Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

Este artigo propõe um quadro sistemático para desenvolver variáveis de adaptação baseadas em evidências para intervenções adaptativas, argumentando que, embora dados observacionais secundários possam ser utilizados, ensaios experimentais especificamente desenhados para otimização oferecem a evidência causal mais direta para determinar medidas, momentos e pontos de corte ideais.

O essencial

Imagine que você é um chef de cozinha tentando criar o prato perfeito para um grupo de pessoas com gostos muito diferentes. Você sabe que um único prato não agrada a todos. Alguns precisam de mais tempero, outros de menos; alguns preferem comida quente, outros fria.

O artigo que você leu fala sobre como criar um "Menu Adaptativo" (chamado no texto de Intervenção Adaptativa). A ideia é: em vez de servir o mesmo prato para todos, você observa como cada pessoa reage à comida e decide, em tempo real, se deve mudar o prato, adicionar um acompanhamento ou mudar o tempero.

Mas aqui surge o grande problema: Como você decide quando mudar o prato?

Os autores (Dziak e Nahum-Shani) explicam que para tomar essa decisão, precisamos de "variáveis de ajuste" (como o nível de fome, se a pessoa está gostando do prato, etc.). O artigo é um guia sobre como escolher essas regras de decisão de forma científica, sem apenas "chutar".

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Que é uma "Variável de Ajuste"?

Pense nela como o termômetro que você usa para decidir se precisa ligar o ar-condicionado.

• O que medir? (A temperatura).
• Quando medir? (A cada hora? A cada 10 minutos?).
• Qual o limite? (Se passar de 25°C, ligo o ar. Se passar de 30°C, ligo o ventilador também).
• Quando agir? (Assim que o termômetro passar de 25°C ou espero 10 minutos para ter certeza?).

O artigo diz que definir esses pontos (o que medir, quando e qual o limite) é a parte mais difícil e crucial. Se você errar o limite, pode ligar o ar para quem não precisa (desperdício de energia) ou deixar quem precisa no calor (o tratamento falha).

2. Duas Maneiras de Descobrir as Regras Certas

Os autores comparam duas abordagens para descobrir essas regras:

A. Olhando para o Passado (Análise de Dados Secundários)

Imagine que você tem um diário antigo de um restaurante que já fechou. Você olha os registros para ver: "Quem pediu o prato A e não gostou, o que aconteceu depois?".

• O problema: O diário não diz o que teria acontecido se você tivesse mudado o prato para eles na hora. Talvez o cliente tivesse gostado se você tivesse agido mais rápido.
• A armadilha: Você pode achar que "25°C" é o limite perfeito porque, no passado, quem fez isso ficou feliz. Mas talvez, se você tivesse ligado o ar em "28°C", a economia de energia seria maior e a gente ainda estaria confortável. Dados antigos não mostram o "e se". Eles só mostram o que já aconteceu.

B. Fazendo um Experimento (Ensaios Clínicos de Otimização)

Aqui, você decide abrir um novo restaurante experimental e testar as regras na prática.

• Você divide os clientes em grupos.
• Grupo 1: Ligo o ar a 25°C.
• Grupo 2: Ligo o ar a 28°C.
• Grupo 3: Ligo o ar a 30°C.
• Depois, você compara quem ficou mais confortável e gastou menos energia.

Isso é o que o artigo chama de ORCT (Ensaios Clínicos de Otimização). Pode ser um teste simples (dois grupos) ou algo mais complexo, como um SMART (um teste onde você muda as regras várias vezes durante o processo, como um jogo de "escolha sua própria aventura").

3. As Perguntas Difíceis que o Artigo Responde

Os autores mostram como desenhar esses experimentos para responder a três perguntas principais:

• Qual variável usar? (Devo medir a temperatura do ar ou a transpiração da pessoa?)
  • Analogia: Às vezes, medir a temperatura do ar é fácil, mas medir o suor da pessoa é mais preciso para saber se ela está com calor. O experimento ajuda a descobrir qual sinal é melhor.
• Qual é o limite (cutoff)? (Devo ligar o ar a 25°C ou 28°C?)
  • Analogia: Se o ar for muito caro, você quer um limite mais alto (28°C) para não gastar à toa. Se o calor for perigoso, você quer um limite baixo (25°C) para garantir segurança. O experimento ajuda a encontrar o equilíbrio entre custo e benefício.
• Quando decidir? (Devo ligar o ar assim que passar de 25°C ou esperar 10 minutos para ter certeza?)
  • Analogia: Se você esperar muito, a pessoa pode já ter sofrido com o calor. Se agir rápido demais, pode ligar o ar desnecessariamente. O experimento testa qual o "momento perfeito" para agir.

4. O Grande Dilema: Precisão vs. Ação Rápida

O artigo usa uma imagem mental de um "Elbow Plot" (um gráfico em forma de cotovelo).
Imagine que você está esperando para ver se a pessoa vai gostar do prato.

• Se você espera 1 minuto, você não sabe nada.
• Se espera 5 minutos, você sabe um pouco.
• Se espera 10 minutos, você sabe quase tudo.
• Mas, se esperar 10 minutos, a pessoa já pode ter ficado com raiva e ido embora!

O objetivo não é esperar até ter 100% de certeza (o que pode ser tarde demais), mas encontrar o "ponto de cotovelo": o momento em que você já tem informação suficiente para agir, sem esperar demais.

5. Conclusão Simples

O artigo diz que, embora seja tentador usar dados antigos para decidir como tratar as pessoas, a única maneira de ter certeza absoluta sobre as melhores regras (quando mudar o tratamento, para quem e com que intensidade) é fazer experimentos controlados.

É como se, em vez de tentar adivinhar qual é a melhor receita olhando fotos de pratos antigos, você convidasse amigos para provar variações da receita e anotasse quem ficou mais satisfeito.

Resumo da Ópera:
Para criar tratamentos de saúde (ou qualquer sistema adaptativo) que funcionem de verdade, precisamos parar de apenas "adivinhar" as regras e começar a testá-las cientificamente. Isso custa mais dinheiro e esforço agora, mas evita desperdício de recursos e garante que as pessoas recebam o tratamento certo, na hora certa, com a intensidade certa.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Constructing Evidence-Based Tailoring Variables for Adaptive Interventions", apresentado em português.

Título: Construção de Variáveis de Adaptação Baseadas em Evidências para Intervenções Adaptativas

Autores: John J. Dziak, Ph.D. e Inbal Nahum-Shani, Ph.D.

---

1. O Problema

As intervenções adaptativas (ADIs) são protocolos que utilizam informações contínuas sobre os indivíduos para decidir se, quando e como modificar o tipo, a quantidade, a modalidade ou o momento do tratamento. O objetivo é maximizar a eficácia e a eficiência de recursos, oferecendo o tratamento certo apenas quando necessário.

O componente central das ADIs são as variáveis de adaptação (ou tailoring variables). Estas são as informações usadas para tomar decisões de modificação do tratamento. No entanto, a literatura carece de diretrizes específicas sobre como escolher empiricamente os componentes dessas variáveis, especificamente:

• Qual variável observada medir (ex.: uso de um aplicativo, frequência de uso de substâncias).
• Quando medir (tempo de avaliação).
• Quando decidir (tempo de decisão para oferecer tratamento de "resgate" ou intensificação).
• Quais pontos de corte (cutoffs) utilizar para classificar um participante como "respondedor" ou "não respondedor".

A escolha desses componentes envolve trade-offs complexos entre sensibilidade e especificidade, e entre aguardar informações suficientes versus intervir rapidamente. A definição incorreta pode levar a tratamentos oferecidos a quem não se beneficiará ou não oferecidos a quem precisa.

2. Metodologia

Os autores propõem um framework sistemático para desenvolver variáveis de adaptação, comparando duas abordagens principais para responder às perguntas científicas sobre a definição dessas variáveis:

1. Análise de Dados Secundários (SDA - Secondary Data Analysis):

   • Utiliza dados observacionais ou de estudos anteriores onde o tratamento de resgate não foi randomizado ou onde os pontos de corte foram fixos.
   • Limitações: A SDA enfrenta desafios de causalidade. Ela pode prever quem falhará sem resgate, mas não pode determinar causalmente quem se beneficiaria do resgate sob diferentes cenários de corte ou tempo. Exige suposições fortes (como positividade) e não consegue equilibrar adequadamente os custos/benefícios de falsos positivos/negativos sem dados experimentais.

2. Ensaios Clínicos Randomizados de Otimização (ORCTs - Optimization Randomized Controlled Trials):

   • Projetos experimentais desenhados especificamente para otimizar componentes de intervenção.
   • Tipos de Design: Incluem ensaios de braços múltiplos, experimentos fatoriais, Ensaios de Atribuição Múltipla Sequencial (SMART), Ensaios Micro-Randomizados (MRT) e designs híbridos.
   • Abordagem: Randomiza participantes diretamente para diferentes definições de variáveis de adaptação (ex.: diferentes pontos de corte, diferentes tempos de decisão ou diferentes variáveis observadas) para comparar os resultados médios marginais (populacionais) de cada estratégia.

O artigo analisa como aplicar esses designs para responder a três tipos de perguntas:

• Seleção de Pontos de Corte: Comparar, por exemplo, um corte de "menos de 1 uso/semana" vs. "menos de 2 usos/semana".
• Seleção de Tempos de Decisão: Comparar decidir na semana 2 vs. semana 4.
• Seleção de Variáveis Observadas: Comparar usar apenas o uso de cannabis vs. uso do app vs. uma combinação de ambos.

3. Contribuições Principais

• Framework de Decisão: O artigo fornece uma estrutura clara para investigadores decidirem entre usar SDA (mais barato, mas com suposições fortes) ou ORCTs (mais caro, mas fornece evidência causal direta).
• Desenhos Experimentais Específicos:
  • Demonstra como usar designs fatoriais para testar múltiplos componentes (variável, corte, tempo) simultaneamente, permitindo a análise de interações entre eles.
  • Expande o uso de SMARTs e designs híbridos para otimizar não apenas os tratamentos, mas as próprias regras de decisão (as variáveis de adaptação).
  • Discute a alocação estratégica de amostras em designs com múltiplos braços para priorizar comparações específicas (ex.: focar no tempo inicial de decisão vs. tempos tardios).
• Distinção entre Tempo de Avaliação e Tempo de Decisão: Clarifica que, embora relacionados, o momento da medição e o momento da decisão podem ser distintos e devem ser otimizados separadamente, considerando o custo do monitoramento e a prontidão da intervenção.
• Abordagem de Múltiplas Perguntas: Propõe que questões combinadas (ex.: qual variável E qual corte E qual tempo) devem ser tratadas em um único estudo complexo (fatorial ou híbrido) em vez de estudos sequenciais isolados, para capturar interações e economizar recursos.

4. Resultados e Discussão

• Limitações da SDA: A análise de dados secundários é insuficiente para determinar pontos de corte ótimos quando o tratamento de resgate é novo ou quando a alocação de resgate no passado não cobriu a gama de cenários desejados. A predição de resultados sem resgate não equivale à eficácia causal com resgate.
• Vantagem dos ORCTs: A randomização direta das regras de adaptação fornece a evidência causal mais robusta. Por exemplo, randomizar participantes para diferentes pontos de corte permite comparar diretamente qual corte gera o melhor resultado médio final, considerando tanto respondedores quanto não respondedores.
• Trade-offs de Poder Estatístico: Designs que testam múltiplos fatores (ex.: 3 variáveis x 2 cortes x 4 tempos = 24 condições) podem exigir tamanhos de amostra grandes. Os autores sugerem o uso de designs fatoriais fracionados ou modelos parcimoniosos (ex.: efeitos quadráticos de tempo) para lidar com limitações de poder.
• Considerações Éticas e Práticas: A randomização de decisões de resgate sem base em necessidade observada (em alguns designs de ORCT) pode levantar questões éticas, mas é necessária para isolar o efeito da regra de decisão.
• Futuro: O artigo destaca a necessidade de pesquisas futuras sobre intervenções adaptativas em tempo real (JITAIs), que operam em escalas de tempo muito mais rápidas (diárias/horárias), e sobre como incorporar custos e análise de custo-efetividade na definição das variáveis de adaptação.

5. Significância

Este trabalho é fundamental para a ciência de implementação e o desenvolvimento de intervenções de saúde comportamental. Ao fornecer um guia metodológico rigoroso para a construção de variáveis de adaptação, os autores permitem que pesquisadores:

1. Evitem a ineficiência: Garantem que tratamentos intensivos (resgate) sejam oferecidos apenas àqueles que realmente se beneficiarão, economizando recursos e reduzindo a carga sobre os pacientes.
2. Superem a intuição: Substituem escolhas baseadas apenas em experiência clínica ou intuição por evidências empíricas causais sobre quando e como adaptar o tratamento.
3. Otimizem o Design de Estudos: Oferecem ferramentas para planejar ensaios clínicos complexos (como SMARTs e fatoriais) que respondem a múltiplas perguntas de otimização simultaneamente, acelerando o desenvolvimento de intervenções escaláveis e personalizadas.

Em suma, o artigo estabelece que a definição das regras de decisão (variáveis de adaptação) é tão crítica quanto a definição dos tratamentos em si, e que a melhor maneira de defini-las é através de experimentos de otimização bem desenhados.