Bayes Factor Group Sequential Designs

Resumo Técnico: Desenhos Sequenciais de Bayes Factor em Grupos

Definição do Problema
Desenhos sequenciais, que permitem a interrupção precoce com base em análises interinas, são altamente desejáveis em campos como ensaios clínicos e experimentos com animais para reduzir o tamanho das amostras e os encargos éticos. Embora os métodos Bayesianos, particularmente aqueles que utilizam Bayes factors, sejam naturalmente adequados para análise sequencial devido ao seu mecanismo inerente de atualização e à ausência de sensibilidade a problemas de multiplicidade, sua adoção prática tem sido dificultada por desafios computacionais. Especificamente, projetar estudos de Bayes factor sequenciais requer a determinação de características fundamentais, como a probabilidade de obter evidências conclusivas (análogo ao poder e ao erro do tipo I) e o tamanho de amostra esperado. Atualmente, o cálculo dessas métricas depende tipicamente de simulações de Monte Carlo computacionalmente intensivas, pois não existem métodos numéricos eficientes ou de forma fechada. Essa dependência de simulação torna a prototipagem e a comparação de diferentes opções de desenho demoradas e sujeitas ao erro de Monte Carlo, limitando a capacidade dos pesquisadores de otimizar os desenhos de estudo.

Metodologia
Os autores propõem um novo framework que estende a teoria clássica de desenhos sequenciais em grupos (GSD) para desenhos sequenciais de Bayes factor, permitindo o cálculo rápido, preciso e livre de simulações das características do desenho. A inovação metodológica central envolve três etapas:

1. Mapeamento de Bayes Factors para Estatísticas Z: Os autores expressam o Bayes factor ($BF_{01}$) como uma função da estatística $z$ ($z = (\hat{\theta} - \theta_0)/\sigma$), onde $\hat{\theta}$ é a estimativa do parâmetro e $\sigma$ é seu erro padrão. Para vários tipos comuns de Bayes factor (ex: nulidade pontual vs. alternativa direcional, nulidade pontual vs. alternativa pontual), eles derivam valores de $z$ críticos correspondentes a limiares de evidência específicos ($k_0$ e $k_1$). Nos casos em que uma solução de forma fechada para o valor de $z$ crítico não está disponível, utiliza-se a busca de raízes numérica.
2. Definição de Regiões de Parada: Com base nesses valores críticos, os autores definem regiões de parada no espaço das estatísticas $z$ acumuladas. Para Bayes factors com um único valor crítico, essas regiões formam hiper-retângulos $i$-dimensionais. Para aqueles com dois valores críticos (ex: alternativas bilaterais), as regiões consistem em uniões de hiper-retângulos. A probabilidade de parada em uma análise interina específica é equivalente à probabilidade de o vetor de estatísticas $z$ cumulativas cair dentro dessas regiões específicas.
3. Integração Normal Multivariada: Assumindo que o vetor de estatísticas $z$ acumuladas segue uma distribuição normal multivariada canônica (ou uma distribuição marginal preditiva-a-priori quando um prior de desenho é especificado), os autores calculam as probabilidades dessas regiões de parada usando integração normal multivariada. Esta abordagem utiliza algoritmos de integração unidimensional recursiva ou implementações modernas de integração normal multivariada (ex: via o pacote mvtnorm do R) para calcular as probabilidades de parada de forma determinística.

O framework acomoda tanto valores de parâmetros fixos (características operacionais frequentistas) quanto priors de desenho (poder bayesiano preditivo/assurance) ajustando a estrutura de média e covariância da distribuição da estatística $z$.

Principais Contribuições e Resultados

• Computação Livre de Simulação: A principal contribuição é um método que elimina a necessidade de simulações de Monte Carlo. Os autores demonstram que as características do desenho podem ser computadas em segundos, uma redução significativa em comparação aos minutos ou horas exigidos por abordagens baseadas em simulação.
• Implementação de Código Aberto: O método é implementado no pacote de código aberto bfpwr do R, tornando o planejamento de desenhos sequenciais de Bayes factor tão simples quanto os GSDs clássicos.
• Aplicação a Diversos Cenários: O artigo ilustra o método através de vários estudos de caso:
  • Ensaio Clínico de Baixo PV: Reanalisando um ensaio sobre ropeginterferon alfa-2b, os autores mostram como calcular a probabilidade de evidência conclusiva e determinar o tamanho de amostra necessário para atingir 90% de probabilidade de evidência correta. Eles demonstram que aumentar o número de análises interinas pode melhorar a eficiência, mas deve ser equilibrado contra o risco de evidências enganosas.
  • Experimento de Perda de Peso em Ratos: Em um ambiente pré-clínico, o método é usado para planejar um estudo de replicação. Usando um prior de desenho baseado nos dados originais, os autores mostram como otimizar os tamanhos de amostra entre diferentes grupos de dose, potencialmente poupando animais enquanto mantêm altas probabilidades de inferências informativas.
  • Teste t de Bayes Factor Sequencial: O framework é estendido para o teste $t$ sequencial (incluindo o Bayes factor de Jeffreys-Zellner-Siow). Os autores replicam um desenho de estudo psicológico envolvendo 61 análises interinas, mostrando que seu método produz resultados quase idênticos às estimativas baseadas em simulação (ex: 70,3% vs. 70,6% para parada em $H_1$), mas com tempo de computação drasticamente reduzido.

Significância e Limitações
O artigo afirma que esta abordagem torna a exploração de desenhos sequenciais de Bayes factor "tão direta quanto os desenhos sequenciais de grupos clássicos", removendo assim uma grande barreira para sua adoção. Ao fornecer um framework unificado que lida tanto com características preditivas bayesianas quanto com características operacionais frequentistas, o método facilita o desenho de experimentos informativos e eficientes.

Os autores permanecem modestos quanto ao escopo de seu método. Eles reconhecem que a abordagem depende da premissa de que o Bayes factor pode ser expresso como uma função da estatística $z$ e que as estatísticas acumuladas seguem (ao menos aproximadamente) uma distribuição normal multivariada canônica. Consequentemente, o método pode não se aplicar diretamente a cenários com amostras pequenas e dados binários ou probabilidades extremas, onde essas premissas podem falhar, possivelmente necessitando de um retorno a simulações ou outros métodos numéricos. Direções de pesquisas futuras incluem o desenvolvimento de modificações para estas situações não canônicas.