Adaptive clinical trial design with delayed treatment effects using elicited prior distributions

Resumo Técnico: Desenho de Ensaio Clínico Adaptativo com Efeitos de Tratamento Retardados Utilizando Distribuições Priores Elicitadas

Definição do Problema
Ensaios clínicos que utilizam desfechos de tempo até o evento, como sobrevida global (OS) ou sobrevida livre de progressão (PFS), são críticos para avaliar novas terapias, particularmente em imuno-oncologia. No entanto, tratamentos modernos como as imunoterapias frequentemente exibem efeitos de tratamento retardados (DTEs), onde os benefícios terapêuticos emergem apenas após um período específico. Este fenômeno viola a suposição de riscos proporcionais (PH), que fundamenta os métodos estatísticos padrão, como o modelo de Cox e o teste de log-rank. Consequentemente, desenhos de ensaios tradicionais enfrentam riscos significativos:

1. Poder Subótimo: Métodos padrão podem ser inapropriados ou subótimos quando a PH é violada.
2. Terminação Prematura: Análises interinas conduzidas antes que o período de atraso tenha passado podem subestimar o eventual benefício do tratamento, levando a decisões incorretas de futilidade e à terminação prematura de ensaios potencialmente eficazes.
3. Incerteza: Os parâmetros fundamentais que regem o atraso (o tempo de início $T$ e a razão de risco pós-atraso $HR^*$) são inerentemente incertos na fase de desenho, tornando difícil projetar ensaios que sejam simultaneamente adequadamente poderosos e robustos.

Metodologia
Os autores propõem um framework de desenho de ensaio adaptativo híbrido Bayesiano-frequentista que integra distribuições priores elicitadas de especialistas para abordar os DTEs. A metodologia consiste em três componentes:

1. Parametrização do Modelo e Priores:

   • O ensaio assume um modelo de risco por partes (piecewise hazard model) onde o risco do grupo experimental iguala-se ao do grupo controle até um tempo de atraso $T$, após o qual se aplica uma razão de risco constante $HR^*$.
   • Os parâmetros do grupo controle ($\lambda_c, \gamma_c$) são derivados de dados históricos.
   • A elicitação de especialistas é utilizada para definir as distribuições priores para:
     • $P_S$: A probabilidade de que as curvas de sobrevida se separem (existência de efeito de tratamento).
     • $P_{DTE}$: A probabilidade de um atraso, condicional à existência de um efeito.
     • $D_{HR^*}$: A distribuição da razão de risco pós-atraso.
     • $D_T$: A distribuição da duração do atraso.
   • Esta estrutura cria três cenários clinicamente significativos: nenhum efeito, efeito imediato e efeito retardado.

2. Assurance com Análises Interinas:

   • O framework estende o conceito de assurance (a probabilidade de sucesso do ensaio ponderada pela priori) para desenhos adaptativos.
   • Ao contrário do poder tradicional calculado em uma alternativa fixa, a assurance faz a média da probabilidade de sucesso sobre a distribuição conjunta das priores dos parâmetros, contabilizando a incerteza em $T$ e $HR^*$.
   • Isso é estimado via simulação, onde ensaios são simulados sob vetores de parâmetros sorteados, e regras de interrupção são aplicadas em análises interinas.

3. Probabilidade Preditiva (PP) para Interrupção por Futilidade:

   • Um novo framework de Probabilidade Preditiva (PP) é desenvolvido para decisões de futilidade interinas.
   • Em uma análise interina, as priores elicitadas são atualizadas com os dados observados usando MCMC para obter distribuições posteriores.
   • Essas posteriores são propagadas para o futuro através de simulações dos resultados não observados, reconstruindo a análise final para estimar a probabilidade de, em última instância, rejeitar a hipótese nula ($H_0$).
   • Inovação Principal: O tempo de atraso $T$ é tratado como um parâmetro livre atualizado com os dados, em vez de um valor fixo, permitindo que a PP considere a incerteza no tempo do efeito.
   • Regra de Interrupção: O ensaio é interrompido por futilidade se a PP estimada cair abaixo de um limiar pré-especificado $\lambda$. A interrupção por eficácia permanece governada por limites de gastos de alfa (alpha-spending) padrão para manter o controle do erro do Tipo I.

4. Procedimento de Calibração:

   • Seleção de Tempo: O tempo interino é escolhido simulando a distribuição dos valores de PP sob a distribuição preditiva a priori. O tempo ideal é selecionado quando a distribuição de PP torna-se suficientemente polarizada (concentrada próxima de 0 e 1) para distinguir ensaios promissores de não promissores, garantindo que a análise seja informativa.
   • Seleção de Limiar: O limiar de futilidade $\lambda$ é calibrado para equilibrar o controle do erro do Tipo I, o poder sob cenários alternativos (incluindo efeitos retardados) e a minimização do tamanho de amostra esperado sob a hipótese nula.

Principais Contribuições
O artigo apresenta quatro contribuições específicas:

1. Extensão da Assurance: Estende o framework de assurance para desenhos adaptativos com análises interinas, permitindo que os pesquisadores avaliem como as análises interinas impactam a probabilidade global de sucesso sob incerteza de parâmetros.
2. Framework de PP para DTEs: Desenvolve um framework de Probabilidade Preditiva especificamente para a tomada de decisão de futilidade na presença de efeitos retardados, utilizando priores elicitadas que são sequencialmente atualizadas com os dados do ensaio.
3. Metodologia de Calibração: Fornece um procedimento de calibração de dois passos para selecionar o tempo interino e o limiar de futilidade da PP, otimizando características operacionais como o tamanho de amostra esperado sob a hipótese nula enquanto mantém o poder.
4. Implementação de Software: Os autores desenvolveram um pacote de R gratuito e de código aberto (DTEAssurance) e um aplicativo Shiny para facilitar a implementação deste framework, permitindo que pesquisadores simulem, comparem e visualizem desenhos de ensaios adaptativos.

Resultados
O framework foi avaliado utilizando um ensaio hipotético de Fase III em câncer de pulmão de células não pequenas (NSCLC) comparando uma imunoterapia com docetaxel. O estudo comparou quatro desenhos:

• D1: Desenho fixo (sem análise interina).
• D2: Desenho de Grupos Sequenciais (GSD) com análises apenas de eficácia.
• D3: GSD Híbrido com futilidade baseada em PP (o método proposto).
• D4: GSD com limites de futilidade padrão de gastos de beta (beta-spending).

Principais Achados:

• Sob a Hipótese Nula (Sem Efeito): Ambos os desenhos adaptativos (D3 e D4) reduziram significativamente o tamanho de amostra esperado (de 1.200 para ~1.022) e a duração do ensaio ao interromper ~69% dos ensaios fúteis precocemente, mantendo o erro do Tipo I no nível nominal de 2,5%.
• Sob Efeito Retardado (Cenário Primário): O desenho de PP proposto (D3) demonstrou desempenho superior em comparação com a abordagem padrão de gastos de beta (D4). O D3 interrompeu apenas 5,5% dos ensaios de efeito retardado por futilidade (perda de poder de 0,7% em relação ao D2), enquanto o D4 interrompeu 15,3% (perda de poder de 3,3%). Isso ocorre porque o estatístico log-rank padrão (usado no D4) é atenuado pelo atraso, levando à futilidade prematura, enquanto a abordagem de PP (D3) incorpora o conhecimento prévio sobre o atraso, permanecendo robusta.
• Sob Efeito Imediato: Ambos os desenhos adaptativos performaram de forma semelhante, com perda mínima de poder em relação aos desenhos fixos.
• Sensibilidade: Os resultados foram robustos às variações nas probabilidades das priores elicitadas ($P_S$ e $P_{DTE}$).

Significância e Alegações
O artigo alega que este framework fornece uma abordagem fundamentada e prática para desenhar ensaios adaptativos para terapias com efeitos retardados. Ao integrar o conhecimento especializado elicitado diretamente no processo de planejamento e tomada de decisão, o método:

• Aumenta a Robustez: Minimiza o risco de interromper prematuramente ensaios com benefícios reais, porém retardados, um problema crítico em imuno-oncologia.
• Melhora a Eficiência: Reduz o tamanho de amostra esperado e a duração dos ensaios sob a hipótese nula sem sacrificar o poder sob cenários alternativos plausíveis.
• Mantém o Rigor: Preserva o controle estrito do erro do Tipo I frequentista para eficácia, utilizando métodos Bayesianos para decisões de futilidade.
• Facilita a Implementação: O software acompanhante reduz a barreira de adoção, permitindo que os pesquisadores visualizem estruturas de atraso e comuniquem escolhas de desenho de forma eficaz.

Os autores posicionam este trabalho como uma extensão direta de sua metodologia de elicitação anterior, oferecendo uma solução coerente para os desafios inferenciais e operacionais impostos pelos riscos não proporcionais em ensaios clínicos modernos.