Los próximos pasos podrían incluir hacer un análisis para determinar hasta qué punto la adición de las características patrocinador del ensayo y número de participantes están contribuyendo a mejorar el rendimiento (en algunas métricas) en comparación con otros factores, como la elección del modelo y las técnicas de integración. Intuitivamente, parece que estas características podrían mejorar el rendimiento predictivo, ya que ciertos patrocinadores históricamente se han desempeñado mejor que otros, y también se podría esperar una relación entre el tamaño del ensayo y el resultado.
Ahora quizás te preguntes: “¿Cuál es la utilidad de un modelo tan predictivo? ¿No podemos confiar en un modelo así y renunciar a realizar la prueba? Y tiene razón (aunque algunas empresas están creando gemelos digitales de pacientes con el objetivo de realizar ensayos de forma virtual). Un modelo como el presentado en esta serie podría usarse, por ejemplo, para mejorar el análisis de potencia de los ensayos clínicos, una práctica estadística relacionada. Se utiliza un análisis de poder para determinar el número óptimo de participantes para inscribir en un ensayo específico, y para realizar dicho análisis se debe hacer una suposición sólida sobre el efecto del tratamiento. Un modelo predictivo que utilice información del ensayo, como la estructura de la molécula del fármaco, la indicación de la enfermedad y los criterios de elegibilidad del ensayo, como el modelo que implementamos aquí, puede ayudar potencialmente a crear un análisis de poder más preciso.