En la era del big data, priorizar la significación estadística en el diseño de estudios

“Diseño experimental”: estas palabras se refieren a una sección de un trabajo de investigación que muchos lectores pueden verse tentados a examinar de pasada, antes de pasar a los resultados reales. Pero estudiar en naturaleza Esta semana debería hacer que todos los investigadores, tanto lectores como redactores de artículos, piensen en profundizar un poco más en los métodos que forman parte del proceso científico.

Lea el artículo: Las características del diseño del estudio aumentan la reproducibilidad en los estudios de asociación a nivel cerebral

El estudio, realizado por Simon Vandekar, bioestadístico del Centro Médico de la Universidad de Vanderbilt en Nashville, Tennessee, trata sobre cómo hacer que los estudios de asociación cerebral (BWAS) sean más sólidos (su. kang et al. naturaleza https://doi.org/10.1038/s41586-024-08260-9; 2024). La idea básica de BWAS es estudiar conjuntos de imágenes cerebrales utilizando herramientas estadísticas y algoritmos de aprendizaje automático. Su objetivo es predecir características cerebrales específicas o patrones de actividad asociados con rasgos o comportamientos, por ejemplo, la capacidad de pensar de forma abstracta o la tendencia a experimentar ciertas emociones negativas.

Pero los BWAS padecen el conocido y persistente problema de la baja reproducibilidad: dos estudios sobre el mismo tema llegan a conclusiones diferentes. Una gran parte del problema es que algunos estudios BWAS necesitan una gran cantidad de muestras para reflejar con precisión los efectos. Los tamaños de muestra pequeños pueden exagerar la relación entre un rasgo cerebral particular y un comportamiento o rasgo. En el campo similar de los estudios de asociación de todo el genoma, que buscan vincular variaciones en el ADN con rasgos de salud o enfermedad, el problema de la falta de confiabilidad se supera combinando conjuntos de datos con decenas de miles de muestras de participantes. Sin embargo, en el caso del cerebro es más difícil, especialmente para investigadores fuera de Europa y Estados Unidos. El coste de una hora de exploración con una máquina de resonancia molecular (MRI) es de unos 1.000 dólares. Los Institutos Nacionales de Salud de Estados Unidos distribuyen alrededor de 2.000 millones de dólares cada año para la investigación de neuroimagen, pero pocos países tienen este nivel de recursos.

Vandekar y sus colegas sugieren que centrarse en la calidad, no en la cantidad, podría ser una respuesta. Analizaron más de 100.000 imágenes de resonancia magnética de adultos y niños sanos, así como imágenes de niños con enfermedades mentales.

Consejos de diseño para estudios replicables que vinculen el cerebro con el comportamiento

Su objetivo era explorar cómo factores como la edad, el género, la función cognitiva y la salud mental se relacionan con la estructura y función del cerebro en diversos diseños de estudio. Por ejemplo, un estudio exploró cómo cambia el tamaño del cerebro con la edad. Vandekar y sus colegas descubrieron que, en comparación con exploraciones únicas de varias personas (estudios transversales), las exploraciones por resonancia magnética repetidas de las mismas personas a lo largo del tiempo arrojaron resultados más sólidos (ver RJ Chauvin y NUF Dosenbach naturaleza https://doi.org/10.1038/d41586-024-03650-5; 2024).

Estos estudios longitudinales han demostrado desde hace tiempo su valor en áreas de la ciencia como la identificación de biomarcadores de enfermedades crónicas o degenerativas (Y. Guo et al. Naturaleza envejecida 4247-260; 2024). Aunque no funcionan para algunos de los tipos de preguntas necesarias en los estudios transversales, los estudios longitudinales son buenos para descartar factores irrelevantes que parecen estar involucrados durante los estudios transversales pequeños.

Sin embargo, hay salvedades: los investigadores que realizan estudios longitudinales, por ejemplo, deben tener cuidado de dejar espacios lo suficientemente largos entre las mediciones en cualquier individuo si quieren capturar diferencias significativas y estadísticamente significativas a lo largo del tiempo. Vandekar y sus colegas también enfatizan que los investigadores deben tener en cuenta los cambios que ocurren en los individuos a lo largo del tiempo, así como las diferencias entre individuos.

Toda investigación necesita planificación. Para BWAS, seleccionar a los participantes de una manera que produzca resultados sólidos y utilizar modelos estadísticos correctos puede mejorar la confiabilidad de los resultados sin requerir automáticamente tamaños de muestra grandes. Los beneficios del rigor estadístico, a su vez, resaltan la necesidad de una mayor colaboración entre estadísticos y neurocientíficos, ya que utilizan métodos más sofisticados para manejar datos en sus investigaciones. Estos hallazgos serán valiosos para la comunidad de neurociencia y merecen una atención más amplia.

Muchos campos de la ciencia están inmersos en descubrimientos basados ​​en datos, cada vez más ayudados por las capacidades de búsqueda de patrones de los algoritmos de inteligencia artificial. Al hacerlo, las cuestiones de correlación y causalidad, y de garantizar que los resultados sean estadísticamente significativos y replicables, se vuelven más importantes que nunca. Esto significa que los investigadores no deben fluctuar en el diseño experimental, ya sea que estén leyendo un artículo de investigación o escribiéndolo.

Prestar mayor atención a los métodos de investigación y a cómo un estudio obtiene una indicación de su impacto es la manera de garantizar que los resultados resistan la prueba del tiempo.