Is control of type I error rate needed in Bayesian clinical trial designs?

1. O Problema

O artigo aborda a tensão entre a implementação prática de desenhos de ensaios clínicos bayesianos e as exigências das agências reguladoras.

• O Conflito: Embora a metodologia bayesiana ofereça vantagens teóricas (como a flexibilidade de paradas interinas sem penalidade de multiplicidade, baseada no Princípio da Verossimilhança), os reguladores frequentemente exigem que os desenhos bayesianos sejam calibrados para manter uma taxa de erro do Tipo I frequentista abaixo de um limite pré-definido (ex: $\alpha = 0,05$).
• A Inconsistência: Os autores argumentam que essa exigência cria uma "metodologia híbrida" internamente inconsistente. Forçar um desenho bayesiano a obedecer a limites frequentistas de erro do Tipo I anula as principais vantagens do paradigma bayesiano, reintroduzindo o problema da multiplicidade e exigindo ajustes complexos nos parâmetros do modelo (como priors ou thresholds) apenas para satisfazer critérios frequentistas, o que pode reduzir o poder estatístico do teste.
• A Questão Central: É necessário controlar a taxa de erro do Tipo I (frequentista) em desenhos bayesianos? Os autores defendem que a resposta é "não".

2. Metodologia Proposta

Os autores propõem um desenho de ensaio clínico adaptativo de dois braços (superioridade) com resultados dicotômicos, baseado puramente em princípios bayesianos e teoria da decisão, substituindo os critérios frequentistas por probabilidades condicionais bayesianas.

A. Regras de Parada Sequencial

O ensaio utiliza atualizações sequenciais de probabilidades posteriores para decidir entre três ações:

1. Eficácia ($d_e$): Parar e concluir que o tratamento experimental é superior ao controle.
2. Futilidade ($d_f$): Parar e concluir que o tratamento não tem benefício (é inútil).
3. Continuação ($d_c$): Coletar mais dados.

As decisões são baseadas em duas distribuições a priori distintas (ou uma única, se houver consenso):

• $\pi_e$: Priori para os reguladores (foco em evitar falsos positivos).
• $\pi_f$: Priori para investigadores/patrocinadores (foco em evitar falsos negativos/futilidade).

Os critérios de parada são definidos por limiares de probabilidade posterior:

• Parar por eficácia se $P_{\pi_e}(\theta_1 - \theta_0 \le \Delta | D_n) < \epsilon_e$.
• Parar por futilidade se $P_{\pi_f}(\theta_1 - \theta_0 \ge 0 | D_n) < \epsilon_f$.
  (Onde $\theta_1$ e $\theta_0$ são as taxas de sucesso, $\Delta$ é a diferença mínima importante e $\epsilon$ são tolerâncias de erro).

B. Substituição de Critérios de Erro

Em vez de controlar a taxa de erro do Tipo I (frequentista), os autores propõem dois novos critérios operacionais:

1. Probabilidade de Descoberta Falsa (FDP - False Discovery Probability):
   • Definida como a probabilidade condicional de que a conclusão de eficácia seja falsa, dado que a eficácia foi concluída: $P(\theta_1 - \theta_0 \le \Delta | \tau = \tau_e < \infty)$.
   • Teorema Chave: Se a regra de decisão bayesiana for aplicada sistematicamente, a FDP é automaticamente limitada pelo limiar $\epsilon_e$, sem necessidade de simulações pré-ensaios para ajustar parâmetros.
2. Probabilidade de Futilidade Falsa (FFP - False Futility Probability):
   • Análoga à FDP, mas para conclusões de futilidade: $P(\theta_1 - \theta_0 \ge \Delta | \tau = \tau_f < \infty)$.

C. Parada Precoce Inconclusiva (Baseada em Utilidade)

Para evitar que o ensaio continue indefinidamente quando os resultados são inconclusivos e custosos, os autores introduzem uma regra de parada baseada em Teoria da Decisão Bayesiana:

• Define-se uma função de utilidade que pondera ganhos ($G_e, G_f$) e perdas ($L_e, L_f$) das decisões corretas/erradas, além do custo por paciente recrutado.
• Calcula-se a utilidade esperada preditiva de continuar o ensaio versus parar com um resultado inconclusivo.
• Se a utilidade esperada futura for negativa, o ensaio é encerrado precocemente com um resultado inconclusivo ($d_\emptyset$), evitando custos desnecessários.

3. Contribuições Principais

1. Abandono do Erro do Tipo I Frequentista: Propõem a remoção total do controle de erro do Tipo I como requisito para desenhos bayesianos, argumentando que ele viola o Princípio da Verossimilhança e cria híbridos metodológicos ineficientes.
2. Definição de FDP e FFP: Introduzem e formalizam a FDP e a FFP como as métricas operacionais corretas para reguladores e patrocinadores, respectivamente. Demonstram matematicamente que essas métricas são garantidas automaticamente pelas regras de decisão bayesiana.
3. Prioris Diferenciadas: Sugerem o uso de prioris distintas para reguladores (céticos) e investigadores (otimistas), permitindo que cada parte defina seus próprios critérios de risco sem comprometer a integridade do desenho.
4. Integração de Utilidade Econômica: Incorporam custos e benefícios financeiros diretamente na regra de parada, permitindo decisões de "parada por futilidade econômica" mesmo quando a eficácia ou futilidade estatística não foram alcançadas.
5. Crítica às Perspectivas "Calibradas": Criticam a abordagem de "Bayesiano Calibrado" (que tenta ajustar desenhos bayesianos para corresponder a características frequentistas), argumentando que isso reintroduz a multiplicidade e a complexidade desnecessária.

4. Resultados (Ilustrações Numéricas)

Os autores realizaram simulações (Monte Carlo) para ilustrar o comportamento do desenho proposto sob três cenários de verdade:

• (a) Tratamento experimental superior (diferença > $\Delta$).
• (b) Tratamento experimental inferior.
• (c) Tratamento ligeiramente melhor, mas não atingindo a diferença mínima ($\Delta$).

Achados:

• Cenário (a): A probabilidade de concluir eficácia ($d_e$) domina rapidamente, enquanto as probabilidades de futilidade ou inconclusão permanecem baixas.
• Cenário (b): A probabilidade de concluir futilidade ($d_f$) domina, encerrando o ensaio cedo.
• Cenário (c): A probabilidade de parada inconclusiva ($d_\emptyset$) domina.
• Impacto da Parada Inconclusiva: A inclusão da regra de parada baseada em utilidade (Seção 4) mostrou-se crucial no Cenário (c). Sem ela, muitos ensaios atingiriam o tamanho máximo ($N_{max}$) incorrendo em custos máximos sem conclusão. Com a regra, o ensaio para cedo quando a utilidade esperada de continuar se torna negativa, preservando recursos.
• Eficiência: O desenho evita a necessidade de simulações extensas pré-ensaios para calibrar o erro do Tipo I, pois o controle de erro é intrínseco à regra de decisão.

5. Significado e Conclusão

O artigo oferece um argumento robusto e teoricamente consistente para a adoção de desenhos de ensaios clínicos puramente bayesianos, desafiando o status quo regulatório.

• Mudança de Paradigma: Os autores defendem que a comunidade regulatória deve aceitar critérios de erro baseados em probabilidade condicional (FDP/FFP) em vez de taxas de erro frequentistas.
• Viabilidade Prática: O método elimina a necessidade de ajustes complexos e simulações pesadas para "provar" que o erro do Tipo I está sob controle, simplificando o processo de aprovação e execução.
• Tomada de Decisão: Ao integrar utilidade econômica e probabilidades diretas, o desenho alinha-se melhor com os objetivos reais de desenvolvimento de fármacos (maximizar ganhos e minimizar perdas), em vez de apenas testar hipóteses nulas.
• Conclusão Final: A resposta à pergunta do título é um "Não". O controle do erro do Tipo I frequentista não é necessário e é, na verdade, prejudicial para a integridade e eficiência dos desenhos bayesianos. A calibração deve ser feita através da seleção apropriada de prioris e limiares de probabilidade posterior, respeitando o Princípio da Verossimilhança.