Who's Winning? Clarifying Estimands Based on Win Statistics in Cluster Randomized Trials

Resumo Técnico: Estatísticas de Vitória em Ensaios Clusterizados (CRTs)

1. O Problema

As estatísticas de vitória (como a Win Ratio, Win Odds e Win Difference) tornaram-se alvo de estimação popular em ensaios clínicos para resumir resultados complexos e hierárquicos, priorizando desfechos por importância clínica. No entanto, a sua aplicação em Ensaios Clusterizados Randomizados (CRTs) apresenta desafios metodológicos significativos que não são abordados na literatura atual.

Em CRTs, a randomização ocorre em grupos (clusters), como hospitais ou escolas, e não em indivíduos. O artigo identifica que, na presença de tamanhos de cluster informativos (ICS - Informative Cluster Sizes), onde o tamanho do cluster está correlacionado com os desfechos ou com o efeito do tratamento, existem dois estimandos fundamentalmente diferentes que podem levar a conclusões opostas:

• Estimando Individual-Pair (Par Individual): Foca no efeito médio sobre os indivíduos, dando peso igual a cada participante.
• Estimando Cluster-Pair (Par de Cluster): Foca no efeito médio sobre os clusters, dando peso igual a cada cluster, independentemente do seu tamanho.

A falta de clareza sobre qual estimando está sendo alvo pode resultar em respostas a perguntas científicas drasticamente diferentes e, potencialmente, enganosas.

2. Metodologia

Os autores utilizam a estrutura de Resultados Potenciais (Potential Outcomes Framework) para definir formalmente os estimandos e estimadores em CRTs.

• Definição de Estimandos:

  • Individual-Pair: Trata cada indivíduo como unidade de inferência. O estimando é a probabilidade de que um resultado potencial tratado de um indivíduo aleatório exceda o resultado de controle de outro indivíduo aleatório.
  • Cluster-Pair: Trata cada cluster como unidade de inferência. O estimando é a média das proporções de vitória dentro de cada par de clusters (tratamento vs. controle), ponderando igualmente os pares de clusters.
  • Unificação: Ambos são unificados sob um quadro de estimandos ponderados, onde o peso atribuído ao par de clusters ($i, j$) determina se o alvo é individual ($\omega_{ij} = N_i N_j$) ou cluster ($\omega_{ij} = 1$).

• Estimação e Variância:

  • São propostos estimadores consistentes para ambos os tipos de estimandos.
  • Para inferência estatística, os autores propõem um estimador de variância jackknife (leave-one-cluster-out). Este método remove um cluster por vez, recalcula as estatísticas e utiliza a variabilidade entre as repetições para estimar a variância.
  • A inferência é realizada utilizando uma distribuição t com $M-2$ graus de liberdade (onde $M$ é o número de clusters), sendo uma abordagem conservadora para números pequenos de clusters.

• Análise de Cenários:

  • Exemplo Numérico: Um cenário hipotético com desfecho ordinal e tamanhos de cluster informativos (Tipos I e II) foi construído para demonstrar a divergência.
  • Simulação: Foi realizada uma simulação com $M=100$ clusters e desfechos ordinais de 5 níveis, comparando cenários sem ICS e com ICS (Tipos I e II), avaliando viés, cobertura de intervalos de confiança e consistência.

3. Contribuições Principais

1. Clarificação Conceitual: Diferenciação rigorosa entre estimandos de par individual e par de cluster em CRTs sob a ótica de estatísticas de vitória.
2. Demonstração de Divergência: Evidência teórica e numérica de que, na presença de tamanhos de cluster informativos, os dois estimandos podem não apenas diferir em magnitude, mas fornecer conclusões opostas (ex.: benefício do tratamento vs. dano do tratamento).
3. Proposta de Inferência Robusta: Introdução de estimadores consistentes e do método jackknife para variância, adaptado especificamente para a estrutura de dados de CRTs com estatísticas de vitória.
4. Análise de Viés em Amostras Finitas: Identificação de que, embora os estimadores de par individual sejam consistentes assintoticamente, eles podem apresentar viés em amostras finitas na presença de ICS, enquanto os estimadores de par de cluster permanecem não viesados para seus respectivos alvos.

4. Resultados Chave

• Cenário de Exemplo (Tipos I e II ICS):

  • O estimando de par individual indicou um forte benefício do tratamento (Win Ratio = 2.238), dominado pelos clusters maiores que continham a maioria dos indivíduos.
  • O estimando de par de cluster indicou dano do tratamento (Win Ratio = 0.880), pois ponderou igualmente todos os clusters, incluindo os menores onde o tratamento foi prejudicial.
  • Conclusão: A escolha do estimando alterou completamente a interpretação do sucesso da intervenção.

• Resultados da Simulação:

  • Sem ICS: Ambos os estimandos foram consistentes, não viesados e com cobertura nominal (95%) dos intervalos de confiança.
  • Com ICS:
    • Os estimadores de par individual exibiram viés relativo e cobertura inferior ao nominal (ex.: 90.9% para Win Ratio), indicando cautela necessária em amostras finitas.
    • Os estimadores de par de cluster permaneceram não viesados e com cobertura próxima do nominal, demonstrando robustez contra a influência de clusters maiores.

• Não Colapsabilidade: O estudo demonstra que estimandos de diferença (como Win Difference) em estatísticas de vitória são geralmente "não colapsáveis" na presença de tamanhos de cluster informativos, contradizendo expectativas anteriores de que apenas estimandos de razão seriam afetados.

5. Significado e Implicações

Este trabalho é fundamental para a prática de ensaios clínicos em CRTs que utilizam desfechos complexos ou compostos. A principal mensagem é que a especificação cuidadosa do estimando alvo é crítica.

• Decisão Científica: Os pesquisadores devem definir explicitamente se a pergunta de interesse é sobre o efeito médio em um indivíduo (ex.: mortalidade, qualidade de vida) ou em um cluster (ex.: práticas de prescrição, comportamento coletivo).
• Risco de Interpretação Errada: Ignorar a presença de tamanhos de cluster informativos e aplicar estimadores de par individual sem ajuste pode levar a conclusões falsas sobre a eficácia do tratamento.
• Recomendação: Em cenários onde o tamanho do cluster está correlacionado com o desfecho ou o efeito do tratamento, o uso de estimandos de par de cluster (ou a compreensão clara das limitações do par individual) é essencial para garantir a validade da inferência.

O artigo fornece as ferramentas metodológicas e o quadro conceitual necessários para evitar armadilhas analíticas comuns na aplicação de estatísticas de vitória em estudos clusterizados.