Mais de 3.000 ensaios clínicos COVID-19 foram lana§ados no ano passado. Isso soa como uma boa nota­cia, mas muitos deles são inadequados para identificar intervenções que salvam vidas. Os pesquisadores da Bloomberg School responderam com estratanãgias que podem distinguir melhor os sinais clinicamente significativos de rua­dos estata­sticos confusos.

Muitos ensaios COVID-19 tem um tamanho de amostra muito pequeno e, portanto, falta o "poder estata­stico" para determinar com segurança se os pacientes estãorespondendo ao tratamento, diz Elizabeth Ogburn , professora associada do Departamento de Bioestata­stica . Esses estudos de baixa potaªncia podem não ter participantes suficientes para produzir um efeito mensura¡vel da terapia; eles também podem produzir resultados falso-positivos se as condições de alguns pacientes melhorarem por acaso, em vez de em resposta ao tratamento.

Ogburn e colegas pretendem resolver este problema com a Plataforma de Colaboração COVID-19 , um recurso aberto para pesquisadores compartilharem protocolos de estudo e dados e criarem oportunidades de trabalho em equipe. "Estamos tentando facilitar o matchmaking para questões cla­nicas", disse Ogburn, que espera que os esforços conjuntos evitem que os recursos sejam desperdia§ados em estudos redundantes e insuficientes.

Atéagora, os administradores de programas de ensaios clínicos geralmente da£o muito apoio, mas muitos pesquisadores clínicos não estãoacostumados a compartilhar protocolos e dados e não tem incentivos de editores de peria³dicos ou financiadores para resistir a  sua cultura cienta­fica isolada. "Nãoacho que esteja mudando com o tempo para COVID, mas estou cautelosamente otimista de que isso vai mudar depois", disse Ogburn.

Outro professor associado de bioestata­stica, Michael Rosenblum , estãoimplementando uma estratanãgia estata­stica que agiliza os testes sem sacrificar a qualidade. Ele se concentrou em fatores de confusão em coortes de estudo, como idade e condições médicas preexistentes que podem afetar o resultado de ensaios clínicos randomizados. "A randomização quase nunca atinge o equila­brio perfeito em todas essas varia¡veis ​​ba¡sicas", diz Rosenblum. Por exemplo, a super-representação de adultos mais velhos, que tendem a ter uma resposta imunola³gica mais fraca, pode tornar mais difa­cil determinar a eficácia de uma vacina experimental.

Em um estudo publicado este maªs na Biometrics , Rosenblum e sua equipe realizaram testes simulados usando registros médicos de pacientes COVID-19 hospitalizados. Usando uma ferramenta estata­stica simples conhecida como ajuste de covaria¡vel, eles poderiam amortecer os efeitos desses fatores de confusão em seus testes simulados. Isso permitiu que eles reduzissem o número de participantes do ensaio necessa¡rio para obter resultados estatisticamente significativos em 4% a 18%, uma economia potencialmente substancial em custo, tempo e trabalho.

Rosenblum estãodesenvolvendo ferramentas de software de ca³digo aberto que tornara£o mais fa¡cil para os planejadores de ensaio incorporar essa técnica subutilizada em seus estudos. “a‰ a coisa mais próxima de um almoa§o gra¡tis que já vi nas estata­sticas”, diz Rosenblum.