Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria

Resumo Técnico: Produção de Hierarquias de Tratamento em Metanálise em Rede Utilizando Modelos Probabilísticos e Critérios de Escolha de Tratamento

Definição do Problema
A metanálise em rede (NMA) gera efeitos relativos de tratamento entre múltiplas intervenções, mas interpretar esses resultados para estabelecer uma hierarquia de tratamento permanece um desafio. Métricas de classificação existentes, como a probabilidade de um tratamento ser o melhor ($p_{BIV}$), P-scores e SUCRA, frequentemente carecem de interpretabilidade clara e falham em considerar adequadamente a incerteza. Uma crítica primária é que esses métodos podem enfatizar excessivamente diferenças pequenas e clinicamente irrelevantes nos efeitos de tratamento, atribuindo classificações distintas a tratamentos mesmo quando seu desempenho é estatisticamente indistinguível. Além disso, muitas métricas não incorporam explicitamente um "critério de escolha de tratamento" (TCC) que defina o que constitui uma diferença clinicamente importante, levando a classificações que podem não se traduzir bem na tomada de decisão clínica.

Metodologia
Os autores propõem um novo framework que integra um TCC predefinido com um modelo de classificação probabilística para gerar hierarquias de tratamento. A metodologia procede em duas etapas principais:

1. Definição do Critério de Escolha de Tratamento (TCC):
   Os autores definem um TCC baseado na Menor Diferença Relevante (Smallest Worthable Difference - SWD). Eles constroem uma Faixa de Equivalência (Range of Equivalence - ROE) usando a SWD e seu recíproco (ou oposto). Para qualquer comparação pareada entre tratamentos $X$ e $Y$:

   • Uma preferência de tratamento ($X > Y$ ou $Y > X$) é estabelecida apenas se a estimativa da NMA e seus limites de intervalo de confiança caírem fora da ROE, indicando um efeito clinicamente importante.
   • Se a evidência cair dentro da ROE, os tratamentos são considerados equivalentes (um "empate").
   • Este processo transforma as estimativas contínuas de efeito da NMA em dados de preferência discretos (preferência por $X$, preferência por $Y$ ou um empate).

2. Modelo de Classificação Probabilística:
   Para sintetizar esses dados de preferência, os autores adaptam o modelo de Bradley-Terry (estendido por Davidson para incluir empates) ao contexto da NMA.

   • Parâmetro Latente: Cada tratamento $X$ recebe um parâmetro de "habilidade" latente ($\psi_X$), representando sua propensão de gerar efeitos de tratamento verdadeiros, clinicamente importantes e benéficos em relação aos outros, dado o TCC.
   • Formulação do Modelo: A probabilidade de o tratamento $X$ superar o $Y$ é modelada como $\frac{\psi_X}{\psi_X + \psi_Y + \nu\sqrt{\psi_X\psi_Y}}$, onde $\nu$ é um parâmetro de incômodo que representa a prevalência de empates.
   • Estimativa: Os parâmetros são estimados usando a Estimativa de Máxima Verossimilhança (MLE) dentro de um framework frequentista. Erros padrão são derivados assintoticamente da matriz de informação de Fisher.
   • Saída: O modelo fornece estimativas de habilidade absolutas ($\hat{\psi}_X$) e probabilidades normalizadas ($\hat{\pi}_X$), representando a probabilidade de um tratamento possuir a maior habilidade verdadeira entre todos os tratamentos.

Principais Contribuições

• Integração de Relevância Clínica: O framework incorpora explicitamente um TCC clinicamente relevante (via SWD) antes da classificação, garantindo que apenas efeitos que justifiquem uma preferência influenciem a hierarquia.
• Tratamento de Incerteza e Empates: Ao converter as estimativas da NMA em dados de preferência/empate baseados em intervalos de confiança, o método contabiliza naturalmente a incerteza. Tratamentos com intervalos de confiança sobrepostos em relação à SWD são tratados como empatados, evitando a separação artificial de tratamentos com diferenças negligenciáveis.
• Interpretação Probabilística com Medidas de Incerteza: Diferente de algumas métricas existentes, esta abordagem fornece erros padrão para as estimativas de habilidade, permitindo a quantificação da incerteza em torno das posições de classificação.
• Implementação de Software: Os autores desenvolveram e lançaram o pacote R mtrank para facilitar a aplicação deste método.

Resultos
Os autores validaram o método através de dois estudos de caso clínicos e uma investigação empírica de 153 redes publicadas:

1. Antidepressivos para Depressão Maior (18 tratamentos):

   • Nesta rede, o tratamento com o maior tamanho de efeito (Vortioxetina) apresentou o maior erro padrão.
   • Métricas tradicionais ($p_{BIV}$, P-scores) classificaram a Vortioxetina em primeiro lugar.
   • O método proposto, aplicando uma SWD de 1,20, resultou em uma hierarquia mais conservadora onde a Escitalopram foi classificada em primeiro lugar, com a Vortioxetina empatada em segundo lugar. Isso refletiu a incerteza na estimativa da Vortioxetina em relação à SWD.
   • A análise de sensibilidade mostrou que, conforme a SWD aumentava (exigindo efeitos maiores), a capacidade da Vortioxetina de ser classificada em primeiro lugar aumentava, demonstrando a responsividade do método aos limiares clínicos.

2. Anti-hipertensivos e Incidência de Diabetes (6 tratamentos):

   • Esta rede apresentou alta precisão (baixos erros padrão).
   • O método proposto mostrou concordância perfeita com métricas existentes (P-scores, PReTA, $p_{BIV}$), classificando o ARB em primeiro e o ACE em segundo lugar.
   • Isso confirmou que, quando as estimativas da NMA são precisas e as variâncias são semelhantes, o método proposto alinha-se com abordagens estabelecidas.

3. Estudo Empírico (153 Redes):

   • A métrica de habilidade proposta mostrou forte correlação (mediana > 0,90) com P-scores, P-scores (ajustados por SWD) e PReTA.
   • A correlação com $p_{BIV}$ foi moderada (mediana ~0,65).
   • Impacto da Incerteza: A concordância entre o método proposto e outros foi maior em redes com alta precisão e baixas faixas de variância. À medida que a variância média das estimativas da NMA aumentava, a correlação diminuía, destacando que o método proposto diverge dos demais especificamente quando a incerteza é alta e as diferenças são pequenas.

Significância e Alegações
O artigo afirma oferecer uma alternativa valiosa para a classificação de tratamentos em NMA que mitiga a sobreinterpretação de diferenças menores. Ao exigir um TCC predefinido, o framework força os pesquisadores a considerar explicitamente o que constitui um "melhor" tratamento em um contexto clínico específico antes de gerar uma hierarquia. Os autores enfatizam que seu método não é um substituto para o relato dos efeitos relativos da NMA, mas serve como uma ferramenta para auxiliar a tomada de decisão.

A significância reside na produção de hierarquias que são:

1. Clinicamente Significativas: Baseadas em se os efeitos excedem um limiar de importância.
2. Robustas: Menos propensas a atribuir classificações distintas a tratamentos com intervalos de confiança sobrepostos.
3. Transparentes: Acompanhadas de erros padrão para quantificar a incerteza na própria classificação.

Os autores concluem que, embora a definição de SWD envolva certa subjetividade, o framework permite análises de sensibilidade através de diferentes valores de SWD, possibilitando uma compreensão mais matizada das hierarquias de tratamento sob variadas premissas clínicas. Eles posicionam esta abordagem como particularmente útil para redes com aumento de incerteza ou quando uma regra de decisão clínica específica é primordial.