Efficient Response-Adaptive Randomization for Multi-arm Trials with Prioritized Composite Endpoints

Resumen Técnico: Aleatorización Adaptativa de Respuesta Eficiente para Ensayos de Múltiples Brazos con Endpoints Compuestos Priorizados

Planteamiento del Problema
Los diseños existentes de aleatorización adaptativa de respuesta (RAR), incluyendo el diseño de aleatorización adaptativa eficiente (ERAD) de Hu et al. [2009] y su extensión para múltiples brazos por Alkhnefr et al. [2025], están limitados a apuntar a proporciones de asignación basadas en una respuesta de un solo brazo, escalar o de baja dimensión. Sin embargo, los ensayos clínicos confirmatorios dependen cada vez más de endpoints compuestos priorizados (por ejemplo, eficacia seguida de seguridad) que no pueden reducirse a un solo resumen sin pérdida de información. Los reguladores requieren que los tratamientos demuestren una eficacia favorable sin una toxicidad inaceptable, lo cual se formaliza a menudo como endpoints co-primarios o primario-y-secundario clave. Los métodos actuales de RAR que responden únicamente a un endpoint principal descartan información crítica sobre las compensaciones (trade-offs) que los reguladores y clínicos priorizan. Además, ningún diseño de RAR existente apunta a una asignación impulsada conjuntamente por varios endpoints priorizados, posiblemente censurados, de tipos mixtos (por ejemplo, tiempo hasta el evento y binario).

Metodología
El artículo extiende el diseño de aleatorización adaptativa eficiente para apuntar al beneficio neto del tratamiento derivado de comparaciones pareadas generalizadas (Buyse [2010]) a través de una jerarquía de endpoints priorizados.

1. Marco de Trabajo:

   • Considere un ensayo con $K$ brazos y $L$ endpoints priorizados ($1 \succ 2 \succ \dots \succ L$) de tipos mixtos (por ejemplo, tiempo hasta el evento censurado, binario).
   • Para cualquier par de pacientes de diferentes brazos, se realiza una comparación lexicográfica: se compara el primer endpoint; si hay un empate o no es informativo (censurado), la comparación procede al siguiente endpoint.
   • El resultado es una puntuación $h \in \{-1, 0, 1\}$. El beneficio neto del tratamiento $\Delta_{jk}$ entre el brazo $j$ y el $k$ es la esperanza $E\{h(\xi_{1,j}, \xi_{1,k})\}$.
   • El estimador $\hat{\Delta}_{m,jk}$ es un estadístico U de dos muestras computado sobre pacientes acumulados secuencialmente.

2. Algoritmo de Diseño:

   • La proporción de asignación objetivo $\rho(\cdot)$ es una función suave del vector de beneficios netos pareados estimados $\hat{\Delta}_m$.
   • La regla de asignación sigue la estructura ERAD multibras (Alkhnefr et al. [2025]): los pacientes son asignados al brazo $k$ con una probabilidad determinada por la estimación actual $\hat{\rho}_m = \rho(\hat{\Delta}_m)$, ajustada por un mecanismo de moneda sesgada para asegurar que la proporción de asignación siga el objetivo.
   • El diseño acomoda respuestas retardadas tratando los endpoints no constatados como censurados dentro de la jerarquía de comparación, cascando hacia endpoints de menor prioridad.

3. Desarrollo Teórico:

   • Representación de Bahadur Generalizada: Dado que $\hat{\Delta}_m$ es un estadístico U evaluado sobre tamaños de muestra dependientes del diseño (no un simple promedio de términos i.i.d.), la representación de Bahadur estándar no es aplicable. El autor establece una proyección de Hájek secuencial para el beneficio neto bajo muestreo adaptativo. Esta representación expresa el error de estimación como una suma de diferencias de martingala más un resto despreciable.
   • Técnicas de Martingala: La demostración de las propiedades asintóticas combina esta proyección secuencial con las técnicas de martingala utilizadas en las demostraciones originales de ERAD. La acotación del núcleo de comparación $h$ simplifica las desigualdades de maximalidad requeridas.

Contribuciones Clave

1. Extensión de ERAD: El diseño se generaliza de objetivos de respuesta única a objetivos impulsados por comparaciones pareadas generalizadas para cualquier número de brazos y cualquier colección finita y ordenada de endpoints de tipos mixtos.
2. Teoría Asintótica: El artículo establece consistencia fuerte, una ley del logaritmo del iterado y normalidad asintótica para las proporciones de asignación. Crucialmente, demuestra que el diseño alcanza el límite de eficiencia semiparamétrica para la varianza de la proporción de asignación dentro de la clase de diseños que rastrean una función suave del beneficio neto.
   • Nota sobre la Eficiencia: El autor establece explícicamente que esta es una afirmación "genuinamente diferente y más débil" que la consecución clásica de Cramér–Rao de los ERAD paramétricos. Debido a que el beneficio neto es un funcional basado en rangos y libre de distribución (estadístico U) en lugar de un parámetro paramétrico de dimensión finita, no existe información de Fisher; por lo tanto, la optimalidad se define en relación con la eficiencia semiparamétrica del estimador del estadístico U.
3. Manejo de Retrasos: El marco acomoda formalmente la constatación de respuesta retardada (por ejemplo, revisión radiológica pendiente) integrándola en el mecanismo de cascada de censura existente de la comparación pareada, sin requerir maquinaria separada.

Resultados
El diseño fue evaluado mediante simulación calibrada a un ensayo de Fase III de melanoma (COLUMBUS).

• Eficiencia de Asignación: En escenarios con un tratamiento superior, el diseño propuesto concentró la asignación en el brazo superior de manera más eficiente (46.4% frente a 37.0% para diseños de solo tasa de respuesta) manteniendo la tasa de error Tipo I nominal (aprox. 5%).
• Potencia y Toxicidad: El diseño logró una potencia estadística ligeramente mayor en escenarios de separación moderada y redujo la carga esperada de toxicidad (discontinuación del tratamiento) en comparación con los diseños impulsados por un solo endpoint.
• Robustez: Los análisis de sensibilidad confirmaron que el desempeño del diseño es robusto a variaciones en la duración del seguimiento, supuestos distribucionales (Weibull vs. log-normal) y estructuras de correlación de pacientes. El diseño también se mantuvo efectivo bajo tasas variables de reclutamiento de pacientes y constatación de respuesta retardada, consistente con la tasa de convergencia teórica $o_P(m^{-1/2})$.
• Aplicación de Rediseño: Un rediseño post-hoc del ensayo COLUMBUS demostró que el diseño propuesto habría asignado más pacientes a la terapia combinada superior y menos a la monoterapia menos favorable, con una reducción modesta de los eventos adversos, sin comprometer la validez estadística.

Significado y Reivindicaciones
El artículo afirma abordar una necesidad práctica en ensayos confirmatorios donde los diseños adaptativos de un solo endpoint no reflejan las compensaciones complejas (eficacia vs. seguridad) requeridas por los reguladores. Al extender el diseño de aleatorización adaptativa eficiente a endpoints compuestos priorizados, el método permite que más pacientes reciban tratamientos superiores mientras se preserva la validez de la inferencia.

El autor es modesto en sus afirmaciones teóricas, reconociendo que el límite de eficiencia es semiparamétrico (relativo a la clase de funciones suaves del beneficio neto) en lugar del límite paramétrico de Cramér–Rao. Señala que el diseño no posee inherentemente mayor potencia que los diseños que apuntan a diferentes funciones de asignación, sino que logra la menor varianza para un objetivo dado. El trabajo se posiciona como un paso hacia diseños adaptativos más clínicamente relevantes que se alineen con las expectativas regulatorias para endpoints compuestos, dejando abiertas preguntas sobre hipótesis de no inferioridad, ajustes de covariables y, potencialmente, funcionales más complejos de la distribución multivariante de la respuesta.