A critical evaluation of longitudinal proportional effect models

Resumo Técnico: Uma Avaliação Crítica de Modelos de Efeito Proporcional Longitudinal

Definição do Problema
Modelos de efeito proporcional não lineares longitudinais foram propostos recentemente (por exemplo, por Wang et al. [2024]) para estimar efeitos de tratamento proporcionais em ensaios clínicos randomizados, com alegações de aumento de poder estatístico e interpretabilidade clínica direta. Esses modelos assumem que a tendência média do grupo de intervenção ativa é uma proporção fixa da média do grupo controle ao longo do tempo, parametrizada como $f_A(t) = f_C(t)(1 - \theta)$.

No entanto, os autores identificam falhas críticas nesta abordagem. O problema principal é que esses modelos são inerentemente enviesados, mesmo quando a suposição de efeito proporcional é verdadeira. Esse viés é sensível à rotulagem dos grupos de tratamento; a parametrização específica sugerida na literatura existente induz um viés que favorece o grupo de tratamento ativo. Consequentemente, isso leva a taxas infladas de Erro do Tipo I, comportamento de teste unilateral potencial e uma capacidade reduzida de detectar danos ao tratamento (sinais de segurança). Além disso, os modelos tornam-se indefinidos ou instáveis quando a média do grupo controle se aproxima de zero, um cenário plausível em estágios pré-sintomáticos de doenças ou em desfechos cognitivos específicos.

Metodologia
O artigo utiliza uma combinação de análise teórica e estudos de simulação para avaliar o desempenho de modelos de efeito proporcional em comparação com modelos lineares padrão.

1. Análise Transversal: Os autores examinam primeiro um caso especial do modelo proporcional em um único ponto no tempo. Eles comparam o estimador de mínimos quadrados não lineares para o efeito proporcional ($\hat{\theta}$) contra o estimador familiar do teste t de duas amostras para a diferença aditiva ($\hat{\delta}$). Simulações são conduzidas através de variações nas médias do grupo controle ($\beta_C$) e nos efeitos de tratamento ($\delta$).
2. Simulação Longitudinal: Os autores simulam 10.000 ensaios clínicos sob quatro cenários distintos (A–D) representando diferentes tendências médias ao longo do tempo:
   • Cenários A–C: Tendências lineares onde a média do grupo controle é diferente de zero, satisfazendo a suposição de efeito proporcional.
   • Cenário D: Uma tendência linear onde a média do grupo controle é fixada em zero, violando a definição finita do efeito proporcional.
   • Modelos Comparados: Para cada conjunto de dados, dois modelos são ajustados:
     • Um Modelo Misto de Medidas Repetidas (MMRM) linear com uma média não estruturada e efeito de tratamento aditivo ("inclinação").
     • Um pMMRM (MMRM Proporcional) não linear com uma média de controle não estruturada e um efeito de tratamento proporcional fixo.
   • Ambos os modelos incluem interceptos aleatórios específicos por participante e restringem as médias basais para serem equivalentes (Análise de Dados Longitudinais com restrição, ou cLDA).
3. Métricas de Avaliação: O estudo avalia o poder estatístico, as taxas de Erro do Tipo I e a proporção de rejeições que favorecem o tratamento ativo sob a hipótesite nula. "Gráficos de zíper" (zipper plots) são usados para visualizar a distribuição das estimativas e intervalos de confiança, especificamente observando assimetria e viés.

Principais Contribções e Resultados
As simulações revelam que os supostos ganhos de eficiência dos modelos de efeito proporcional são, em grande parte, artefatos de viés, e não verdadeiro poder estatístico.

• Viés e Sensibilidade à Rotulagem: O estimador proporcional é sensível à localização da média do grupo controle. Quando $\beta_C$ está próximo de zero, o modelo exibe viés significativo. A parametrização específica usada na literatura favorece o grupo ativo, levando a intervalos de confiança assimétricos e a uma alta proporção de rejeições a favor do grupo de tratamento ativo, mesmo quando não existe efeito de tratamento.
• Inflação do Erro do Tipo I: Nas simulações longitudinais, conforme a média do grupo controle se aproxima de zero (movendo-se do Cenário A para o D), o Erro do Tipo I para o modelo proporcional aumenta dramaticamente. No Cenário A (média do controle próxima de zero), o Erro do Tipo I atingiu 5,3% com 93,2% das rejeições favorecendo o grupo ativo. No Cenário D (média do controle = 0), o Erro do Tipo I disparou para 34,0%, com 100% das rejeições favorecendo o grupo ativo.
• Poder vs. Segurança: Embora o modelo proporcional tenha demonstrado maior poder (por exemplo, 93,8% vs. 88,2% no Cenário A) quando o efeito do tratamento era positivo, esse "melhoria" foi impulsionada pelo viés. Inversamente, o modelo demonstrou poder diminuído para detectar danos ao tratamento ($\delta < 0$). Em simulações transversais com $\delta < 0$, o teste t padrão geralmente dominou o teste proporcional.
• Comparação com Modelos Lineares: O modelo de "inclinação" linear demonstrou características operacionais consistentes em todos os cenários, mantendo o Erro do Tipo I nominal de 5% e taxas de rejeição simétricas sob a hipótese nula. O desempenho do modelo proporcional degradou-se à medida que a média do controle se aproximava de zero, enquanto o modelo linear permaneceu robusto.

Significância e Alegações
O artigo conclui que os modelos de efeito proporcional longitudinais promovidos em tutoriais recentes são fundamentalmente falhos para a análise de ensaios clínicos. Os autores afirmam que:

1. Os modelos são enviesados: O viés existe mesmo quando as suposições do modelo estão corretas e é exacerbado quando a média do grupo controle está próxima de zero.
2. Preocupações de Segurança: O viés torna difícil detectar o agravamento decorrente do tratamento (dano), representando um risco significativo de segurança. Isso é particularmente relevante para terapias onde o agravamento cognitivo é um risco conhecido (ex: inibidores de BACE).
3. Recomendação: Bioestatísticos e clínicos de ensaios clínicos devem evitar o uso desses modelos. As aparentes vantagens de poder são erroneamente infladas pelo viés.
4. Alternativas: Os autores sugerem que intervalos de incerteza para efeitos proporcionais podem ser derivados de modelos lineares flexíveis usando o método delta, bootstrap ou Monte Carlo via cadeias de Markov (MCMC), sem incorrer no viés inerente à parametrização não linear.

O artigo não propõe um novo modelo, mas serve como um alerta crítico contra a adoção da específica parametrização de efeito proporcional não linear que está sendo discutida atualmente na literatura, citando seu potencial para induzir resultados de ensaios clínicos ao erro e comprometer a segurança do paciente.