Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification

Resumo Técnico: Modelo de Regressão Logística Bayesiana de Ordenação Parcial para Ensaios de Combinação de Fase I

Definição do Problema
Os ensaios clínicos de Fase I visam identificar a Dose Máxima Tolerada (DMT) ou a Combinação Máxima Tolerada (CMT) dentro de um nível de toxicidade alvo (TTL). Embora o Método de Reavaliação Contínua (CRM) e sua extensão, o CRM de Ordenação Parcial (POCRM), sejam amplamente utilizados em ensaios de agente único e de combinação, eles dependem de modelos de um único parâmetro. O POCRM, em particular, assume uma ordenação específica de combinações de doses e utiliza um modelo de potência de um parâmetro. Essa estrutura é criticada por ser excessivamente restritiva em configurações complexas, tais como:

1. Integração de Grupo Controle: Em ensaios que randomizam pacientes entre combinações de doses experimentais e um Controle de Padrão de Cuidado (SoC), é necessária uma estimativa precisa da toxicidade em múltiplos pontos na superfície de toxicidade (especificamente no SoC e na CMT). Modelos de um único parâmetro frequentemente falham em ajustar esses pontos distintos simultaneamente.
2. Complexidade de Interação: Em ensaios de múltiplos fármacos ou de esquemas de dosagem, compreender a forma da superfície de toxicidade da combinação é frequentemente necessário além da simples localização da CMT.
3. Carga Computacional de Calibração: O design desses ensaios exige a especificação de hiperparâmetros (ex: esqueletos de toxicidade, distribuições a priori). O método convencional de calibração por "busca em grade" (grid search), que avalia todas as combinações de parâmetros através de múltiplos cenários, sofre de custos computacionais multiplicativos que crescem exponencialmente com o número de parâmetros e cenários.

Metodologia
O artigo propõe dois avanços metodológicos primários: o Modelo de Regressão Logística Bayesiana de Ordenação Parcial (POBLRM) e uma Abordagem de Calibração Cíclica.

1. O Modelo POBLRM
O POBLRM estende o POCRM ao substituir o modelo de potência de um parâmetro por um modelo de regressão logística de dois parâmetros, mantendo o arcabouço de ordenação parcial.

• Estrutura do Modelo: Sob uma ordenação específica $s$, a probabilidade de toxicidade $\psi_s(d_i, \theta)$ é modelada como:
  $$\text{logit}(\psi_s(d_i, \theta)) = \theta_1 + \theta_2 \tilde{d}_i$$
  onde $\theta = (\theta_1, \theta_2)^T$ são os parâmetros do modelo e $\tilde{d}_i$ são níveis de dose padronizados derivados da estimativa de toxicidade prévia (esqueleto).
• Adaptação para Configuração Randomizada: Em ensaios randomizados (braço experimental vs. SoC), o modelo impõe uma restrição $d_0 = 0$ para o braço de controle. Isso garante que as atualizações do modelo baseadas no braço experimental não alterem a estimativa de toxicidade no SoC, permitindo que o modelo ajuste tanto o controle quanto a CMT com precisão.
• Distribuições a Priori e Eficiência: Os autores abordam o custo computacional de estimar modelos de dois parâmetros sob múltiplas ordenações.
  • Eles introduzem uma pseudo priori (baseada em distribuições Beta derivadas de pseudo-cohortes) que permite cálculos de verossimilhança em forma fechada e evita integração numérica ou MCMC.
  • Eles estabelecem uma ligação entre a priori Normal convencional e a pseudo priori ao minimizar a divergência de Kullback-Leibler (KL) entre as curvas de toxicidade a posteriori resultantes. Isso permite que os pesquisadores especifiquem prioris Normais intuitivas enquanto utilizam a pseudo priori computacionalmente eficiente para simulações e seleção de ordenação (via AIC).

2. Abordagem de Calibração Cíclica
Para abordar a ineficiência computacional de calibrar parâmetros de design (espaçamento do esqueleto, médias/variâncias a priori), o artigo propõe um método de "calibração cíclica".

• Mecanismo: Em vez de avaliar o conjunto completo de combinações de parâmetros (complexidade multiplicativa), o algoritmo atualiza os parâmetros um a um em um ciclo. Ele busca o valor ideal de um parâmetro enquanto mantém os outros fixos, e então passa para o próximo.
• Seleção de Cenários: Para reduzir ainda mais os custos, o método sugere calibrar contra um subconjunto de cenários, em vez de um conjunto completo. O subconjunto é escolhido com base na complexidade do cenário, medida pelo benchmark PO (um limite superior na probabilidade de seleção correta). Especificamente, os autores propõem usar apenas os cenários com o menor e o maior desempenho de benchmark (ex: "Ben2").
• Convergência: O algoritmo para quando um ciclo completo não produz melhoria na média geométrica da Probabilidade de Seleção Correta (PCS), com convergência garantida para um máximo local.

Resultados Principais
Avaliações numéricas foram conduzidas em um cenário de ensaio de combinação de dois agentes $3 \times 3$ ($N=45$ pacientes) e em uma configuração randomizada.

• Desempenho vs. POCRM:
  • Em configurações não randomizadas, o POBLRM apresenta desempenho semelhante ao POCRM em termos de PCS (Média de PCS $\approx$ 44%).
  • Em configurações randomizadas (com um braço de controle), o POBLRM supera significativamente o POCRM. A média de PCS aumentou de 38% (POCRM) para 45% (POBLRM). O POBLRM identificou com sucesso o SoC quando todas as combinações eram excessivamente tóxicas (taxa de seleção de 78% vs. 45% para o POCRM) e selecionou doses mais altas quando todas eram seguras, enquanto o modelo de um parâmetro teve dificuldades para ajustar ambos os extremos.
• Desempenho vs. 2BLRM:
  • Comparado ao Modelo de Regressão Logística Bayesiana de duas dimensões (2BLRM), o POBLRM mostrou um PCS médio semelhante, mas ofereceu um desempenho mais equilibrado entre os cenários. O 2BLRM exibiu alta variância, performando bem em cenários fáceis, mas mal em cenários "antagônicos", onde interações medicamentosas reduzem a toxicidade.
  • Eficiência Computacional: Os tempos de simulação do POBLRM foram aproximadamente o dobro do POCRM (1,36s vs. 0,6s), mas dramaticamente mais rápidos que o 2BLRM (95,42s).
• Eficiência de Calibração:
  • A abordagem Cyclic2 (calibração cíclica usando apenas 2 cenários) alcançou um PCS médio dentro de 0,5% da abordagem Grid20 (busca completa em grade sobre 20 cenários).
  • Isso resultou em uma redução computacional de mais de 2.500 vezes (e até 5.000 vezes em outras investigações) em comparação com a busca em grade total, mantendo as características operacionais.

Significância e Alegações
O artigo alega que o POBLRM fornece uma evolução necessária para ensaios de combinação de Fase I, particularmente aqueles envolvendo grupos controle ou interações complexas de dose-esquema, onde modelos de um parâmetro são insuficientes. Ao combinar a flexibilidade de um modelo logístico de dois parâmetros com o arcabouço de ordenação parcial, ele oferece uma estimativa de toxicidade precisa em múltiplos pontos da superfície sem o ônus computacional extremo de modelos multidimensionais totalmente flexíveis como o 2BLRM.

Além disso, as estratégias de calibração cíclica e redução de cenários propostas oferecem uma solução prática para a natureza "computacionalmente cara" do design de ensaios adaptativos modernos. Os autores afirmam que esses métodos permitem a especificação de prioris operacionais que são robustas através de uma ampla gama de cenários sem exigir recursos computacionais proibitivos, tornando designs bayesianos sofisticados mais acessíveis para ensaios clínicos do mundo real. O trabalho é motivado e aplicado a ensaios específicos de oncologia e COVID-19 (ex: plataforma AGILE), demonstrando sua utilidade na colaboração estatística do mundo real.