nadie necesita ser el primero!) En resumen, los puntos clave que destacan los autores son: El modelado jerárquico bayesiano es un enfoque útil en el contexto de experimentos de cestas independientes de la histología. Esto a pesar de la suposición de que cada subtipo histológico puede considerarse razonablemente un subgrupo de una población integral. Este artículo tiene solo 3 páginas y vale la pena leerlo.