NoticiasFuente: EClinCloud

Nuevas tecnologías de evaluación de escalas en la investigación clínica psiquiátrica y psicológica: análisis de datos enmascarados

8 min de lecturaEquipo editorial de EClinCloud
Imagen del artículo

Fuente: EClinCloud. Autor: eClinCloud.


Haga clic en el texto en azul de arriba para seguirnos

Imagen del artículo



Del 24 al 27 de agosto de 2021 se celebró con éxito la "Serie de capacitaciones para la mejora de técnicas y capacidades en investigación clínica de trastornos psiquiátricos y psicológicos". El Dr. Qin Long, director ejecutivo (CEO) de EClinCloud, fue invitado a impartir una ponencia temática titulada "Nuevas tecnologías de evaluación de escalas en la investigación clínica psiquiátrica y psicológica". Presentó de forma integral tres nuevas tecnologías actuales en materia de evaluación de escalas, que son eCOA, capacitación de evaluadores y análisis de datos enmascarados, y compartió casos que demuestran cómo estas nuevas tecnologías contribuyen a la investigación clínica.


Presentaremos estas tres nuevas tecnologías en tres artículos independientes; en esta entrega abordamos la tercera parte: el análisis de datos enmascarados.



Imagen del artículo



¿Qué es el BDA?


El análisis de datos enmascarados (Blinded Data Analytics, BDA) es una nueva tecnología de análisis de datos que, en condición de enmascaramiento y mediante métodos de monitoreo estadístico centralizado, permite identificar y corregir oportunamente problemas de calidad de datos que puedan afectar las variables de valoración del estudio. Por su parte, el monitoreo basado en riesgos (Risk-Based Monitoring, RBM) abarca todo el proceso de la investigación clínica; desde la perspectiva de los datos, el BDA debe considerarse un complemento del RBM, ya que se centra exclusivamente en la calidad de los datos de las variables de valoración clínica.



Factores que provocan problemas de calidad de los datos


En los ensayos clínicos, la calidad de los datos puede verse comprometida en diversos aspectos. Múltiples factores pueden dar lugar a problemas de calidad de los datos.


Factores subjetivos
Muchas de las escalas utilizadas como variable de valoración principal en los ensayos clínicos se basan en el diagnóstico subjetivo del evaluador, cuya precisión influye en la calidad de los datos; en segundo lugar, influye si la inclusión de los sujetos se realiza estrictamente conforme a los criterios de inclusión; así como las desviaciones en la medición de resultados. Aunque cada una sea una pequeña desviación, al acumularse pueden llegar a provocar una gran desviación en los resultados.

Inestabilidad de los síntomas
Los cambios a largo plazo de los síntomas; las variaciones diurnas y nocturnas, ya que en ocasiones los datos difieren entre el día y la noche; y los cambios ambientales, que también pueden provocar diferencias en los síntomas. Todos estos factores contribuyen a la inestabilidad final de los datos.

Diferencias regionales
Las diferencias en la región donde se encuentran los sujetos también pueden provocar variaciones significativas en los datos.

Sesgo
Los evaluadores y los sujetos pueden introducir, durante el desarrollo del ensayo clínico, sesgos en la evaluación de la eficacia y la seguridad, en el reclutamiento selectivo o en la definición de las poblaciones de análisis, llegando incluso a afectar la exactitud de los resultados del ensayo clínico.

Diseño del estudio
Las diferencias en el tamaño y el grado de complejidad del ensayo, así como las variaciones en la aleatorización y el enmascaramiento, constituyen también factores que influyen en la calidad de los datos.

Imagen del artículo

La figura superior muestra las conclusiones de un proyecto real. En este ensayo, existió una gran diferencia entre la puntuación promedio de los centros de investigación enmascarados respecto a los criterios de aleatorización (línea roja en la figura) y la puntuación promedio de los centros de investigación no enmascarados respecto a dichos criterios (línea azul en la figura). Por lo tanto, según cada proyecto, al diseñar el estudio se debe considerar cuidadosamente si se llevará a cabo el ensayo aplicando criterios de aleatorización enmascarados. 

Falsificación intencional de datos
La falsificación intencional de datos suele ser el factor menos frecuente. En el pasado este factor podía presentarse con mayor frecuencia, pero en la actualidad, con una mayor conciencia general, una supervisión regulatoria cada vez más estricta y una mayor disponibilidad de herramientas, los ensayos clínicos se han vuelto cada vez más rigurosos y estandarizados, y la probabilidad de falsificación es cada vez menor.


Casos reales


Todos los médicos especialistas en enfermedad de Parkinson saben que esta suele comenzar de forma unilateral, afectando únicamente un lado del cuerpo. Con el paso del tiempo, la enfermedad evoluciona hacia una afectación bilateral, comprometiendo ambos lados del cuerpo; en esa etapa, un lado suele verse más gravemente afectado que el otro, lo cual constituye una característica propia de la enfermedad de Parkinson.

Imagen del artículo

La figura anterior muestra los resultados de puntuación de una escala estándar de evaluación de la enfermedad de Parkinson. El gráfico presenta la puntuación media de las distintas visitas, es decir, la puntuación media tras sumar el lado izquierdo y el lado derecho, y cada línea representa a un paciente. A simple vista no se observa ningún problema en el gráfico y el análisis de la puntuación total tampoco detectó ninguna anomalía.

Imagen del artículo

Sin embargo, si dejamos de observar únicamente la puntuación UPDRS de manera simple y desglosamos las puntuaciones para analizarlas desde otra perspectiva —es decir, observando los cambios en los datos del lado izquierdo y del lado derecho—, es posible identificar dónde radica el problema. Por ejemplo, esta línea de color verde claro (señalada por la flecha roja en la figura) fluctúa hacia arriba y hacia abajo, mostrando síntomas que son más graves ora en el lado izquierdo, ora en el lado derecho; desde el punto de vista de los propios síntomas, se trata de datos problemáticos, ya que sabemos que en la enfermedad de Parkinson un lado permanece más gravemente afectado que el otro de forma sostenida. Este tipo de problemas en los datos no se detecta simplemente desde un único plano; es necesario cambiar el método de análisis para poder descubrir estos problemas de datos ocultos.


Imagen del artículo

En los pacientes con enfermedad de Parkinson, tras tomar la medicación, existe un período durante el cual el fármaco hace efecto y los síntomas se alivian, denominado ON time. Una vez que pasa el efecto del medicamento, el período en el que reaparecen los síntomas se denomina OFF time. Después de tomar la medicación, los síntomas del paciente con enfermedad de Parkinson se alivian durante un tiempo; cuando pasa el efecto, vuelven a su estado previo, por lo que debe volver a tomar la medicación y experimentar un nuevo alivio; todos los pacientes pasan por este proceso.

Imagen del artículo

Al observar los datos de los dos pacientes de la figura anterior a partir de esta característica, los datos de puntuación del paciente 1 (amarillo) aumentan repentinamente en la visita 2 y vuelven a ser repentinamente muy bajos en la visita 3, mientras que los datos de puntuación del paciente 2 (negro) son relativamente estables. 

¿Qué provocó un cambio tan grande en los datos de puntuación? La causa más probable es que no se siguió estrictamente el protocolo y que el momento de la evaluación fue inconsistente. En la visita 2, la puntuación muy alta pudo deberse a que el paciente ya se encontraba en OFF time y no en ON time. Por lo tanto, al no seleccionar el período adecuado, los datos fluctuaron hacia arriba y hacia abajo, generando inestabilidad en los datos de resultados. Posteriormente, el centro de investigación reveló que, efectivamente, se debió a que el evaluador no realizó la evaluación según el tiempo transcurrido desde la toma de la medicación del paciente, sino cuando tenía disponibilidad. Y cuando el evaluador tenía disponibilidad, a veces el efecto del fármaco ya había pasado y otras veces aún estaba vigente, por lo que, naturalmente, los resultados fluctuaban hacia arriba y hacia abajo.


La función de BDA


En los ensayos clínicos, la calidad de los datos es la base para evaluar los resultados del ensayo clínico, y contar con datos veraces y fiables es fundamental para la comercialización de los medicamentos. Por ello, es imprescindible detectar de forma temprana los problemas de calidad de los datos, de modo que puedan corregirse oportunamente y garantizar la calidad de los datos.


Mediante la definición de una serie de algoritmos inteligentes, examinamos los datos del estudio desde distintas dimensiones —nivel de evaluador, nivel de centro de investigación, nivel de país, nivel regional y nivel de estudio— para identificar casi en tiempo real los posibles problemas en los datos. Por ello, los algoritmos son fundamentales: además de dominar la estadística, es necesario combinar la práctica clínica, la patología y las escalas de evaluación para configurar adecuadamente dichos algoritmos. Una vez detectado el problema, se lleva a cabo una intervención para corregirlo con el método adecuado. Al mismo tiempo, mediante el análisis de tendencias, se logra el objetivo de prevención. Por último, es posible seleccionar a los evaluadores o centros de investigación que han tenido un desempeño bueno o deficiente en su historial, por ejemplo, permitiendo conocer qué evaluadores son mejores y qué centros de investigación tienen mayor calidad.


Detectar problemas de datos en los ensayos clínicos mediante BDA

Adoptar medidas correctivas de forma oportuna

Ayudarnos a optimizar los datos de las variables de valoración clínicas

Minimizar el sesgo en la mayor medida posible

Aumentar la consistencia y la validez de los resultados


Imagen del artículo


EClinCloud

EClinCloud ofrece tratamientos eficaces a los pacientes mediante innovadoras soluciones inteligentes remotas "centradas en el paciente". Ofrecemos una plataforma en la nube integrada y unificada (que incluye soluciones como CTMS, EDC, eTMF, eCOA, eConsent y RTSM, así como servicios de consultoría en gestión de escalas, validación lingüística y diseño de estudios, entre otros) y tecnologías de evaluación de variables de valoración en ensayos clínicos para distintas áreas terapéuticas (oncología, neurología, cardiología, neumología, dermatología, entre otras), combinando tecnología de vanguardia con datos de ciencias de la vida para construir una plataforma SaaS en la nube líder a nivel mundial de soporte de evidencia clínica "centrada en el paciente", ayudando a empresas farmacéuticas e instituciones de investigación nacionales e internacionales a mejorar la eficiencia de I+D y acelerar la comercialización de medicamentos/dispositivos médicos, en beneficio de innumerables pacientes.
Imagen del artículo


Leer el artículo original en WeChat

Lecturas relacionadas

Imagen de WeChat_2026-11-11_150855_109.pngNoticias8 min de lecturaDía Mundial de la EPOC | Hablemos de la evaluación por imagen en la investigación clínica de la EPOC13-15 de noviembre. 18 de noviembre de 2026, el mundo celebra el 25º Día Mundial de la EPOC (World COPD Day); el tema de este año es Early Diagnosis and Management for a Better Life (diagnóstico y tratamiento tempranos para una vida mejor). La enfermedad pulmonar obstructiva crónica (EPOC) es una enfermedad prevenible y tratable que se caracteriza por una limitación persistente del flujo aéreo; la EPOC está estrechamente relacionada con la bronquitis crónica y el enfisema [1]. Anteriormente, hemos realizado una divulgación científica sobre las escalas para la EPOC,2026年10月29日一临云与腾讯云战略合作签约仪式合影Noticias5 min de lecturaEClinCloud se alía con Tencent Health para desarrollar conjuntamente un sistema de capacidades de IA para la investigación clínicaEn el Tencent Global Digital Ecosystem Summit 2026, EClinCloud alcanzó una cooperación estratégica con Tencent Health para integrar herramientas de agentes inteligentes empresariales como WorkBuddy de Tencent con la plataforma integral inteligente en la nube para estudios clínicos de EClinCloud y desarrollar conjuntamente un sistema de capacidades de IA orientado a la investigación clínica.Ilustración del artículoNoticias11 min de lecturaAnálisis retrospectivo del ensayo global de fase III de furmonertinib, un producto de diez mil millones: el reto de la consistencia en la evaluación de variables de valoraciónEl 6 de octubre, Allist anunció que su producto principal, furmonertinib, no alcanzó la variable de valoración principal del estudio en el ensayo clínico global pivotal de fase III FURVENT. Fuente de la imagen: sitio web oficial de Allist Tras conocerse la noticia, la reacción del mercado fue de notable sorpresa: se trata de un fármaco innovador desarrollado en China, ya aprobado para su comercialización en ese país, con una contribución acumulada que supera los diez mil millones en el mercado nacional, múltiples indicaciones y que recibió anteriormente la designación de terapia innovadora por parte de la FDA de EE. UU.[1]. Vale la pena analizar en detalle qué ocurrió detrás de este resultado. 01 Análisis retrospectivo del ensayo FURVENT FURVENT es un estudio global, pivotal, de tres brazos de fase III