Ensayos adaptativos y bayesianos: del diseño estadístico a las operaciones controladas
En resumen
Un ensayo adaptativo requiere más que una regla de decisión estadística. El equipo debe saber qué datos activan un análisis intermedio, quién puede ver los resultados comparativos, cómo llega una decisión autorizada a los sistemas de aleatorización y suministro, y qué registros hacen que el resultado sea reproducible. El borrador de junio de 2025 de ICH E20 y el borrador bayesiano de enero de 2026 de la FDA aportan principios útiles de planificación junto con la guía de la FDA de 2019 sobre diseños adaptativos, su borrador de 2024 sobre DMC y la guía definitiva sobre registros electrónicos. No prescriben una única arquitectura de proveedor ni garantizan la aceptación de un diseño en particular [1] [3] [4] [5] [10].
Estado y alcance: este artículo analiza el texto recuperado del borrador E20, centrado principalmente en ensayos adaptativos confirmatorios, y el borrador bayesiano de la FDA de enero de 2026. Una meta del plan de trabajo no equivale a la adopción definitiva. Las páginas oficiales de la FDA/EMA inspeccionadas para esta revisión siguen identificando a E20 como borrador. Los ensayos exploratorios presentan consideraciones adicionales y pueden permitir adaptaciones especificadas de forma menos exhaustiva; no imponga mecánicamente la arquitectura confirmatoria a todos los ensayos de fase temprana [1] [2].
La implementación propuesta a continuación separa tres capas: la legislación aplicable y los requisitos de registros de la normativa subyacente; las recomendaciones de guías no vinculantes; y los controles de ingeniería propuestos por el autor para analizar con el promotor y el equipo del estudio. Términos como instantánea inmutable, token de parámetro, matriz de cortafuegos o mapeo CDISC describen implementaciones posibles. No constituyen evidencia de que la FDA exija una pantalla, un nombre de variable, una transacción automatizada o una capacidad de producto de EClinCloud en particular.
Tres decisiones de planificación conectan las capas estadística y operativa. Acceso: separar el análisis y el monitoreo no cegados de la conducción cegada del ensayo, incluida la divulgación indirecta mediante información sobre adaptaciones o suministros. Ejecución: establecer cómo se autoriza, representa y aplica una decisión sin modificar la regla estadística aprobada. Reproducibilidad: conservar los datos, el código, los supuestos, el software y los registros de decisiones pertinentes. Un cierre intermedio formal de la base de datos puede ser apropiado, pero E20 lo describe como una posible medida para asegurar la validación y limpieza oportunas, no como un requisito incondicional para cada evaluación intermedia [1].
La escala de la simulación debe corresponderse con la precisión necesaria para la característica operativa. E20 cita 100,000 o más repeticiones como un ejemplo que puede ser importante para la estimación del error de tipo I; no es un mínimo numérico universal. El cálculo bayesiano requiere de manera similar diagnósticos justificados y registros de implementación adecuados al método seleccionado. Un entorno de análisis reutilizable respalda estos objetivos, pero no puede establecer la relevancia científica de una distribución a priori externa ni la idoneidad del estimando de un estudio [1] [3].
El extracto conservado de la búsqueda en NIH RePORTER contiene 5,137 registros devueltos a partir de 31 consultas y 4,876 identificadores únicos de solicitud. En el análisis predefinido de texto/consultas, 1,069 solicitudes coinciden con conceptos de EDC/eCRF, 854 con conceptos de aleatorización, 414 con conceptos de comités de monitoreo, 103 con conceptos de diseño adaptativo, 69 con conceptos bayesianos y 30 con conceptos de simulación de ensayos. Estas son coincidencias léxicas/de consulta en un corpus público seleccionado de subvenciones, no implementaciones verificadas ni una encuesta de plataformas comerciales. Su valor es de contexto temático; no demuestran una brecha de capacidad en el mercado ni que una subvención en la que falte una frase carezca del método subyacente [12].
1. Arquitectura regulatoria y límites de alcance: ICH E20, la cartera de guías 2019–2026 de la FDA e ICH E9(R1)
1.1 Distinción entre recomendaciones de guías no vinculantes y disposiciones legales exigibles
Antes de trasladar los documentos regulatorios de 2025–2026 a especificaciones de sistemas eClinical, los equipos de operaciones clínicas y bioestadística deben preservar la distinción jurídica entre la guía regulatoria no vinculante y los requisitos legales o reglamentarios exigibles. Tanto la guía preliminar de la FDA que publica ICH E20 (Expediente n.º FDA-2025-D-3023, 90 FR 46900, 30 de septiembre de 2025) como la guía preliminar de la FDA sobre Metodología bayesiana (Expediente n.º FDA-2025-D-3217, 91 FR 1190, 9/12 de enero de 2026) explican que, una vez finalizadas, representarán el criterio de la FDA, no establecen responsabilidades legalmente exigibles y contienen recomendaciones, salvo que se citen requisitos reglamentarios o legales específicos. [1] [3] [11]
La normativa federal aplicable sigue siendo distinta de las guías y de las decisiones de implementación. Las normas de notificación de seguridad de IND rigen las responsabilidades pertinentes del promotor en materia de seguridad; las disposiciones sobre inspección y acceso rigen los registros dentro de su ámbito de aplicación; y los requisitos sobre registros y firmas electrónicos dependen de las normas subyacentes aplicables y del alcance de la Parte 11. Las guías de la FDA sobre DMC y sistemas electrónicos abordan formas de preservar el enmascaramiento, respaldar la fiabilidad de los registros y poner la información pertinente a disposición para su revisión. No debe inferirse que todo programa requiera todos los comités enumerados ni que la facultad de inspección comience únicamente tras la finalización de un ensayo [5] [10] [11].
El promotor debe documentar las obligaciones y responsabilidades aplicables al ensayo concreto, incluidas las actividades delegadas. El acceso basado en roles, la validación proporcionada de los sistemas, las pistas de auditoría y la conservación de registros pueden implementar dichas responsabilidades, pero el diseño debe tener en cuenta los riesgos y el uso previsto. El flujo de trabajo detallado en este artículo constituye una propuesta de análisis de diseño, no un sustituto de dicha evaluación de aplicabilidad [7] [10].
1.2 Qué se considera un diseño adaptativo según ICH E20, Sección 1
En la Sección 1 (Introducción: antecedentes, contexto y alcance), ICH E20 establece un límite preciso en torno a lo que constituye un diseño adaptativo de ensayo clínico:
Un diseño adaptativo permite modificaciones del ensayo planificadas de forma prospectiva a partir del análisis intermedio de los datos acumulados de los participantes. Los elementos prospectivo y de datos internos lo distinguen de muchas enmiendas ordinarias (ICH E20, Sección 1) [1].
ICH E20 excluye de inmediato tres categorías de actividades del ensayo que los promotores suelen confundir con diseños adaptativos en los POE operativos (Sección 1):
- Modificaciones no planificadas del protocolo: Las enmiendas ad hoc al protocolo realizadas a mitad del ensayo en respuesta a eventos inesperados quedan fuera de la definición de diseños adaptativos; sus consecuencias sobre la validez y la interpretación deben evaluarse (Sección 6.2). [1]
- Modificaciones puramente externas: Los cambios en el protocolo impulsados exclusivamente por información externa al ensayo (como nuevos hallazgos de seguridad o estándares de variables de valoración publicados a partir de un ensayo no relacionado, sin analizar los datos internos acumulados del ensayo) quedan fuera de la definición de diseño adaptativo, aunque siguen requiriendo una documentación cuidadosa y la preservación del enmascaramiento. [1]
- Monitoreo operativo de rutina: El monitoreo continuo de métricas operativas no comparativas —específicamente la tasa de reclutamiento, la calidad de los datos y la tasa de retiro del ensayo— debe realizarse de forma rutinaria como parte de la buena gestión del ensayo conforme a ICH E6(R3) e ICH E8(R1), y explícitamente no constituye el objeto de ICH E20 (Sección 1). [1] [7] [9]
El plan de trabajo de E20 proporciona hitos de desarrollo; una adopción prevista para octubre de 2026 no constituye evidencia de que la adopción se haya producido. El borrador se centra en los ensayos destinados a confirmar la eficacia y respaldar la evaluación beneficio-riesgo, al tiempo que explica cómo sus principios también pueden orientar el trabajo exploratorio. Su análisis bayesiano incluye una salvedad sobre la armonización en el borrador examinado. Los promotores deben verificar la versión aplicable y la implementación regional antes de una presentación, y tratar las cuestiones específicas del ensayo con la autoridad pertinente [1] [2].
| Guía regulatoria / Estándar | Expediente / Cita / Fecha de publicación | Estado legal / de armonización | Enfoque operativo y de sistemas principal para la configuración de estudios |
|---|---|---|---|
| ICH E20 / Borrador de guía de la FDA: Diseños adaptativos para ensayos clínicos [1] [2] [11] | FDA-2025-D-3023; 90 FR 46900 (Paso 2 de ICH: 25 de junio de 2025; FDA: 30 de septiembre de 2025) | Borrador de guía no vinculante (el objetivo del plan de trabajo de ICH no es la adopción; nota: la Sección 5.3 incluye la nota al pie 1 de aviso de no armonización) | 5 principios (3.1–3.5), 5 categorías de adaptación (4.1–4.5), IDMC + grupo estadístico independiente separado (5.1), repeticiones de simulación justificadas por precisión e informe estructurado (5.2), diseños bayesianos (5.3), aleatorización, suministro de medicamentos y preparación oportuna de datos intermedios (5.6), y documentación previa al ensayo y de solicitud de comercialización (6.1–6.2). |
| Borrador de guía de la FDA: Uso de metodología bayesiana en ensayos clínicos de medicamentos y productos biológicos [3] [11] | FDA-2025-D-3217; 91 FR 1190 (Emitido el 9 de enero de 2026; FR: 12 de enero de 2026) | Borrador de guía no vinculante (compromiso de PDUFA VII) | Criterios de éxito bayesianos Pr(d > a dados los datos observados) > c (Sección IV.A), distribuciones a priori de diseño frente a distribuciones a priori de análisis (IV.B.2), distribuciones a priori con descuento estático frente a dinámico (V.D.4), tamaño muestral efectivo a priori (V.E), y diagnósticos computacionales adecuados al método, semillas y documentación de código (VII–VIII). |
| Guía final de la FDA: Diseños adaptativos para ensayos clínicos de medicamentos y productos biológicos [4] [11] | FDA-2018-D-3124; 84 FR 65983 (Emitida en noviembre de 2019; FR: 2 de diciembre de 2019) | Guía final no vinculante de EE. UU. | Marco fundacional de EE. UU. que distingue entre adaptaciones no comparativas (ciegas) frente a comparativas (sin ciego), pruebas de combinación por etapas, estimación ajustada por sesgo y documentación de barreras de aislamiento (firewall). |
| Borrador de guía revisado de la FDA: Uso de comités de monitoreo de datos en ensayos clínicos [5] [11] | FDA-2001-D-0219; 89 FR 10084 (Publicado el 13 de febrero de 2024; revisa la Guía final de marzo de 2006) | Borrador de guía no vinculante que cita las disposiciones vinculantes 21 CFR 312.32, 312.58 y 812.150(b)(10) | Analiza las relaciones con otras funciones de supervisión (Sección V), explica que las tablas enmascaradas de «Grupo A frente a Grupo B» se consideran sin ciego (Sección VI.D.1) y aborda el acceso de la FDA a las actas de sesiones cerradas del DMC y a los conjuntos de datos intermedios conforme a las facultades de inspección aplicables, incluso durante un ensayo en curso (Sección VI.C.4.b). |
| Borrador de guía de la FDA: Diseños innovadores para ensayos clínicos de productos de CGT en poblaciones pequeñas [6] [11] | FDA-2025-D-3403; 90 FR 46220 (Emitido el 24 de septiembre de 2025; FR: 25 de septiembre de 2025) | Borrador de guía no vinculante del CBER | Diseños autocontrolados de un solo brazo, modelado de progresión de la enfermedad, préstamo de información bayesiano, enriquecimiento adaptativo/selección de dosis y protocolos maestros en cohortes poco frecuentes de terapia celular y génica (CGT). |
| ICH E6(R3) / Guía final de la FDA: Buenas prácticas clínicas (GCP) y Preguntas y respuestas de la FDA de 2024 sobre sistemas electrónicos [7] [10] | FDA-2023-D-1955 (8 de septiembre de 2025; Anexo 2 de ICH consolidado el 16 de junio de 2026) y FDA-2022-D-2970 (octubre de 2024) | Guías finales que interpretan 21 CFR Parte 11, 312 y 812 | Validación del ciclo de vida de los sistemas computarizados (ICH E6(R3) Sección 4.2), pistas de auditoría y controles de acceso apropiados, preservación del ciego (4.1) y supervisión de proveedores de nube/TI (preguntas y respuestas de 2024). |
| ICH E9(R1) Adenda sobre estimandos y ICH E8(R1) Consideraciones generales [8] [9] | Paso 4 de ICH: noviembre de 2019 (E9(R1)) y octubre de 2021 (E8(R1)); Guías finales de la FDA: mayo de 2021 y abril de 2022 | Directrices finales armonizadas de ICH | Alineación de estimandos de 5 atributos (Tratamiento, Población, Variable, Eventos intercurrentes, Resumen a nivel poblacional) entre etapas adaptativas (E9(R1)) y planificación de Calidad por Diseño (QbD) de factores críticos para la calidad (CtQ) (E8(R1)). |
Tabla 1: Alcance regulatorio y técnico del conjunto de directrices de la ICH y la FDA de 2019–2026 pertinentes para la ejecución de ensayos clínicos adaptativos y bayesianos. Las recomendaciones de las directrices no son vinculantes salvo que estén ancladas en disposiciones legales o del CFR citadas. [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11]
1.3 Cinco principios que conectan la pregunta clínica con la conducción del ensayo
La sección 3 de E20 organiza la planificación en torno al lugar del ensayo en el desarrollo, la especificación prospectiva, las conclusiones erróneas, la estimación fiable y la integridad. Estos principios orientan el diseño y la implementación; por sí mismos no especifican una arquitectura de base de datos. Un requisito operativo debe ser trazable al diseño real, a una obligación aplicable o a un control de riesgos justificado, en lugar de limitarse a incluir una cita de una directriz [1].
Adecuación dentro del desarrollo. Un ensayo continuo puede conectar etapas, pero no puede hacer desaparecer las cuestiones de desarrollo no resueltas. E20 identifica aspectos que incluyen información de seguridad adecuada, preparación para la fabricación, cambios de formulación y desarrollo diagnóstico. Los equipos deben considerar si dichas dependencias permiten la transición propuesta. Una progresión estadísticamente eficiente puede seguir siendo operativamente inadecuada si los participantes ingresaran en una etapa posterior antes de que esté disponible la información clínica o del producto necesaria [1].
Planificar la adaptación y la pregunta que responde. E20 recomienda especificar el número y el momento de los análisis intermedios, los métodos estadísticos, las reglas de adaptación previstas, los análisis finales y los estimandos antes del inicio del ensayo. Cuando se planifica la selección de población o de tratamiento, pide estimandos candidatos completamente preespecificados. Según E9(R1), esos estimandos conectan el tratamiento, la población, la variable de resultado, el manejo de los eventos intercurrentes y el resumen a nivel poblacional. Por lo tanto, cambiar la elegibilidad para el reclutamiento no puede tratarse como una actualización aislada del sistema de aleatorización: el equipo necesita saber qué comparación científica sigue siendo la prevista [1] [8].
La planificación prospectiva no significa que todo método adaptativo requiera una rigidez idéntica. E20 explica que el cumplimiento apropiado de una regla prevista depende de la adaptación y del método estadístico. Por lo general, se recomiendan métodos que permiten una inferencia válida con flexibilidad; cuando la validez depende de seguir una regla, esa dependencia importa. La tarea práctica consiste en distinguir la flexibilidad permitida de las desviaciones que alteran las características operativas o la interpretación. Un sistema no debe convertir silenciosamente una recomendación de monitoreo en un cambio irreversible simplemente porque haya una acción automatizada disponible [1].
Limitar las conclusiones erróneas. E20 ilustra cómo ajustar el tamaño de la muestra utilizando efectos intermedios del tratamiento sin un ajuste estadístico apropiado puede más que duplicar el error de tipo I. Esta es una advertencia sobre una posible consecuencia, no una predicción numérica para todo diseño. Los métodos frecuentistas suelen abordar esto mediante un control de errores preespecificado, incluida la multiplicidad cuando sea pertinente. Otros enfoques necesitan una justificación clara para obtener conclusiones robustas. Seleccionar un nivel de significancia nominal conocido no establece que los análisis repetidos y la selección preserven ese nivel [1].
Evaluar la estimación, no solo las pruebas. Una prueba adaptativa puede controlar los falsos positivos mientras las estimaciones convencionales siguen presentando un sesgo o una cobertura de intervalo indeseables. La detención temprana y la selección pueden cambiar qué conjuntos de datos llegan al análisis final. E20 recomienda examinar el sesgo, la variabilidad, el error cuadrático medio y el comportamiento de los intervalos de confianza, así como utilizar métodos con mayor fiabilidad cuando estén disponibles y sean adecuados. No exige el mismo estimador ajustado por sesgo en todos los ensayos. El informe debe explicar el método seleccionado y cualquier limitación remanente, en lugar de dar a entender que un ajuste específico garantiza conclusiones sin sesgo [1] [4].
Proteger la integridad, incluida la divulgación indirecta. Conocer el tamaño de muestra o la asignación revisados puede revelar información sobre el resultado interino incluso sin ver una tabla de análisis. La cantidad que puede inferirse depende de la regla y de lo que conozcan los observadores; no siempre es posible una inversión exacta. E20 describe un número reducido de posibles tamaños de muestra revisados y un apéndice confidencial del estatuto como posibles medidas de mitigación. Ninguna de estas medidas es un requisito universal, ni garantiza por sí sola la confidencialidad. Los objetivos de reclutamiento por centro, la información de suministro y el acceso al objetivo global también pueden ser relevantes [1].
Esto plantea una pregunta útil para la implementación: ¿qué puede inferir cada destinatario a partir de la información que necesita para realizar su trabajo? Por ejemplo, un equipo de logística puede necesitar una instrucción de suministro autorizada sin la estimación del efecto del tratamiento que la motivó. La respuesta corresponde al plan de comunicación real del ensayo. E20 reconoce explícitamente que los procesos de protección no pueden garantizar plenamente la integridad; los investigadores deben examinar los cambios pertinentes en la conducción y los posibles sesgos al interpretar los resultados [1].
2. Traducir las cinco categorías de adaptación en operaciones controladas
La sección 4 de E20 distingue entre detención temprana, modificación del tamaño de muestra, selección de población, selección de tratamiento y asignación de participantes. La sección 5.6 analiza las dependencias operativas, incluidos los sistemas de aleatorización, el suministro del producto, el consentimiento y la validación y limpieza oportunas de los datos. Un cierre interino formal es una medida posible, no un requisito previo indicado para todos los análisis. Los ejemplos siguientes explican preguntas que la configuración de un estudio debe responder; no constituyen una especificación de la FDA para software de EDC o RTSM [1].
| Etapa propuesta | Traspaso controlado |
|---|---|
| Recopilación y limpieza | Conjunto de datos interino y corte definidos |
| Análisis estadístico independiente | Informes pertinentes al personal de monitoreo autorizado |
| Recomendación y decisión | Autoridad documentada e instrucción de implementación |
| Actualización de aleatorización y suministro | Continuación controlada coherente con el diseño |
| Archivo | Datos, métodos, decisiones y desviaciones suficientes para la reconstrucción |
Flujo de trabajo ilustrativo. Las responsabilidades, el acceso, los tiempos y la automatización deben reflejar la gobernanza acordada del ensayo.
2.1 Detención temprana: tener en cuenta la información disponible después del corte interino
Los diseños secuenciales por grupos y otros diseños de detención temprana utilizan la evidencia acumulada para considerar la eficacia, la futilidad o la seguridad. Las reglas estadísticas y el proceso operativo de detención deben encajar entre sí. El reclutamiento, el seguimiento, la adjudicación de eventos y el ingreso de datos no se detienen necesariamente al mismo tiempo. Por lo tanto, una decisión tomada a partir de un conjunto de datos interino definido puede verse seguida de información adicional de participantes ya inscritos. Ignorar esos datos o mezclarlos silenciosamente en el análisis original oscurece qué respaldó la recomendación [1] [4].
E20 recomienda documentar adecuadamente los datos adicionales y reportar análisis basados en los datos interinos y en todos los datos disponibles. Las diferencias en las estimaciones de beneficio-riesgo merecen ser examinadas. Esto no establece un indicador de software universal ni exige la misma estructura de dos conjuntos de datos para cada variable de valoración. El equipo estadístico debe definir las reglas de inclusión y análisis, y el equipo de datos debe preservar un linaje suficiente para reproducir los análisis previstos. Un registro corregido y una observación genuinamente posterior pueden requerir un manejo diferente [1].
Para la futilidad, E20 generalmente recomienda reglas no vinculantes. Esa terminología se refiere al diseño estadístico: continuar a pesar de una recomendación de futilidad puede tener implicaciones para el control de errores distintas de las de ignorar un límite del cual depende la validez de la prueba. Que sea no vinculante no significa que la discrecionalidad operativa quede sin documentar ni que puedan pasarse por alto las consideraciones de seguridad. El estatuto y el plan de análisis deben explicar cómo se registrarán y evaluarán las recomendaciones, las decisiones y las desviaciones [1].
2.2 Modificación del tamaño muestral: distinguir las estimaciones a ciegas de parámetros perturbadores de los efectos comparativos
Una reevaluación a ciegas del tamaño muestral puede utilizar información como la variabilidad combinada sin revelar una comparación entre tratamientos. Esto puede reducir algunas inquietudes sobre la confidencialidad, pero no es automáticamente inocuo desde el punto de vista estadístico. E20 señala que los métodos convencionales pueden ser adecuados en algunos ensayos de superioridad de tamaño razonable con desenlaces continuos, mientras que ciertos contextos de no inferioridad pueden presentar una inflación del error de tipo I. La justificación debe abordar la variable de valoración, la hipótesis y el procedimiento real de reevaluación, en lugar de asumir que la palabra “a ciegas” establece la validez [1].
Una reevaluación no ciega utiliza información intermedia comparativa y plantea cuestiones adicionales de inferencia e integridad. E20 recomienda preespecificar la regla prevista, incluidos los tamaños muestrales mínimo y máximo, así como el método de análisis. Combinar la evidencia por etapas con ponderaciones preespecificadas es un ejemplo de un enfoque que respalda una inferencia válida; la guía no limita a los promotores a dos algoritmos con nombre específico. Un enfoque debe evaluarse en cuanto al control de errores, la potencia, la fiabilidad de la estimación y la evidencia clínicamente significativa, incluida una exposición adecuada [1].
E20 recomienda encarecidamente el análisis y el monitoreo independientes para los datos comparativos no ciegos en los diseños confirmatorios que aborda. La información que se comunica para implementar un cambio requiere un control deliberado. Una cuadrícula discreta de tamaños muestrales y un apéndice confidencial son posibles formas de reducir la divulgación indirecta; ninguna de las dos es obligatoria para toda reevaluación no ciega. El equipo debe evaluar si el mecanismo seleccionado oculta realmente la información sensible en su contexto, incluso frente a personas que conocen el diseño y observan cambios en el reclutamiento o en el suministro [1].
Para la implementación, registre qué conjunto de datos y qué regla generaron la recomendación, quién autorizó el objetivo resultante y qué sistemas o centros recibieron la instrucción. Estas son prácticas de trazabilidad propuestas, no nombres de campos obligatorios. Si la recomendación difiere de la regla prevista, conserve el motivo y evalúe sus implicaciones antes de tratar el cambio como una actualización ordinaria de configuración. Un registro únicamente del objetivo final no puede explicar si se mantuvieron las condiciones estadísticas que respaldan la inferencia [1] [10].
2.3 Selección de población: conservar los estimandos candidatos y el plan de participantes
El enriquecimiento adaptativo puede seleccionar entre poblaciones preespecificadas utilizando evidencia intermedia. E20 requiere estimandos candidatos, reglas de selección previstas e inferencia planificada. El fundamento científico de un subgrupo o de un umbral de biomarcador requiere justificación, y la interpretación de la relación beneficio-riesgo debe considerar la información generada en las distintas poblaciones. Una regla técnicamente válida no puede convertir un subgrupo arbitrario en un objetivo clínicamente significativo [1] [8].
No existe un requisito universal de E20 que exija que un RTSM estratifique cada subgrupo candidato desde el primer participante o cambie automáticamente las compuertas de cohorte. La implementación debe respaldar el diseño seleccionado y sus necesidades reales de aleatorización, elegibilidad y análisis. Cuando las pruebas analíticas o los flujos de laboratorio central aportan información para la elegibilidad, los equipos deben establecer procesos adecuados de preparación, calidad y conciliación para ese uso. La guía citada no prescribe una única secuencia de integración ni una única interfaz entre la prueba analítica y RTSM para todos los ensayos de enriquecimiento [1].
E20 también insta a planificar el manejo de los participantes en poblaciones que dejan de ser seleccionadas. Las medidas pertinentes dependen del protocolo, la seguridad y los objetivos científicos; un artículo no debe dictar que todos esos participantes sigan una única política idéntica de continuación. Conserve la distinción entre detener el nuevo reclutamiento en una población y modificar el tratamiento o el seguimiento de las personas ya incluidas. Esas decisiones pueden tener distintas consecuencias éticas, operativas y para el estimando [1] [8].
2.4 Selección del tratamiento: poner a prueba la selección y la estimación posterior
La selección de dosis o regímenes puede conectar las etapas exploratoria y confirmatoria o eliminar brazos de un diseño multibrazo. El plan debe describir los tratamientos, las reglas de selección previstas, las comparaciones proyectadas y el manejo de los participantes asignados a tratamientos que dejan de seleccionarse. La multiplicidad y la inferencia por etapas requieren un método adecuado al diseño; una instrucción genérica de aplicar un único procedimiento de pruebas cerradas o de combinación resulta insuficiente [1] [4].
La selección puede favorecer estimaciones intermedias inusualmente positivas. E20 recomienda evaluar la fiabilidad de la estimación y considerar estimaciones ajustadas, en lugar de exigir en todos los casos un estimador específico de contracción o insesgado en la mediana. La puntualidad de los datos también merece atención: si los desenlaces de un brazo llegan con mayor lentitud, la comparación disponible puede no representar la información prevista en el punto de decisión. Evalúe estos escenarios operativos plausibles durante la planificación, en lugar de suponer una madurez de datos equivalente por el hecho de que todos los brazos comparten una misma base de datos [1].
Una instrucción de selección de brazos tiene consecuencias para la aleatorización y el suministro, pero la respuesta operativa debe seguir el protocolo y el proceso de autorización. Eliminar una opción de asignación, gestionar las existencias y comunicarse con los centros de investigación son tareas distintas. Un flujo de trabajo propuesto debe evitar la divulgación de evidencia intermedia innecesaria sin inventar un requisito universal de envíos simulados, una API concreta ni la puesta a cero automática de una tabla de probabilidades [1].
2.5 Asignación de participantes: abordar las tendencias temporales y las dependencias de implementación
La asignación adaptativa según covariables y la aleatorización adaptativa según la respuesta responden a distintas preguntas de diseño. La primera puede buscar el equilibrio en las características de los participantes; la segunda utiliza los desenlaces que se van acumulando para modificar la asignación. E20 destaca que la asignación adaptativa según la respuesta puede interactuar con tendencias temporales en el pronóstico, la atención clínica o el reclutamiento. La comparación resultante puede distorsionarse si las proporciones de tratamiento y los desenlaces cambian conjuntamente a lo largo del tiempo calendario [1].
La guía aborda posibles enfoques, entre ellos un número limitado de puntos de adaptación, análisis por etapas con ponderaciones de combinación preespecificadas y pruebas basadas en realeatorización. Estos son ejemplos, no un menú exclusivo ni un modelo obligatorio de “máquina del tiempo”. Las características operativas deben evaluarse para el diseño real, incluyendo tendencias y retrasos realistas. La asignación adaptativa según la respuesta no supone una mejora automática de la potencia frente a la asignación fija; sus contrapartidas pueden incluir una menor potencia y complejidad operativa [1].
Los mecanismos de aleatorización y suministro deben poder implementar los algoritmos preespecificados con una intervención mínima del promotor, tal como describe E20. Eso no exige una ejecución totalmente autónoma sin supervisión autorizada. El protocolo, el plan de monitoreo y la especificación de implementación deben concordar sobre qué ocurre cuando se retrasan los datos requeridos, se difiere una recomendación o el suministro no puede respaldar un cambio que por lo demás sería admisible. Estas dependencias corresponden a la planificación y a la evaluación de escenarios, en lugar de improvisarse después de conocerse los resultados comparativos [1].
| Adaptación | Aspecto de planificación orientado por la fuente | Pregunta ilustrativa de implementación |
|---|---|---|
| Detención temprana | Datos adicionales e interpretación tras el análisis intermedio | ¿Puede el equipo reproducir el conjunto de datos de la decisión y distinguir la información posterior? |
| Modificación del tamaño muestral | Inferencia válida, límites objetivo y divulgación indirecta | ¿Quién recibe el objetivo revisado y qué podría inferir? |
| Selección de la población | Estimandos candidatos, justificación de subgrupos y gestión de participantes | ¿Pueden reconstruirse la elegibilidad, los cambios en el reclutamiento y la pertenencia al análisis? |
| Selección de tratamientos | Multiplicidad, estimación y gestión de tratamientos descartados | ¿Son coherentes las instrucciones de aleatorización y suministro con la decisión autorizada? |
| Adaptación de la asignación | Tendencias temporales, demoras en los desenlaces y viabilidad operativa | ¿Se ha evaluado el diseño ante cambios plausibles en el reclutamiento y la disponibilidad de datos? |
Tabla 2: Preguntas de implementación propuestas derivadas de las cinco categorías de E20. Ninguna fila prescribe una arquitectura de software específica, un indicador de datos ni un bloqueo intermedio obligatorio. [1]
3. Gobernanza y acceso a los datos: separar responsabilidades sin inventar comités universales
El análisis estadístico, la monitorización, la evaluación de la seguridad y la gestión del ensayo tienen distintos propósitos. E20 y el borrador de la FDA sobre DMC explican por qué esas responsabilidades son relevantes para la independencia y la confidencialidad. No establecen que cada estudio requiera seis entidades ni que un solo organigrama garantice la integridad. El diseño, los riesgos y la gobernanza del ensayo deben determinar qué órganos se necesitan y cómo interactúan sus responsabilidades [1] [5].
3.1 Análisis independiente y monitorización en el contexto de E20
Para los ensayos adaptativos confirmatorios que involucran datos comparativos no enmascarados analizados en la Sección 5.1, E20 recomienda un comité independiente de monitorización de datos, incluido un estadístico con conocimientos sobre diseños adaptativos, y un grupo estadístico independiente separado. El grupo debe preparar los análisis intermedios, no debe incluir miembros del IDMC y no debe prestar apoyo a otras actividades del ensayo. E20 recomienda enfáticamente que este grupo y el IDMC tengan acceso exclusivo a los datos intermedios no enmascarados [1].
Este artículo utiliza la expresión “grupo estadístico independiente” en lugar de tratar una sigla organizativa en particular como una entidad obligatoria. La independencia es una disposición sustantiva: el personal, las responsabilidades, los conflictos, las relaciones de reporte y el acceso deben respaldarla. Contratar una empresa separada no demuestra por sí solo que un analista esté aislado de las decisiones sobre la conducción del ensayo. A la inversa, la recomendación de la guía no debe presentarse como una prohibición legal que borre su análisis sobre el acceso excepcional del promotor [1].
Una revisión propuesta de la configuración del estudio debe vincular cada resultado sensible con su destinatario y su propósito. El grupo de análisis necesita datos y métodos suficientes para producir resultados fiables; el órgano de monitorización necesita información suficiente para evaluar la recomendación y la seguridad de los participantes. Quienes realizan la implementación bajo enmascaramiento necesitan instrucciones operativas suficientes para actuar. Entregar a todos el mismo informe resulta conveniente, pero puede frustrar la separación que el plan de gobernanza pretende lograr [1] [5].
3.2 Otras funciones de supervisión y enmascaramiento del grupo comparativo
El borrador sobre DMC de la FDA de febrero de 2024 distingue varias funciones de supervisión. Un IRB protege a los participantes y generalmente recibe información enmascarada durante un ensayo en curso, pero los promotores y los investigadores siguen siendo responsables de comunicar información nueva significativa que sea pertinente para dicha supervisión. Es inexacto reducir las necesidades de información del IRB a una carta periódica de continuación o afirmar que nunca puede recibir otra información pertinente [5].
Un comité directivo del ensayo puede supervisar el desempeño científico y operativo. La FDA recomienda que permanezca enmascarado respecto de los resultados por brazo del estudio. Se espera que los adjudicadores de variables de valoración estén enmascarados respecto de la intervención asignada al evaluar las variables de valoración, incluso cuando el ensayo en sí no esté enmascarado. Esa separación ayuda a reducir el sesgo; no garantiza que la clasificación esté libre de sesgo. El DMC, que ve datos comparativos, no debería además adjudicar variables de valoración [5].
El borrador analiza por separado a los monitores clínicos de los centros y a las entidades que revisan datos de seguridad. Los monitores de los centros respaldan la conducción del ensayo y la calidad de los datos, y deben permanecer enmascarados respecto de las asignaciones; no deben revisar los datos acumulados de efectividad para la toma de decisiones del ensayo. Una entidad que evalúa los informes agregados de seguridad puede necesitar información de seguridad desenmascarada, incluidas las asignaciones individuales pertinentes, manteniéndose separada de la conducción del ensayo y sin acceso a los datos de efectividad. Su propósito difiere de la evaluación más amplia de continuación que realiza el DMC, aunque la FDA describe contextos en los que un DMC también puede efectuar evaluaciones de seguridad [5].
Un órgano de adaptación puede ser independiente del DMC, o bien las responsabilidades de adaptación pueden asignarse al DMC cuando corresponda. El borrador describe la disyuntiva: los órganos separados pueden concentrar la experiencia pertinente, mientras que un único órgano puede reducir los desafíos de coordinación. El órgano de adaptación debe contar con la experiencia estadística adecuada e implementar el plan preespecificado, en lugar de inventar adaptaciones tras ver los resultados. El análisis temprano de escenarios hipotéticos ayuda a determinar si las medidas contempladas son razonables [5].
En el borrador sobre DMC, las tablas comparativas rotuladas como “Grupo A” y “Grupo B” se consideran desenmascaradas. Suprimir los nombres de los fármacos no elimina la comparación entre grupos de tratamiento, y otras características pueden revelar las identidades. Por lo tanto, dichas tablas no constituyen un sustituto seguro de los informes operativos enmascarados. Las decisiones de acceso deben reflejar el contenido de la información, y no si una columna incluye casualmente el nombre de un producto [5].
3.3 Excepciones, registros y controles técnicos proporcionados
E20 analiza una propuesta de acceso del promotor a datos intermedios desenmascarados como una excepción que exige una justificación sólida y planificación. Recomienda mantener un número mínimo de personas, independientes de la conducción del ensayo, y llevar registros detallados de quién accedió a qué información. El acceso propuesto y las medidas para proteger la integridad deben analizarse con las autoridades regulatorias durante la planificación. El borrador también reconoce que una recomendación de finalización anticipada puede requerir información suficiente para la decisión del promotor [1].
Estos puntos no autorizan el acceso irrestricto del promotor, pero tampoco establecen una prohibición universal sobre toda tarea futura de una persona ni exigen un registro electrónico de cada evento de lectura. Un equipo debe documentar los límites reales, las responsabilidades y la información proporcionada. Los controles de acceso proporcionados y las pistas de auditoría pertinentes pueden respaldar ese plan conforme a los requisitos aplicables sobre registros electrónicos; la evaluación de riesgos y el uso previsto determinan qué controles son adecuados [7] [10].
Las actas de las sesiones cerradas y los informes desenmascarados deben protegerse del personal enmascarado del ensayo, mientras que la autoridad aplicable de la FDA en materia de inspección y acceso a registros sigue siendo pertinente durante un ensayo en curso. Planifique la conservación de los registros, el acceso para las autoridades regulatorias y la transferencia posterior adecuada sin comprometer el enmascaramiento en curso. “Confidencial” describe un manejo controlado; no constituye un fundamento para suponer que los registros no puedan inspeccionarse hasta que finalice el ensayo [5].
| Responsabilidad | Límite basado en las directrices | Posible control de implementación |
|---|---|---|
| Conducción enmascarada del ensayo | Evitar que la información comparativa intermedia influya en la conducción | Separar las instrucciones operativas de los informes sensibles |
| Adjudicación de variables de valoración | Evaluar las variables de valoración con enmascaramiento respecto a la intervención asignada | Procedimientos definidos de preparación de casos y de acceso |
| Notificación agregada de seguridad | Acceso a la información de seguridad pertinente separado de la efectividad y de la conducción | Permisos específicos para cada finalidad y escalamiento documentado |
| Análisis estadístico independiente | Separado de la pertenencia al IDMC y de otras actividades del ensayo según la recomendación de E20 | Entorno de análisis definido y distribución controlada de informes |
| Monitoreo o adaptación | Experiencia especializada adecuada y un plan preespecificado de monitoreo o adaptación | Registros controlados de deliberación y recomendaciones autorizadas |
Tabla 3: Responsabilidades y posibles controles. Esta es una matriz de planificación, no un requisito para un número fijo de comités, roles de base de datos o productos de seguridad. [1] [5] [7] [10]
4. Métodos bayesianos: explicar la elección inferencial y preservar la evidencia computacional
4.1 La salvedad sobre la armonización de E20
La nota al pie 1 de la sección 5.3 de E20 indica que la sección bayesiana no está completamente armonizada. El borrador también advierte que no debe considerarse su contenido como una aceptación regulatoria plena ni como un reemplazo de las directrices regionales vigentes. Esas declaraciones no revelan las razones internas de las diferencias entre las autoridades. Un plan defendible debe identificar la postura regional pertinente y analizar el diseño propuesto, en lugar de asumir la aceptación global por la presencia de un método en un borrador [1].
Las probabilidades bayesianas pueden respaldar las decisiones de adaptación dentro de un diseño cuyo análisis primario controla el error frecuentista. Surge una cuestión distinta cuando la información externa ingresa en la inferencia primaria mediante una distribución a priori informativa. La distribución a priori puede modificar las conclusiones y las características operativas, especialmente cuando la evidencia externa entra en conflicto con la población actual. Estos usos requieren una justificación diferenciada; ninguno implica un punto de corte a posteriori universal, una prohibición del préstamo de información ni una garantía matemática de una ganancia de eficiencia determinada [1] [3].
4.2 Lo que establecen los ejemplos regulatorios
El borrador bayesiano de la FDA de enero de 2026 aborda el préstamo de información de ensayos previos, los controles externos o no concurrentes, la extrapolación pediátrica, la estimación de subgrupos y la búsqueda de dosis. Cita ejemplos que incluyen REBYOTA, GBM AGILE y Precision Promise. Estos ilustran contextos en los que se han utilizado métodos bayesianos; no autorizan copiar una distribución a priori, un modelo o un umbral en otro programa [3].
La decisión sobre la fuente debe preceder a la integración de los datos. Identifique la evidencia pertinente, explique la inclusión y la exclusión, y examine las diferencias en la población, el tratamiento, la atención y la medición de los desenlaces. Una unión técnicamente limpia no puede hacer que un control externo inadecuado sea comparable con el ensayo actual. Por lo tanto, el propósito de la procedencia es más amplio que documentar el origen de un archivo: respalda la evaluación de si la información seleccionada responde a la pregunta clínica actual [1] [3].
El borrador de la FDA sobre CGT en poblaciones pequeñas aporta un contexto adicional para los programas que enfrentan un reclutamiento limitado, pero ese entorno no elimina la necesidad de una inferencia creíble. La idoneidad del préstamo de información o de otro diseño innovador depende del producto, de la afección y de la evidencia. Una plataforma operativa puede preservar los supuestos y el registro del análisis; no puede establecer la relevancia de los pacientes externos simplemente colocando sus observaciones en un esquema común [6].
4.3 Criterios de éxito, distribuciones a priori de análisis y distribuciones a priori de diseño
El borrador bayesiano ilustra una regla de decisión de forma legible: Pr(d > a dados los datos observados) > c. Aquí, d es el efecto del tratamiento, a es el umbral de comparación y c es el punto de corte de la probabilidad a posteriori. En una escala de efecto en la que los valores mayores son favorables, a puede ser cero para la superioridad o un margen negativo de no inferioridad. Si los valores menores son favorables, la desigualdad cambia. Denominar universalmente a "a" un beneficio mínimo clínicamente significativo describiría erróneamente algunos de estos usos [3].
El borrador analiza varias justificaciones para los criterios de éxito. Un punto de corte puede calibrarse según características operativas frecuentistas, elegirse mediante la interpretación directa de una probabilidad a posteriori creíble o fundamentarse en un marco de beneficio-riesgo o de teoría de la decisión. La justificación es contextual y debería tratarse con la FDA. La información previa que favorece un efecto puede alterar el comportamiento de los falsos positivos en escenarios nulos del ensayo actual; por lo tanto, la calibración puede implicar una concesión en la eficiencia del préstamo de información. No exige invariablemente el mismo punto de corte ni elimina todos los beneficios del préstamo [3].
Bajo un modelo establecido, la regla anterior implica que la probabilidad a posteriori de que d sea menor o igual que a es inferior a 1 menos c. No afirma que esta probabilidad sea igual a 1 menos c, ni que la tasa de falsos positivos por muestreo repetido del ensayo sea igual a ese número. La interpretación directa depende de la credibilidad de la distribución a priori y del modelo. Una probabilidad de cola a posteriori pequeña no puede compensar una elección selectiva de datos externos ni un conflicto no examinado entre la población previa y la actual [3].
Distinga la distribución a priori de análisis, que interviene en la inferencia con los datos observados del ensayo, de una distribución a priori de diseño o de muestreo, que representa valores verdaderos plausibles de los parámetros al evaluar las características operativas. Promediar los resultados sobre una distribución a priori de diseño responde a una pregunta distinta de evaluar el desempeño en un valor de parámetro especificado. Ambas distribuciones a priori pueden cumplir propósitos distintos y requieren justificación por separado. Nombrar ambas en la documentación de la simulación ayuda a evitar que un supuesto utilizado para generar escenarios se confunda con la distribución a priori realmente utilizada en el análisis del ensayo [3].
Para los diseños calibrados según el error frecuentista, evalúe los escenarios nulos y alternativos pertinentes y los supuestos operativos plausibles. Cuando la FDA y el promotor acuerden otro marco de éxito, las características operativas bayesianas y las evaluaciones de la distribución a priori de diseño pueden resultar pertinentes. La sensibilidad a través de parámetros plausibles y conflictos entre la distribución a priori y los datos sigue siendo informativa, pero el borrador no impone una plantilla fija de informe con cuadrícula nula a cada ensayo bayesiano no calibrado. Explique qué resúmenes respaldan la justificación real del diseño y qué puede ocultar el promediado [3].
4.4 Préstamo de información y tamaño muestral efectivo a priori
E20 y el borrador bayesiano enfatizan la relevancia y la calidad de la información externa. Las diferencias en la atención, la elegibilidad, la medición de desenlaces y el tiempo pueden debilitar la comparabilidad. Por lo general, E20 espera datos externos a nivel de paciente para respaldar la evaluación de la relevancia y del conflicto. No exige de manera universal el emparejamiento por propensión antes de cualquier préstamo de información, y el ajuste por características medidas no establece por sí solo la intercambiabilidad [1] [3].
La FDA distingue el descuento estático, en el que el grado de préstamo es fijo, de los enfoques dinámicos que permiten que la compatibilidad con los datos actuales influya en el préstamo. Los métodos dinámicos pueden ofrecer protección ante un conflicto, pero sus parámetros y supuestos también requieren justificación. Ninguna familia garantiza el rechazo completo de la evidencia incompatible en todos los conjuntos de datos. Las simulaciones y los análisis de sensibilidad deberían examinar el método propuesto en lugar de atribuir un comportamiento ideal a su nombre [3].
| Enfoque a priori | Descripción en la Sección V.D.4 de la FDA | Pregunta para la evaluación |
|---|---|---|
| Distribución a priori de potencia fija | Una potencia fija entre cero y uno descuenta la información de verosimilitud externa | ¿Qué ocurre en caso de conflicto cuando el peso del préstamo no puede adaptarse? |
| Extensiones que incluyen distribuciones a priori de potencia conmensuradas y supervisadas | El préstamo de información puede depender de la similitud entre la información externa y la actual | ¿Está justificada la tasa de reducción del préstamo ante conflictos plausibles? |
| Distribuciones a priori de mezcla | Componentes preespecificados informativos y menos informativos pueden tener distintas contribuciones a posteriori | ¿Cómo afectan las elecciones de componentes y los pesos iniciales a las conclusiones? |
| Modelos jerárquicos bayesianos | Los parámetros se relacionan mediante una distribución común | ¿Son creíbles los supuestos de intercambiabilidad y de variación entre grupos? |
| Distribuciones a priori elásticas | Una medida de congruencia y una función elegida determinan el préstamo de información | ¿Están adecuadamente justificados la medida, el ajuste y la respuesta ante el conflicto? |
Tabla 4: Enfoques seleccionados analizados en el borrador bayesiano. Las descripciones no prometen un descarte completo de la información externa ni prescriben un modelo para todos los programas. [3]
El tamaño muestral efectivo a priori puede expresar la información representada por una distribución a priori, pero no existe un recuento universalmente único de participantes virtuales. La FDA analiza distintas definiciones y recomienda explicar la medida y el cálculo. Con el préstamo dinámico, la contribución puede variar según las observaciones actuales; evalúela en todos los resultados plausibles y en relación con el tamaño muestral prospectivo. Un promedio favorable puede ocultar una contribución elevada en escenarios particulares [3].
E20 recomienda preespecificar el enfoque de préstamo y los criterios de éxito, examinar el conflicto entre la distribución a priori y los datos, limitar el préstamo máximo y evaluar la sensibilidad, incluida la ausencia de préstamo. Debe quedar disponible una cantidad suficiente de datos del ensayo actual para realizar una evaluación informativa de beneficio-riesgo. Estas evaluaciones ayudan a poner de manifiesto la dependencia respecto a supuestos externos. El tamaño muestral efectivo a priori no debe confundirse con el número efectivo de extracciones de MCMC, que concierne a la precisión computacional, ni con el error de tipo I, que la FDA no recomienda como medida de la información prestada [1] [3].
4.5 Justifique la precisión de la simulación y la reproducibilidad computacional
Tanto ICH E20, Sección 5.2 (Simulaciones) como el Borrador de Guía Bayesiana de la FDA de enero de 2026 (Secciones IV.B, VII y VIII) elevan los conjuntos de simulaciones y los scripts de cálculo a posteriori a artefactos primarios de revisión regulatoria. [1] [3]
Para réplicas de simulación independientes que estiman una probabilidad cercana a 0.025, el error estándar binomial de Monte Carlo es aproximadamente sqrt(0.025 × 0.975 / M). Con 1,000 repeticiones es de aproximadamente 0.00494; con 100,000 es de aproximadamente 0.000494. Por lo tanto, los márgenes aproximados de Monte Carlo del 95 % son 0.00968 y 0.000968, respectivamente. Se trata de cálculos numéricos ilustrativos, no de intervalos de confianza clínicos ni de una regla universal de aprobación o rechazo. La precisión debe justificarse para el estimador, los escenarios y la decisión reales [1].
E20 explica que 100,000 o más repeticiones pueden ser importantes para la estimación del error de tipo I, mientras que un número menor puede bastar para otras características como la potencia. Asimismo, solicita un rango justificado de escenarios, diseños de referencia, generación reproducible de números aleatorios y un informe estructurado. Su lista para el informe incluye ejemplos de ensayos simulados individuales, limitaciones y una discusión clínica que conecte los hallazgos con el diseño propuesto [1].
Para el cálculo numérico bayesiano, documente el método seleccionado, la implementación, el entorno de software, los ajustes relevantes y los diagnósticos. El número de cadenas MCMC, las iteraciones y las comprobaciones de convergencia pueden ser relevantes cuando se utiliza MCMC; el adelgazamiento, el muestreo hamiltoniano o un umbral diagnóstico en particular no son requisitos universales. Toda regla de reintento automatizado propuesta debe justificarse científicamente y registrarse, sin presentarse como un algoritmo prescrito por la FDA. Haga seguimiento de los fallos de implementación para que descartar silenciosamente réplicas simuladas difíciles no distorsione las estimaciones de las características operativas [3].
Un paquete práctico de reproducibilidad puede incluir un ejemplo ejecutable, semillas documentadas, versiones de entrada, scripts y salidas, junto con explicaciones suficientes para una reejecución independiente. E20 recomienda un informe que conecte los supuestos clínicos con los escenarios de simulación y las conclusiones. Superar una verificación de ejecución del software demuestra que el programa se ejecuta; no prueba que la cuadrícula de escenarios cubra el rango clínicamente plausible ni que un modelo seleccionado sea adecuado [1] [3].
5. Panorama cuantitativo: cartera eClinical de NIH RePORTER (2026-08-23) y preparación de los estándares CDISC (instantáneas del 2026-07-31)
Para añadir contexto empírico a estas cuestiones de planificación sin exagerar lo que miden las carteras públicas de investigación, analizamos dos conjuntos de datos locales verificados capturados el 2026-08-23 (NIH RePORTER) y el 2026-07-31 (estándares CDISC):
- El conjunto de datos de la cartera eClinical de NIH RePORTER (“nih_reporter_eclinical”, 2026-08-23), obtenido a través de la API oficial de búsqueda de NIH RePORTER v2 (https://api.reporter.nih.gov/v2/projects/search) mediante 31 consultas de búsqueda eClinical predefinidas de alta señal, lo que arrojó 5,137 registros de proyectos sin procesar de la API (100% de los totales de consulta notificados verificado) y 4,876 solicitudes de proyectos únicas deduplicadas (“unique_appl_ids_verified = true”). [12]
- El conjunto de datos de estándares CDISC (“cdisc_standards”, 2026-07-31 [“20260731_full”]), que indexa 32 páginas oficiales de estándares CDISC descubiertas/descargadas y 54 registros de recursos de especificaciones vinculados (25 recursos públicos descargados, 29 paquetes de estándares autenticados excluidos) (https://www.cdisc.org/standards). [13]
5.1 Distribución de la infraestructura eClinical frente a la gobernanza adaptativa, bayesiana, de cortafuegos y de simulación en el corpus de NIH RePORTER
Dentro de las 4,876 solicitudes de proyectos eClinical de los NIH deduplicadas (instantánea del 2026-08-23), la clasificación programática de texto y consultas en los títulos de los proyectos, los resúmenes y las etiquetas de consulta coincidentes muestra frecuencias desiguales de los términos seleccionados: [12]
| Dimensión analítica / Consulta / Categoría de subcorpus | Recuento verificado (instantánea del 2026-08-23) | Recuento relativo al denominador de referencia de 4,876 solicitudes | Interpretación operativa y relevancia para la configuración del estudio |
|---|---|---|---|
| Total de registros de API en 31 consultas eClinical predefinidas [12] | 5,137 registros | — (100.0% de los totales de consulta recuperados) | Unión bruta de todas las 31 cadenas de búsqueda eClinical predefinidas antes de la eliminación de duplicados por appl_id. |
| Solicitudes de proyecto únicas sin duplicados (appl_id) [12] | 4,876 proyectos | 100.00% (Denominador) | Línea de base verificada sin duplicados de solicitudes financiadas por los NIH obtenidas mediante el conjunto eClinical de 31 consultas. |
| Consulta: "wearable sensor" [12] | 2,049 registros | 42.02% | Mayor recuento individual de consulta listado; un resultado de búsqueda no establece el flujo de datos, la adaptación ni el método de corte de un estudio. |
| Subcorpus temático: infraestructura de EDC / eCRF (“edc_ecrf_projects”) [12] | 1,069 proyectos | 21.92% | Incluye "electronic data capture" (1,023 registros de consulta), "clinical data management system" (62) y "electronic case report form" (3). |
| Subcorpus temático: aleatorización / RTSM / asignación (“randomization_rtsm_projects”) [12] | 854 proyectos | 17.51% | Proyectos que hacen referencia a aleatorización, asignación o "randomization system" (59 registros de consulta directa) y "clinical trial supply" (5). |
| Subcorpus temático: supervisión por DMC / DSMB (“dmc_dsmb_projects”) [12] | 414 proyectos | 8.49% | Proyectos que hacen referencia a Comités de Monitoreo de Datos o Juntas de Monitoreo de Datos y Seguridad—menos de la mitad del número de proyectos de aleatorización (414 frente a 854). |
| Consulta: "digital biomarker" [12] | 409 registros | 8.39% | Coincidencias con esta frase de búsqueda; una sola instantánea no establece crecimiento ni un enriquecimiento adaptativo real. |
| Consulta: "clinical trial recruitment" y "remote patient monitoring" [12] | 308 y 259 registros | 6.32% y 5.31% | Flujos de trabajo operativos de reclutamiento y monitoreo descentralizado ("decentralized clinical trial" = 10 registros; "remote data capture" = 46). |
| Consulta: "clinical trial data management", "CTMS" y "econsent" [12] | 191, 160 y 148 registros | 3.92%, 3.28% y 3.04% | Gestión central del estudio y consentimiento informado electrónico ("electronic informed consent" = 26 registros adicionales; alineación de consentimiento con ICH E20, sección 5.6). |
| Subcorpus temático: diseños de ensayos adaptativos (“adaptive_design_projects”) [12] | 103 proyectos | 2.11% | Solicitudes que coinciden con la regla predefinida de texto/consulta para diseños adaptativos; esto no constituye una verificación de la metodología de ensayo implementada. |
| Consulta: "risk based monitoring", "centralized monitoring" y "SDV" [12] | 79, 37 y 37 registros | 1.62%, 0.76% y 0.76% | Recuentos para las consultas de monitoreo nombradas; estos no establecen ningún flujo de trabajo particular de limpieza o bloqueo intermedio. |
| Consulta: "endpoint adjudication" y "clinical endpoint adjudication" [12] | 60 y 11 registros | 1.23% y 0.23% | Flujos de trabajo de adjudicación enmascarada (borrador de guía de la FDA de 2024 sobre DMC, sección V.C). |
| Subcorpus temático: metodología bayesiana (“bayesian_projects”) [12] | 69 proyectos | 1.42% | Solicitudes que coinciden con la regla predefinida de texto/consulta bayesiana; los métodos y la implementación no se verificaron individualmente. |
| Subcorpus temático: simulación explícita de ensayos (“trial_simulation_projects”) [12] | 30 proyectos | 0.62% | Solicitudes que coinciden con la regla predefinida de texto/consulta de simulación de ensayos; la ausencia de coincidencia no establece la ausencia de simulación. |
Las filas de registros de consulta y las filas temáticas sin duplicados son unidades distintas. Los porcentajes dividen cada recuento mostrado entre 4,876 como referencia; los porcentajes de las filas de consulta no son proporciones verificadas de estudios distintos. Las categorías pueden superponerse y no deben sumarse. Las etiquetas temáticas describen la clasificación predefinida, no una auditoría de los métodos de las subvenciones.
Tabla 5: Desglose programático del conjunto de datos eClinical de NIH RePORTER (“nih_reporter_eclinical”, instantánea del 2026-08-23, 4,876 solicitudes de proyecto únicas en 31 consultas predefinidas). [12]
Entre los institutos y centros (IC) administradores de los NIH, las 4,876 solicitudes de proyecto eClinical sin duplicados están encabezadas por el National Cancer Institute (NCI, 983 solicitudes, 20.16 %), el National Institute on Aging (NIA, 775, 15.89 %), el National Heart, Lung, and Blood Institute (NHLBI, 437, 8.96 %), el NICHD (338, 6.93 %), el NINDS (278, 5.70 %), el NIDDK (273, 5.60 %), el NIMH (192, 3.94 %), el NIDA (190, 3.90 %), el NIBIB (166, 3.40 %) y el NIAMS (152, 3.12 %). Dentro de este corpus seleccionado, los recuentos de solicitudes registrados por año fiscal aumentaron de 398 en el año fiscal 2021 y 457 en el año fiscal 2022 a 553 en el año fiscal 2023, 597 en el año fiscal 2024 y 634 en el año fiscal 2025 (con 383 registradas en el año fiscal parcial 2026 a la fecha de la instantánea del 2026-08-23). [12]
5.2 Límites de alcance metodológico en el conjunto de datos de NIH RePORTER
Conforme a una estricta higiene probatoria, tres límites rigen la interpretación de la Tabla 5:
- Denominador acotado por consulta: Las 4,876 solicitudes sin duplicados representan solicitudes de subvenciones y acuerdos de cooperación financiados por los NIH que coinciden con al menos una de las 31 cadenas de búsqueda eClinical predefinidas (como "electronic data capture", "wearable sensor", "randomization system", etc.). No representan todos los ensayos clínicos financiados por los NIH ni los ensayos IND/IDE comerciales promovidos por la industria (donde los diseños adaptativos y bayesianos suelen describirse en protocolos IND confidenciales más que en resúmenes públicos de subvenciones). [12]
- Año de solicitud frente a unidad de estudio único: En NIH RePORTER, las adjudicaciones de continuación no competitivas (solicitudes de tipo 5, como 5U01HL123009-04 y 5U01HL123009-05 para el NHLBI PETAL Network Coordinating Center) tienen identificadores appl_id distintos entre años fiscales. Por lo tanto, 4,876 es un recuento de solicitudes de proyecto sin duplicados, no de protocolos clínicos plurianuales distintos. [12]
- Ausencia léxica no implica ausencia de capacidad: Las coincidencias de palabras clave describen lo que se encontró en títulos, resúmenes, términos y resultados de consulta indexados. La falta de una redacción no demuestra la ausencia de métodos ni de capacidades de software. Estos recuentos no pueden clasificar sistemas comerciales, medir la preparación regulatoria ni establecer una necesidad de mercado no cubierta [12].
5.3 Utilice el material disponible de CDISC dentro de su alcance real
El extracto conservado de CDISC tiene fecha del 31 de julio de 2026 y contiene 32 páginas de estándares y 54 registros de recursos vinculados. De esos registros de recursos, se descargaron 25 recursos públicos y se excluyeron 29 paquetes autenticados. No constituye una biblioteca completa de estándares autenticados. E20 recomienda la validación y limpieza oportunas de los datos intermedios pertinentes y señala que un cierre formal puede ser apropiado. No exige que cada análisis intermedio se entregue como un paquete SDTM/ADaM ni nombra indicadores de análisis particulares [1] [13].
Para una implementación propuesta, distinga entre metadatos de recopilación, conjuntos de datos de tabulación, conjuntos de datos de análisis y metadatos de resultados. CDASH, ODM, SDTM, ADaM y Define-XML tienen finalidades distintas; seleccionar un formato no equivale a validar el análisis de un estudio. Utilice las versiones publicadas, las guías de implementación y los requisitos de presentación aplicables. El índice accesible apoya la localización de estándares, pero no establece que cada mapeo propuesto sea conforme [13].
Un paquete intermedio puede conservar el corte, la extracción de origen, las transformaciones, la población de análisis, la asignación de etapa, la procedencia de los datos externos y la versión de salida. Los indicadores de análisis como ANL01FL o ANL02FL son ejemplos cuyos significados deben definirse de forma explícita; por sí mismos no significan «intermedio» ni «datos con retraso». Del mismo modo, STUDYID, DTYPE o EPOCH no deben reutilizarse sin respetar su semántica definida. Los metadatos personalizados pueden ser apropiados, pero deben etiquetarse y documentarse en lugar de describirse como variables obligatorias de CDISC [13].
La pertenencia a cada etapa y el tratamiento de los eventos retrasados deben seguir el método estadístico preespecificado. Asignar simplemente cada evento tardío a una etapa basada en la fecha puede vulnerar la estructura de independencia prevista. Registre la derivación y haga que el equipo estadístico la verifique frente al diseño. Para la incorporación de datos externos, conserve suficiente información de procedencia para reproducir los registros incluidos y excluidos y los análisis de sensibilidad. Estas son recomendaciones de diseño que respaldan la trazabilidad, no una prueba de aceptación regulatoria [1] [3].
6. Ensaye la decisión, su implementación y su registro probatorio
6.1 Cuatro escenarios hipotéticos de falla
Los siguientes escenarios son ejercicios propuestos por los autores, no incidentes observados en ensayos, estimaciones de frecuencia de falla ni pruebas de aceptación regulatoria. Traducen las inquietudes de las fuentes sobre la inferencia, la confidencialidad, la viabilidad operativa y los datos adicionales en preguntas que un equipo de estudio puede ensayar. La respuesta adecuada depende del protocolo real, del plan estadístico, de las consideraciones de seguridad y de la gobernanza [1] [3] [5].
| Escenario hipotético | Riesgo por examinar | Pregunta propuesta para el ensayo |
|---|---|---|
| Un tamaño de muestra revisado revela más de lo previsto | Las personas que conocen la regla pueden inferir los resultados intermedios | ¿El plan de comunicación limita la información innecesaria y evalúa la inferencia residual? |
| Una adaptación autorizada tensiona el suministro | Las limitaciones operativas pueden impedir una implementación oportuna | ¿Se consideran los plazos de entrega y las alternativas viables antes de que comience el ensayo? |
| Los datos externos y los actuales entran en conflicto | La influencia de la distribución a priori puede generar una confianza engañosa | ¿Se han evaluado los conflictos plausibles y los supuestos alternativos de incorporación? |
| Llegan datos después del corte intermedio | La información posterior puede cambiar las estimaciones de beneficio-riesgo | ¿Pueden reconstruirse los análisis del momento de la decisión y los posteriores, y explicarse sus diferencias? |
Tabla 6: Ejercicios hipotéticos de planificación. No establecen una regla discreta obligatoria de tamaño de muestra, una política de envíos simulados, un reemplazo automático de la distribución a priori ni un indicador en el conjunto de datos.
Para el primer ejercicio, distinga el acceso a los resultados comparativos del conocimiento inferido a través de un cambio operativo. Restringir un informe sirve de poco si otra comunicación de rutina divulga una señal casi equivalente. Los controles sugeridos por E20 deben evaluarse en combinación con la información real disponible para los destinatarios. El objetivo es una reducción justificada del riesgo de divulgación, no una promesa de que los apéndices confidenciales o las opciones discretas hagan imposible la inferencia [1].
Para el suministro, examine las consecuencias de las adaptaciones planificadas antes del reclutamiento. Una acción estadísticamente permitida puede requerir preparación entre depósitos, países o configuraciones de producto. El ensayo debe establecer quién identifica la limitación y quién puede autorizar una respuesta coherente con el plan. No debe inventar una nueva regla estadística después de ver los resultados no cegados. E20 señala que la simulación puede ayudar a investigar tanto los escenarios operativos como el desempeño estadístico [1].
En caso de conflicto entre la distribución a priori y los datos, compare los resultados bajo supuestos alternativos justificados y examine la dependencia de las conclusiones respecto a la información externa. El préstamo dinámico es un método que debe evaluarse, no una corrección automática. Reemplazar la distribución a priori después de observar una comparación desfavorable puede socavar por sí mismo el plan prospectivo. El equipo del estudio debe saber qué análisis de sensibilidad se planificaron y cómo se documentarán e interpretarán los hallazgos inesperados [1] [3].
Para las observaciones diferidas, conserve lo que estaba disponible en el momento de la decisión y lo que estuvo disponible más adelante, incluidas las correcciones y la adjudicación. Un cierre formal puede ayudar en un flujo de trabajo particular, pero los registros con control de versiones por sí solos no determinan el tratamiento estadístico correcto de esas observaciones. Ese tratamiento debe seguir el diseño. Compare los análisis relevantes y analice las diferencias materiales en lugar de reemplazar silenciosamente la evidencia intermedia con la extracción más reciente [1].
6.2 Una propuesta de verificación de preparación en cuatro partes
La siguiente lista de verificación es la síntesis del autor para su discusión con el equipo del estudio, fundamentada en las secciones 5.2 y 6 de E20, el análisis sobre documentación del borrador bayesiano y las demás fuentes que se indican a continuación. No constituye una constancia de que EClinCloud haya implementado cada funcionalidad ni una lista completa de obligaciones para todos los ensayos [1] [3].
Preparación estadística: documente los objetivos y los estimandos candidatos, las adaptaciones previstas, los métodos de análisis, las características operativas importantes y los análisis de sensibilidad. Evalúe un diseño de referencia y justifique los supuestos de simulación, la precisión y el cómputo. Explique qué conclusiones dependen del cumplimiento estricto de una regla y dónde permite flexibilidad el método. Identifique las preguntas que requieren una discusión regulatoria temprana antes de tratar el plan de análisis como una especificación de ingeniería [1] [3] [8].
Preparación de gobernanza: identifique quién analiza, revisa, recomienda, decide e implementa. Considere suplentes, conflictos, acceso excepcional y procedimientos de emergencia, además de la operación normal. Trate los grupos comparativos enmascarados como información desenmascarada. Evalúe la divulgación indirecta a través de las instrucciones de reclutamiento, asignación y suministro. Documente por qué los controles elegidos se ajustan al ensayo real y qué riesgos residuales persisten [1] [5].
Preparación de ejecución: ensaye decisiones intermedias representativas con datos de prueba controlados. Conecte el proceso de corte y limpieza con el análisis, la autorización, la aleatorización y el suministro. Confirme que los destinatarios interpreten una instrucción de manera coherente, incluso cuando se difiera una decisión o se necesite una corrección. Los hashes, los mensajes cifrados y el software de flujo de trabajo son herramientas posibles, no requisitos nombrados de E20. La validación debe abordar el uso previsto y el riesgo en lugar de demostrar meramente que se transmitió un mensaje [1] [7] [10].
Preparación de archivo: conserve los planes prospectivos, la implementación real y las desviaciones, la evidencia de acceso relevante y los registros de deliberación. Concilie el informe final con las adaptaciones ocurridas. El archivo debe permitir la reconstrucción preservando la confidencialidad durante la conducción en curso. Un revisor debería poder conectar una recomendación con su evidencia y la acción posterior sin adivinar a partir de los nombres de archivo ni asumir que la última versión de la base de datos fue la revisada [1] [5].
7. Método, límites del alcance y limitaciones
Esta síntesis utiliza los documentos primarios enumerados a continuación y extractos conservados de datos públicos. Las secciones de las fuentes describen recomendaciones; las tablas de ingeniería y los escenarios hipotéticos son traducciones propuestas por el autor para la planificación del estudio, no pruebas de aceptación de proveedores ni capacidades garantizadas de EClinCloud. El denominador de los NIH corresponde a un conjunto de identificadores de solicitudes seleccionado mediante consulta, y la extracción de CDISC incluye únicamente recursos públicos realmente disponibles. La aceptación específica del estudio, la aplicabilidad del formato de datos y la implementación regulatoria deben confirmarse para el ensayo y la jurisdicción previstos.
Para una conversación con EClinCloud, lleve la sinopsis del protocolo, los estimandos candidatos, las reglas intermedias y los flujos de datos planificados. Utilice una adaptación representativa para identificar las responsabilidades estadísticas, de gobernanza y de implementación, y luego confirme el alcance del servicio y la evidencia de respaldo con el proveedor. El resultado útil es un plan documentado para el estudio real, no la suposición de que la etiqueta de un producto o una consulta garantice la aceptación regulatoria.
Fuentes
1. Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) / Consejo Internacional para la Armonización (ICH). E20 Diseños adaptativos para ensayos clínicos: borrador de guía para la industria, Expediente n.º FDA-2025-D-3023, 90 FR 46900, respaldado por la Asamblea del ICH en la Etapa 2 el 25 de junio de 2025; publicado por la FDA el 30 de septiembre de 2025 (36 páginas). Alcance y exclusiones (Sección 1), advertencia sobre inflación no ajustada del tamaño muestral (Sección 2), cinco principios fundamentales, incluidas posibles medidas de confidencialidad (Sección 3), cinco categorías de adaptación, incluidos los datos de exceso/rezago y las recomendaciones de futilidad no vinculantes (Sección 4), recomendaciones de confidencialidad para el IDMC y el grupo estadístico independiente (Sección 5.1), simulaciones de ensayos clínicos con precisión justificada y un informe de simulación estructurado (Sección 5.2), diseños adaptativos bayesianos y el aviso de no armonización de la nota al pie 1 (Sección 5.3), consideraciones sobre aleatorización, suministro de medicamentos y preparación de datos intermedios (Sección 5.6), y listas de verificación de documentación previa al ensayo y para solicitudes de comercialización (Sección 6).
2. Grupo de Trabajo de Expertos (EWG) E20 del Consejo Internacional para la Armonización (ICH). ICH E20, Etapa 2, Presentación introductoria de capacitación: diseños adaptativos para ensayos clínicos (fechada el 25 de junio de 2025; archivo publicado en julio de 2025, 27 diapositivas) y Plan de trabajo del EWG del ICH E20 (12 de febrero / 20 de marzo de 2026, 3 páginas). Dirección del EWG (relator Dr. Gregory Levin, FDA; presidente regulatorio Dr. Christian Roes, CE), períodos regionales de consulta pública, reunión del EWG en Río de Janeiro en junio de 2026 y objetivos del plan de trabajo para la finalización de la Etapa 3/4 en octubre de 2026, los cuales no constituyen evidencia de adopción.
3. Administración de Alimentos y Medicamentos de los Estados Unidos (CDER / CBER / OCE). Uso de la metodología bayesiana en ensayos clínicos de medicamentos y productos biológicos: borrador de guía para la industria, Expediente n.º FDA-2025-D-3217, 91 FR 1190, emitido el 9 de enero de 2026; aviso del Registro Federal publicado el 12 de enero de 2026 (29 páginas). Compromiso de la PDUFA VII; ejemplos en la Sección III (REBYOTA, GBM AGILE, Precision Promise, empagliflozina, linagliptina, EMAS BHM, LEADER liraglutida, Rinvoq Drug Trials Snapshot, CRM, BLRM/EWOC, BOIN, mTPI/mTPI2, BOIN12); criterios bayesianos de éxito Pr(d > a, dados los datos observados) > c y distribuciones a priori de diseño frente a distribuciones a priori de análisis (Sección IV); distribuciones a priori de descuento estáticas frente a dinámicas y tamaño muestral efectivo a priori (ESS) (Sección V); y diagnósticos computacionales apropiados para el método, reproducibilidad y documentación del código (Secciones VII–VIII).
4. Administración de Alimentos y Medicamentos de los Estados Unidos (CDER / CBER). Diseños adaptativos para ensayos clínicos de medicamentos y productos biológicos: Guía para la industria, Guía definitiva, N.º de expediente FDA-2018-D-3124, 84 FR 65983, emitida en noviembre de 2019; aviso del Federal Register publicado el 2 de diciembre de 2019 (37 páginas). Análisis intermedios no comparativos frente a comparativos, métodos de prueba de combinación por etapas (Cui-Hung-Wang, normal inversa), estimación puntual y por intervalos ajustada por sesgo, y expectativas sobre cortafuegos de acceso a los datos.
5. Administración de Alimentos y Medicamentos de los Estados Unidos (CDER / CBER / CDRH / OCP). Uso de comités de monitoreo de datos en ensayos clínicos: Borrador de guía para la industria, Borrador de guía revisado, N.º de expediente FDA-2001-D-0219, 89 FR 10084, publicado el 13 de febrero de 2024 (29 páginas; revisión de la Guía definitiva de marzo de 2006 Establecimiento y funcionamiento de comités de monitoreo de datos de ensayos clínicos). Relaciones con los comités de revisión institucional (IRB), comités directivos, adjudicadores de variables de valoración, monitores de centros clínicos, entidades de revisión de seguridad y comités de adaptación (Sección V); orientación de que los datos intermedios comparativos etiquetados como "Grupo A vs. Grupo B" se consideran desenmascarados (Sección VI.D.1); y autoridad de la FDA para inspeccionar las actas cerradas pertinentes del DMC y los conjuntos de datos intermedios, incluso durante un ensayo en curso, conforme a 21 CFR 312.58 y 21 CFR 812.150(b)(10) (Sección VI.C.4.b).
6. Administración de Alimentos y Medicamentos de los Estados Unidos (CBER). Diseños innovadores para ensayos clínicos de productos de terapia celular y génica en poblaciones pequeñas: Borrador de guía para la industria, N.º de expediente FDA-2025-D-3403, 90 FR 46220, emitido el 24 de septiembre de 2025; aviso del Federal Register publicado el 25 de septiembre de 2025 (10 páginas). Diseños autocontrolados de un solo brazo, modelado de la progresión de la enfermedad, préstamo bayesiano, diseños de ensayos adaptativos (Sección III.D), ensayos con control externo y protocolos maestros en ensayos poco frecuentes de terapia celular y génica (CGT).
7. Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) / Consejo Internacional de Armonización (ICH). E6(R3) Buena Práctica Clínica (GCP): Guía para la industria, N.º de expediente FDA-2023-D-1955, Guía definitiva de la FDA (Principios y Anexo 1) emitida el 8 de septiembre de 2025 (86 páginas), y Directriz consolidada ICH E6(R3) (Principios, Anexo 1 y Anexo 2) (16 de junio de 2026). Gobernanza de datos y enmascaramiento del promotor (Secciones 3.10–3.16), validación del ciclo de vida de los sistemas computarizados, pistas de auditoría, control de acceso basado en roles (RBAC) y preservación del enmascaramiento (Secciones 4.1–4.4), y Registros Esenciales (Apéndice C).
8. Consejo Internacional de Armonización (ICH) / Administración de Alimentos y Medicamentos de los Estados Unidos (FDA). E9(R1) Principios estadísticos para ensayos clínicos: Adenda: Estimandos y análisis de sensibilidad en ensayos clínicos, Etapa 4 del ICH con fecha del 20 de noviembre de 2019 / Guía definitiva de la FDA emitida en mayo de 2021 (22 páginas; complemento de la directriz principal de 1998 ICH E9 Principios estadísticos para ensayos clínicos). Cinco atributos del estimando (Tratamiento, Población, Variable, Eventos intercurrentes, Resumen a nivel poblacional) y estrategias para eventos intercurrentes que respaldan objetivos e interpretación coherentes del ensayo, incluidos los entornos adaptativos.
9. Consejo Internacional de Armonización (ICH) / Administración de Alimentos y Medicamentos de los Estados Unidos (FDA). E8(R1) Consideraciones generales para los estudios clínicos, Etapa 4 del ICH con fecha del 6 de octubre de 2021 / Guía definitiva de la FDA emitida en abril de 2022 (29 páginas). Calidad por diseño (QbD), factores críticos para la calidad (CtQ) y pruebas de estrés de viabilidad operativa de diseños complejos de estudios clínicos.
10. U.S. Food and Drug Administration (CDER / CBER / CDRH / CFSAN / CVM / OCP / ORA). Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers: Guidance for Industry, guía definitiva, expediente n.º FDA-2022-D-2970, emitida en octubre de 2024 (28 páginas). Aplicabilidad de 21 CFR Parte 11, acuerdos con proveedores de servicios en la nube y de TI, segregación de accesos basada en roles entre usuarios cegados y no cegados, revisión de pistas de auditoría antes de los bloqueos intermedios y final de la base de datos, y atribución de firmas electrónicas.
11. Office of the Federal Register, National Archives and Records Administration (NARA) / U.S. Government Publishing Office (GPO). Avisos oficiales de disponibilidad en el Federal Register: 90 FR 46900 (Doc. 2025-18897, 30 de sept. de 2025 — ICH E20); 91 FR 1190 (Doc. 2026-00325, 12 de ene. de 2026 — Metodología bayesiana); 90 FR 46220 (Doc. 2025-18651, 25 de sept. de 2025 — CGT en poblaciones pequeñas); 84 FR 65983 (Doc. 2019-25986, 2 de dic. de 2019 — Diseños adaptativos); y 89 FR 10084 (Doc. 2024-02849, 13 de feb. de 2024 — Comités de Monitoreo de Datos).
12. National Institutes of Health (NIH). Conjunto de datos de solicitudes de proyectos eClinical en NIH RePORTER (“nih_reporter_eclinical”, instantánea 2026-08-23), recuperado mediante la API de NIH RePORTER v2 (https://api.reporter.nih.gov/v2/projects/search). Corpus verificado de 31 consultas de búsqueda eClinical predefinidas de alta señal que arrojaron 5,137 registros sin procesar de la API y 4,876 solicitudes de proyectos únicas deduplicadas (“unique_appl_ids_verified = true”), con tabulación cruzada entre solicitudes de proyectos de EDC/eCRF (1,069), aleatorización/RTSM (854), DMC/DSMB (414), diseño adaptativo (103), enfoque bayesiano (69) y simulación de ensayos (30).
13. CDISC. Catálogo de estándares. Extracción pública con fecha del 31 de julio de 2026: 32 páginas y 54 registros de recursos, que comprenden 25 recursos públicos descargados y 29 paquetes autenticados excluidos. Este índice acotado no es la biblioteca completa de especificaciones.