Inferencia bayesiana para estudios con muestra pequeña

No necesariamente: con una muestra pequeña, un resultado no significativo puede indicar falta de potencia para detectar un efecto compatible con la hipótesis clínica, no necesariamente ausencia de efecto. Aplica a enfermedades raras, estudios piloto, subgrupos y series cortas, donde reunir una muestra grande no es una opción y el análisis frecuentista se queda sin capacidad para concluir. Un p-valor no significativo en ese contexto se confunde a menudo con "no funciona", cuando a menudo lo que indica es que los datos no permiten distinguir con precisión entre ausencia de efecto, efecto pequeño o efecto clínicamente relevante. El enfoque bayesiano cambia la pregunta: en lugar de contrastar contra la hipótesis nula con una potencia que no se tiene, cuantifica qué es probable a la luz de los datos disponibles y del conocimiento previo, y reporta la incertidumbre en vez de devolver un veredicto binario. Permite expresar qué conclusiones son compatibles con los datos y con el conocimiento previo, y con cuánta incertidumbre.

Conviene un análisis bayesiano cuando la muestra es intrínsecamente pequeña, cuando existe conocimiento previo valioso que sería un error descartar, o cuando interesa expresar el resultado como una probabilidad directa sobre la hipótesis. El análisis frecuentista sigue siendo adecuado cuando hay tamaño muestral suficiente y no se quiere o no se puede incorporar información previa. No es una cuestión ideológica ni de que un enfoque sea superior: son herramientas con supuestos distintos. En enfermedades raras, pilotos o subgrupos, el enfoque bayesiano puede encajar especialmente bien con el tamaño real del estudio porque permite combinar datos limitados con información previa explícita, sin necesitar una muestra que el problema no permite alcanzar. Pero conviene ser honesto sobre el límite: si no existe información previa defendible y los datos son extremadamente escasos, el análisis bayesiano no crea información nueva: hará explícita la incertidumbre, pero no convertirá una muestra insuficiente en evidencia concluyente. La elección se justifica por la naturaleza del problema y de los datos, y esa justificación forma parte del trabajo.

El prior no se asume en secreto: se construye a partir de fuentes explícitas, se documenta y se somete a un análisis de sensibilidad que muestra cómo cambiaría la conclusión con priors distintos. Aplica a todo análisis bayesiano, donde la objeción habitual es que la información previa puede dominar o condicionar demasiado el resultado. La respuesta metodológica es la trazabilidad: cada prior se especifica a partir de evidencia publicada, datos históricos o conocimiento experto estructurado, dejando registrado de dónde sale. Cuando no hay base para informarlo, se usan priors débilmente informativos por defecto y se documenta esa elección. También se revisa si el prior está en la misma escala que el parámetro del modelo y si su grado de información es coherente con la evidencia disponible. Y, sobre todo, el análisis de sensibilidad al prior comprueba si la conclusión se sostiene con supuestos más y menos informativos: si depende fuertemente del prior, eso se reporta, no se esconde. Un prior justificado, documentado y sometido a sensibilidad es una suposición explícita y evaluable, no una decisión oculta.

Se necesitan los datos del estudio y, cuando exista, la información previa que pueda informar los priors: estudios anteriores, registros o criterio experto estructurado. El reparto es claro: el cliente recoge el dato y aporta o valida el conocimiento previo experto, que es quien conoce la literatura y el contexto clínico; el servicio especifica el modelo, construye y justifica los priors, estima, diagnostica e interpreta. No es imprescindible que exista información previa abundante: cuando no la hay, se trabaja con priors débilmente informativos, y el análisis puede seguir siendo válido, pero sus conclusiones dependerán más de los datos observados y la incertidumbre será mayor. Lo que sí conviene es reunir y valorar de forma honesta qué se sabe ya del problema, porque desaprovechar conocimiento defendible en un contexto de muestra pequeña reduce una de las principales ventajas del enfoque bayesiano. Esa fase de reunir y justificar la evidencia previa es parte del análisis, no un preliminar.

Un intervalo de credibilidad del 95 % puede interpretarse como que, dado el modelo, los datos y el prior especificado, hay un 95 % de probabilidad posterior de que el parámetro esté dentro de ese rango. Aplica a cualquier resultado bayesiano y es una de sus ventajas de comunicación. La diferencia con el intervalo de confianza frecuentista es real y a menudo malentendida: el intervalo de confianza no permite afirmar que hay un 95 % de probabilidad de que el parámetro esté dentro (esa es una lectura incorrecta muy extendida), mientras que el intervalo de credibilidad sí admite esa interpretación directa. Esto hace que el resultado sea más fácil de comunicar a un público clínico, porque responde de forma más directa a la pregunta clínica: qué valores del efecto son plausibles después de combinar datos y conocimiento previo. Además, permite expresar la probabilidad de que el efecto supere un umbral clínicamente relevante, no solo de que sea distinto de cero, que suele ser la pregunta clínica real.

Un análisis bayesiano es más defendible cuando se verifica la convergencia del muestreo, la adecuación del modelo y la sensibilidad de las conclusiones a los priors, no por la elegancia del resultado. Aplica a todo modelo bayesiano estimado por muestreo, donde una estimación sin diagnóstico no es de fiar por buena que parezca. La convergencia se comprueba con diagnósticos como el R-hat, el tamaño muestral efectivo y la inspección de las trazas del muestreo, que ayudan a detectar si el muestreo ha explorado de forma suficiente la distribución posterior. A esto se añaden comprobaciones predictivas que contrastan si el modelo reproduce características de los datos observados. Si el modelo es demasiado complejo para los datos disponibles, se simplifica o se reformula en lugar de interpretar una posterior inestable. Todo el proceso se documenta, de modo que el resultado sea reproducible y auditable. La cuantificación de la incertidumbre se reporta tal cual es: con pocos datos, la distribución posterior es ancha, y esa anchura se muestra en lugar de esconderse, porque es información honesta sobre lo que el estudio permite afirmar.

No. Este servicio se centra en el análisis bayesiano de estudios con muestra pequeña y en la incorporación justificada de conocimiento previo; no cubre los diseños adaptativos (análisis interinos, reglas de parada o asignación adaptativa), que son un ámbito distinto. Aplica precisar este límite porque el bayesiano se asocia con frecuencia a esos diseños, sobre todo en el terreno de los ensayos clínicos. La razón del límite es de alcance: los diseños adaptativos, especialmente cuando incluyen análisis interinos o reglas de parada, requieren una planificación de ensayo y una gobernanza metodológica distinta, una frontera que ADI mantiene con claridad. Lo que sí entra es el análisis de datos de un estudio piloto o de enfermedad rara ya recogidos, o el planteamiento del modelo bayesiano para ellos. Si la necesidad es el diseño adaptativo de un ensayo, queda fuera de este servicio; si es sacar conclusiones bayesianas defendibles de una muestra pequeña, encaja con el objeto de este servicio.

Se entrega el análisis bayesiano acordado para la pregunta del estudio, interpretado y documentado: la estimación con sus intervalos de credibilidad, las probabilidades directas sobre las hipótesis clínicas, los diagnósticos de convergencia, el análisis de sensibilidad al prior y los gráficos de distribución posterior que hacen el resultado legible para un público clínico. Aplica a quien necesita un resultado defendible para una publicación o para informar una decisión clínica o de investigación con datos limitados. Se incluye la redacción de la sección de métodos bayesianos conforme a las guías de reporte aplicables cuando existan para el diseño y el contexto del estudio, de modo que el análisis llegue preparado para integrarse en el manuscrito. Todo el proceso (modelo, priors, diagnósticos) queda documentado para que sea reproducible y auditable. El reparto se mantiene: el equipo investigador firma y dirige la publicación; el servicio aporta el análisis, su interpretación y la justificación metodológica que lo sostiene.