Proximal Learning for Trials With External Controls: A Case Study in HIV Prevention

Este artigo apresenta uma aplicação inovadora de inferência causal proximal para estimar a eficácia relativa ao placebo de cabotegravir na prevenção do HIV, utilizando dados de controle externo e abordando desafios como diferenças de risco não medidas e baixas taxas de incidência por meio de dois novos métodos estatísticos.

O essencial

Imagine que você é um médico e tem um novo remédio incrível para prevenir uma doença grave (neste caso, o HIV). Você quer provar que ele funciona melhor do que um "placebo" (um remédio falso, sem efeito).

O problema é que, hoje em dia, já existe um tratamento padrão muito eficaz (chamado PrEP). Por questões éticas, não podemos mais fazer um teste onde metade dos pacientes toma o remédio novo e a outra metade toma apenas um placebo, deixando-os sem proteção. Isso seria antiético.

Então, como provar que o novo remédio é realmente bom? É aqui que entra este estudo, que usa uma espécie de "detetive de dados" para resolver o mistério.

O Cenário: Duas Histórias Diferentes

1. O Estudo Principal (HPTN 083): Testou um novo remédio injetável (Cabotegravir) contra o tratamento padrão (pílulas diárias). O novo remédio funcionou muito bem. Mas, como não havia grupo de placebo, não sabíamos exatamente quanto o novo remédio reduziu o risco em comparação a "nada".
2. O Estudo de Controle (AMP): Um estudo antigo que teve um grupo de placebo. Porém, as pessoas desse estudo eram um pouco diferentes das do estudo principal (mais velhas, de lugares diferentes, com riscos diferentes).

Se você simplesmente comparar os dois, será como comparar maçãs com laranjas. As diferenças nas pessoas podem distorcer os resultados.

A Solução Criativa: O "Espelho" e o "Sinalizador"

Os autores desenvolveram uma técnica estatística chamada Inferência Proximal. Para entender como funciona, vamos usar uma analogia:

Imagine que você quer saber o quão perigoso é dirigir em uma estrada escura (o risco de HIV), mas você não tem câmeras na estrada (dados não medidos).

• O Problema: As pessoas do Estudo Principal e do Estudo de Controle vivem em cidades diferentes. Uma cidade tem mais crime, outra menos. Isso é o "risco não medido".
• A Solução (O Espelho): Eles usaram variáveis que funcionam como um espelho desse risco oculto.
  • O Espelho (Infecções Sexuais): Eles olharam para doenças como gonorreia e clamídia. Essas doenças não causam HIV diretamente, mas compartilham os mesmos "vizinhos" (comportamentos de risco, redes sociais, ambiente local). Se uma pessoa tem gonorreia, é provável que ela esteja em um ambiente de alto risco para HIV também.
  • O Sinalizador (Região Geográfica): Eles usaram a região onde a pessoa mora (América Latina vs. resto do mundo) como um sinalizador do ambiente local.

Ao usar essas variáveis como "espelhos" do risco oculto, os pesquisadores conseguiram "limpar" as diferenças entre os dois estudos. Foi como se eles tivessem um filtro mágico que removeu o ruído das diferenças geográficas e comportamentais, permitindo comparar os dados de forma justa.

As Duas Ferramentas de Detetive

Para fazer essa comparação, eles criaram dois métodos matemáticos:

1. O Método do "Peso" (IPCW): Imagine que você está tentando equilibrar uma balança. Se o grupo de controle tem mais pessoas idosas e o grupo principal tem mais jovens, você dá "peso" extra às pessoas idosas do grupo de controle para que elas representem melhor o grupo principal. Eles fizeram isso de forma muito sofisticada, usando os "espelhos" (as infecções) para ajustar os pesos e garantir que a comparação fosse justa.
2. O Método de "Dois Passos" (Regressão): Como os casos de HIV são raros (é difícil encontrar alguém que pegou a doença no estudo), eles criaram um método em duas etapas. Primeiro, eles analisaram como as "infecções espelho" se comportam no estudo antigo. Depois, usaram essa informação para prever o que teria acontecido no estudo novo, caso ele tivesse um placebo. É como usar um modelo de previsão do tempo baseado em dados históricos para prever o clima de hoje.

O Resultado: A Prova Final

Ao aplicar essas técnicas, os pesquisadores conseguiram estimar o que teria acontecido com os participantes do estudo principal se eles tivessem tomado o placebo.

• Descoberta: O placebo (mesmo com algumas pessoas usando proteção por conta própria) teria uma taxa de infecção de cerca de 4,3% a 5,5%.
• Comparação: O novo remédio (Cabotegravir) teve uma taxa de apenas 0,4%.

Isso significa que o novo remédio é extremamente eficaz, reduzindo o risco em mais de 90% em comparação ao cenário de placebo. O tratamento padrão (pílulas) também funcionou bem, mas o novo remédio foi superior.

Por que isso é importante?

Este estudo é um marco porque mostra que, mesmo sem um grupo de placebo no teste atual, podemos usar dados antigos e técnicas estatísticas inteligentes para provar a eficácia de novos tratamentos.

É como se, em vez de precisar construir uma nova pista de corrida para testar um carro novo, os engenheiros usassem dados de uma pista antiga, ajustassem as condições de vento e asfalto com uma fórmula mágica, e dissessem: "Com certeza, este carro novo é mais rápido do que o antigo".

Isso permite que novos medicamentos sejam aprovados mais rápido e de forma mais ética, salvando vidas sem precisar expor pessoas a riscos desnecessários.

Resumo técnico

Resumo Técnico: Aprendizado Proximal para Ensaios com Controles Externos: Um Estudo de Caso em Prevenção do HIV

1. Problema e Contexto

Com o advento de agentes eficazes de profilaxia pré-exposição (PrEP), como o tenofovir/emtricitabina (TDF/FTC), os ensaios clínicos de prevenção do HIV tornaram-se frequentemente controlados ativamente (comparando um novo tratamento a um tratamento padrão eficaz) em vez de controlados por placebo. Isso ocorre por razões éticas, pois é difícil justificar a privação de uma intervenção comprovada em um braço de placebo.

No entanto, estimar a eficácia absoluta de uma nova intervenção em relação a um placebo permanece crucial para:

1. Permitir que pacientes e clínicos tomem decisões informadas sobre o nível real de proteção.
2. Facilitar o desenho de ensaios futuros onde o desfecho primário é a incidência de HIV (que está diminuindo), tornando ensaios ativos com placebo ineficientes ou inviáveis.

O desafio central é estimar a incidência cumulativa contrafactual sob placebo para participantes de um ensaio ativo, utilizando dados de um ensaio externo controlado por placebo. O principal obstáculo estatístico é o confundimento não medido (ex.: prevalência local de HIV, densidade de redes sexuais, normas culturais) que difere entre os estudos e não pode ser ajustado apenas por covariáveis observadas. Além disso, baixas taxas de incidência de HIV criam desafios de precisão e estabilidade nas estimativas.

2. Metodologia

Os autores propõem a aplicação de métodos de Inferência Causal Proximal (Proximal Causal Inference) para lidar com o confundimento não medido. A abordagem utiliza variáveis de controle negativo (Negative Controls) para atuar como proxies de fatores de confusão não observados.

2.1. Variáveis de Controle Negativo

O estudo define duas variáveis chave baseadas nos dados dos ensaios HPTN 083 (ensaio primário, ativo) e AMP (ensaio externo, controle):

• Exposição de Controle Negativo (NCE - Z): Região geográfica (ex.: América Latina vs. não América Latina). Correlaciona-se com o ambiente de transmissão local (fator de confusão não medido), mas não afeta diretamente o risco individual de HIV além desse contexto.
• Desfecho de Controle Negativo (NCO - W): Status de Infecções Sexualmente Transmissíveis (ISTs) na linha de base (gonorreia retal e clamídia). Compartilham fatores de risco comportamentais e biológicos com a aquisição de HIV, mas não influenciam diretamente a participação no estudo ou o braço de tratamento.

2.2. Abordagens Estatísticas Propostas

Os autores desenvolveram duas estratégias para estimar a incidência sob placebo:

A. Estimador Semiparamétrico de Ponderação pela Probabilidade Inversa de Censura (IPCW)

• Fundamento: Estende o trabalho de Cui et al. (2024) e Ying et al. (2022) para dados de tempo até evento com censura.
• Mecanismo: Utiliza "funções ponte" (bridge functions) para identificar o efeito causal.
  • Função Ponte de Desfecho (h): Relaciona o NCO ao desfecho potencial.
  • Função Ponte de Tratamento (q): Relaciona a NCE à probabilidade de pertencer ao estudo externo.
• Vantagem: Requer menos suposições sobre o processo de geração de dados (modelo semiparamétrico).
• Limitação: Pode produzir estimativas fora do intervalo (0, 1) em cenários de eventos raros e exige variáveis de controle contínuas ou com muitas categorias para confundidores contínuos (os autores adaptaram assumindo um confundidor binário para lidar com dados binários de ISTs).

B. Estratégia de Regressão em Duas Etapas (Two-Stage Regression)

• Fundamento: Desenvolvida especificamente para cenários de baixa incidência (eventos raros), comum em ensaios de PrEP.
• Mecanismo:
  1. Assume que, para tempos curtos (ex.: 1 ano), a função de risco (hazard) pode ser aproximada pela função de densidade (colapsável).
  2. Assume uma estrutura de erro independente da média para o confundidor não medido.
  3. Modela o NCO (ISTs) com um modelo log-linear e o tempo até o evento com um modelo de riscos proporcionais de Cox.
  4. Deriva uma relação onde o risco sob placebo pode ser estimado usando o logaritmo do valor esperado do NCO.
• Vantagem: Mais eficiente estatisticamente em cenários de poucos eventos e fornece estimativas mais estáveis com intervalos de confiança mais estreitos.

3. Estudo de Caso: Aplicação no HPTN 083

• Dados:
  • Primário: HPTN 083 (n=4.566), comparando Cabotegravir injetável vs. TDF/FTC oral.
  • Externo: AMP (HVTN 704) (n=898 no braço de placebo), comparando anticorpo VRC01 vs. Placebo.
• Análise: Os autores ajustaram para covariáveis observadas (idade, raça, gênero) e utilizaram as regiões geográficas e ISTs basais como NCE e NCO, respectivamente.
• Comparação: Os resultados foram comparados com modelos de regressão "ingênuos" (que assumem ausência de confundimento não medido).

4. Resultados Principais

1. Estimativa de Incidência sob Placebo:

   • As abordagens de inferência proximal (IPCW e Duas Etapas) estimaram consistentemente uma incidência cumulativa de HIV sob placebo de 4,3% a 5,5% ao longo de um ano para a população do HPTN 083.
   • Os modelos ingênuos (sem ajuste proximal) subestimaram a incidência (cerca de 2,9% - 3,0%), indicando viés residual devido ao confundimento não medido.
   • Os intervalos de confiança dos métodos proximal foram mais amplos, refletindo a incerteza adicional introduzida pelo ajuste para confundimento não medido (o que é estatisticamente mais honesto).

2. Eficácia Absoluta:

   • Cabotegravir: Demonstrou superioridade estatisticamente significativa em relação ao placebo estimado (p < 0,001 em todos os métodos), com eficácia relativa estimada entre 90,5% e 92,5%.
   • TDF/FTC: Também mostrou superioridade significativa sobre o placebo, embora com p-valores maiores e eficácia relativa estimada entre 71,6% e 77,8%. A eficácia aparente do TDF/FTC foi menor em comparação ao placebo estimado do que a observada no ensaio original, possivelmente devido ao uso de PrEP concomitante no braço de placebo do estudo externo (AMP).

3. Desempenho dos Métodos:

   • A abordagem de Duas Etapas produziu estimativas com menor variância e intervalos de confiança mais estreitos em comparação ao IPCW, sendo particularmente adequada para a baixa taxa de eventos observada.
   • A abordagem IPCW mostrou-se robusta, mas com maior variabilidade e risco de estimativas fora do suporte (0,1) em simulações.

5. Contribuições e Significância

• Inovação Metodológica: O artigo preenche uma lacuna estatística ao adaptar a inferência causal proximal para ensaios com controles externos e desfechos de tempo até evento censurados, lidando especificamente com o problema de confundimento não medido entre estudos com populações e contextos geográficos diferentes.
• Solução para Baixa Incidência: A proposta de um método de regressão em duas etapas baseado no modelo de Cox para eventos raros oferece uma ferramenta prática para ensaios modernos de prevenção onde o número de eventos é baixo.
• Validação Prática: A aplicação ao HPTN 083 demonstra a viabilidade de estimar eficácia absoluta sem um braço de placebo contemporâneo, fornecendo evidências robustas para a aprovação regulatória e tomada de decisão clínica.
• Implicações Futuras: O estudo sugere que métodos de aprendizado proximal podem ser aplicados a outros ensaios clínicos ativos e de braço único, permitindo a integração de dados do mundo real e históricos de forma causalmente válida, desde que variáveis de controle negativo válidas possam ser identificadas.

Em resumo, o trabalho demonstra que, ao utilizar corretamente variáveis de controle negativo (como ISTs e região) dentro de um framework de inferência proximal, é possível corrigir viéses de confundimento não medido e obter estimativas confiáveis de eficácia absoluta, superando as limitações éticas e práticas dos ensaios controlados por placebo tradicionais na era da PrEP.