📊 statistics

Orthogonal factorial designs for trials of therapist-delivered interventions: Randomising intervention-therapist combinations to patients

Este artigo propõe e avalia uma família de delineamentos fatoriais ortogonais que randomizam combinações de terapeuta-intervenção para pacientes, permitindo a separação estatística dos efeitos do terapeuta dos efeitos da intervenção em ensaios de tratamentos administrados por terapeutas.

Autores originais: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando descobrir qual de duas receitas de cozinha diferentes (Intervenção A vs. Intervenção B) faz a melhor sopa. Em um experimento típico, você poderia contratar dois chefs famosos (Terapeutas) e fazer o Chef 1 cozinhar apenas a Receita A e o Chef 2 cozinhar apenas a Receita B. Se a sopa do Chef 1 tiver um sabor melhor, você não saberá se é porque a receita é superior ou simplesmente porque o Chef 1 é um cozinheiro melhor.

Este artigo aborda exatamente esse problema no mundo dos ensaios terapêuticos. Ele propõe uma forma nova e mais rigorosa de organizar esses experimentos para que possamos distinguir a diferença entre uma "boa receita" e um "bom chef".

Aqui está a divisão de suas ideias usando analogias simples:

1. O Problema Central: A Confusão "Chef vs. Receita"

Em muitos estudos de terapia, os pesquisadores tratam a terapia (a receita) como o objeto principal de teste, mas tratam o terapeuta (o chef) apenas como um detalhe de fundo. O artigo argumenta que os terapeutas são, na verdade, uma parte importante do "tratamento". Se você não contabilizar isso adequadamente, seus resultados serão turvos.

2. A Solução Proposta: A "Cozinha Cruzada"

Os autores sugerem um design onde cada chef experimenta todas as receitas.

Modo Antigo: O Chef A faz apenas a Receita A; o Chef B faz apenas a Receita B.
Novo Modo: O Chef A faz tanto a Receita A quanto a Receita B. O Chef B também faz tanto a Receita A quanto a Receita B.

Ao fazer com que cada chef experimente cada receita, você pode separar matematicamente o "Efeito do Chef" (o quão bom a pessoa é) do "Efeito da Receita" (o quão boa é a terapia). Isso é chamado de Design Fatorial Cruzado.

3. As Três Configurações de Cozinha (Os Designs)

O artigo descreve três maneiras de organizar esta "Cozinha Cruzada" dependendo da complexidade do ensaio:

A Cozinha Simples (Totalmente Randomizada): Imagine uma cozinha grande sem turnos. Você tem uma lista de todas as combinações possíveis de "Chef + Receita". Você as distribui aos pacientes de forma completamente aleatória. É como embaralhar um baralho e distribuí-lo.
A Cozinha de Turnos (Blocos Randomizados): Na vida real, os chefs não trabalham 24 horas por dia; eles trabalham em turnos (ou "lotes"). Talvez o Chef A esteja disponível apenas pela manhã e o Chef B à tarde. O artigo sugere organizar o ensaio por esses blocos de tempo. Você garante que, dentro de cada turno, cada chef tenha a chance de cozinhar cada receita. Isso leva em conta o fato de um chef poder estar cansado ao final do dia ou em processo de aprendizado.
A Cozinha de Múltiplas Localidades (Blocos Multicêntricos Randomizados): Agora imagine que o ensaio acontece em várias cidades (Centros). Em cada cidade, há chefs locais que não podem viajar para outras cidades. O design garante que, dentro de cada cidade e dentro de cada turno, as combinações de "Chef + Receita" ainda sejam misturadas de forma justa.

4. A Matemática: Como Provar a Sopa (Análise)

Uma vez coletados os dados, você não pode usar apenas uma calculadora padrão para ver quem venceu. Como o design é tão específico, a matemática precisa ser igualmente específica.

O "Diagrama de Hasse": Os autores usam fluxogramas especiais (diagramas de Hasse) para mapear exatamente como os chefs, as receitas, o tempo e as localidades se encaixam. Pense nisso como um blueprint para a cozinha para garantir que nenhum ingrediente seja contado duas vezes.
O Ajuste "Satterthwaite": Quando você mistura tantas variáveis (chefs, receitas, tempo, localidades), as regras padrão para calcular a "significância estatística" (as chances de o resultado ter ocorrido por acaso) tornam-se complicadas. O artigo recomenda o uso de um ajuste matemático específico (o método de Satterthwaite) para garantir que o veredito final seja preciso.

5. A Simulação: Um "Ensaio Geral"

Antes de dizer aos médicos como mudar a forma como realizam ensaios, os autores realizaram uma simulação de computador (um "ensaio geral") com 10.000 ensaios fictícios. Eles testaram seu novo método contra os métodos antigos e desorganizados.

O que eles descobriram:

Justiça: Quando eles atribuíram aleatoriamente as combinações de "Chef + Receita", conseguiram medir com precisão quanto do resultado se devia ao chef e quanto se devia à receita.
O Perigo de Supor: Se eles tentassem atribuir os chefs às receitas depois de ver qual receita o paciente recebeu (ou se não tivessem escondido a receita do chef), os resultados ficariam distorcidos. Era como um chef provando a sopa antes de servir e mudando a receita para combinar com o humor do cliente. Isso tornava o estudo não confiável.
O Veredito: O novo método de randomizar a combinação de terapeuta e intervenção juntos é a maneira mais confiável de obter uma resposta verdadeira.

Resumo

O artigo argumenta que, para saber verdadeiramente se uma terapia funciona, devemos parar de tratar os terapeutas como um ruído de fundo invisível. Em vez disso, devemos tratá-los como um ingrediente chave na receita. Ao projetar ensaios onde cada terapeuta experimenta cada terapia, e ao usar ferramentas matemáticas específicas para analisar os resultados, podemos obter uma imagem mais clara e justa do que realmente ajuda os pacientes.

A Conclusão: Não teste apenas a terapia; teste a equipe (terapeuta + terapia) junta, e use a matemática correta para descobrir quem fez o quê.

Resumo Técnico: Desenhos Fatoriais Ortogonais para Ensaios de Intervenções Administradas por Terapeutas

Definição do Problema
Em ensaios paralelos de grupos independentes com randomização individual para avaliar intervenções administradas por terapeutas (ex.: psicoterapia), o agrupamento relacionado ao tratamento é um problema reconhecido, onde os resultados dos pacientes estão correlacionados dentro dos terapeutas. Embora a prática padrão reconheça esse agrupamento para fins de tamanho de amostra e análise, o foco principal permanece na estimativa dos efeitos da intervenção, tratando os terapeutas meramente como uma fonte de variância, e não como um fator de tratamento. Desvendar os efeitos específicos dos terapeutas em relação aos efeitos das intervenções continua sendo um desafio. A literatura existente frequentemente aborda desenhos aninhados ou parcialmente aninhados (onde cada terapeuta administra apenas uma intervenção), mas deixou o estudo de desenhos "cruzados" (onde cada terapeuta administra todas as intervenções) relativamente subdesenvolvido. Além-disso, há uma desconexão entre a literatura de Planejamento de Experimentos (DoE - Design of Experiments), que tipicamente assume fatores de tratamento fixos, e a metodologia de ensaios clínicos, que frequentemente trata os terapeutas como efeitos aleatórios.

Metodologia
Os autores propõem uma família de desenhos experimentais fatoriais ortogonais que tratam tanto a intervenção quanto o terapeuta como fatores de tratamento. Neste arcabouço, a combinação de um terapeuta específico e uma intervenção específica constitui o "tratamento", que é randomizado para os pacientes. O artigo adapta a abordagem clássica de DoE descrita por Bailey [42] para acomodar o terapeuta como um fator de tratamento aleatório.

Os autores delineiam três estruturas de desenho específicas:

Desenho Fatorial Completamente Randomizado: Um ensaio de centro único onde as intervenções e os terapeutas são constantes ao longo do tempo. Os pacientes são randomizados para todas as combinações de intervenções e terapeutas.
Desenho Fatorial de Blocos Randomizados: Considera o "aprendizado do terapeuta" ou efeitos de tempo ao introduzir um fator de bloqueio, "Lotes" (Batches ou períodos de tempo). Os tratamentos são randomizados para os pacientes dentro de cada lote.
Desenho Fatorial de Blocos Randomizados Multicêntrico: Estende o desenho anterior para múltiplos centros, onde os terapeutas estão aninhados dentro dos centros, e os lotes são cruzados com os centros.

Para cada desenho, os autores fornecem:

Diagramas de Hasse: Para visualizar as relações entre os fatores de unidade e de tratamento, distinguindo entre efeitos fixos e aleatórios.
Análise de Variância (ANOVA): Tabelas detalhadas definindo estratos, fontes de variação, graus de liberdade e quadrados médios esperados. Os autores observam que, em desenhos de blocos, a estrutura não é estritamente ortogonal sob definições padrão devido a "efeitos aleatórios dependentes" (onde o supremo de fatores aleatórios se sobrepõe a fatores fixos). Consequentemente, eles propõem o uso de combinações lineares de quadrados médios e a aproximação de Satterthwaite para estimar os graus de liberdade residuais apropriados para testar os efeitos fixos da intervenção.
Modelos de Regressão: Modelos lineares equivalentes de efeitos mistos (modelos de coeficientes aleatórios) são apresentados para cada desenho, vinculando componentes de variância (variância entre terapeutas, variância entre terapeutas no efeito da intervenção e erro ao nível do paciente) aos autovalores da ANOVA.
Implementação: O código R específico utilizando aov e lmer é fornecido para executar essas análises.

Estudo de Simulação
Um estudo de simulação foi conduzido para avaliar o desempenho de cinco métodos de randomização através dos desenhos propostos:

Atribuição não-randomizada do terapeuta após a randomização da intervenção.
Atribuição não-randomizada do terapeuta antes da randomização da intervenção.
Randomização da intervenção por blocos por terapeuta.
Método Proposto: Randomizar a combinação terapeuta-intervenção para os pacientes.
Randomizar as intervenções e, em seguida, randomizar os terapeutas para os pacientes (bloqueado por intervenção).

O estudo variou covariáveis de base preditivas de resultados para simular cenários onde a atribuição do terapeuta poderia ser influenciada pelas características do paciente ou pelo conhecimento da intervenção.

Resultos Principais

Viés e Estimativa de Variância: O efeito da intervenção ( $\delta_1$ $δ_{1}$ ) foi estimado sem viés em todos os métodos. No entanto, a estimativa dos componentes de variância foi altamente sensível ao método de randomização.
- A atribuição não-randomizada de terapeutas (Métodos 1–3) levou à superestimativa substancial da variância entre terapeutas ( $\sigma^2_{u1}$ ) e da variância entre terapeutas no efeito da intervenção ( $\sigma^2_{v1}$ ) quando as covariáveis estavam desbalanceadas.
- A randomização das combinações terapeuta-intervenção (Método 4) ou a randomização dos terapeutas para os pacientes (Método 5) facilitou a estimativa não enviesada desses componentes de variância.
Erro Padrão e Poder: Quando a atribuição não-randomizada causou uma estimativa inflada da variância entre terapeutas no efeito da intervenção, o erro padrão do efeito da intervenção aumentou, levando a um aumento substancial no erro do Tipo II (redução do poder estatístico).
Erro do Tipo I: A taxa de erro do Tipo I permaneceu em 5% para a maioria dos métodos. No entanto, um cenário específico (Método 5, onde os terapeutas foram randomizados após as intervenções) apresentou erro do Tipo I inflado quando uma covariável influenciou a atribuição do terapeuta. Isso ocorreu porque o balanceamento post-hoc da covariável criou um desequilíbrio no número de pacientes por combinação de tratamento, o qual não foi ajustado na análise.
Estimativas de Fronteira: O estudo observou que os componentes de variância foram frequentemente estimados como zero (estimativas de fronteira), o que afeta os graus de liberdade disponíveis para testar o efeito da intervenção.

Significância e Alegações
O artigo afirma ser o primeiro a aplicar uma abordagem formal de Planejamento de Experimentos ao desenho de ensaios para intervenções administradas por terapeutas, onde o terapeuta é tratado como um fator de tratamento aleatório em um desenho cruzado. Os autores argumentam que esta abordagem:

Fornece um arcabouço rigoroso para separar os efeitos do terapeuta dos efeitos da intervenção.
Oferece uma família de desenhos ortogonais que permitem a estimativa do aprendizado do terapeuta (via bloqueio) e dos efeitos de centro.
Demonstra, através de simulação, que a randomização proposital das combinações terapeuta-intervenção é superior à atribuição sequencial ou não-randomizada para a estimativa não enviesada de variância e para a manutenção do poder estatístico.
Destaca a necessidade de usar a aproximação de Satterthwaite para os graus de liberdade e sugere que a análise baseada em ANOVA pode ser preferível à regressão padrão para evitar consequências indesejadas das estimativas de fronteira nos graus de liberdade.

Os autores concluem que, embora seus desenhos propostos sejam teoricamente ideais, restrições práticas (como disponibilidade e rotatividade de terapeutas) exigem mais pesquisa metodológica para desenvolver métodos de randomização flexíveis. Eles enfatizam que um planejamento de ensaio mais proposital tem o potencial de gerar evidências melhores para intervenções complexas em psicoterapia, fisioterapia, reabilitação e cirurgia.