Two-stage Adaptive Design Cluster Randomised Trials

O artigo propõe uma abordagem de teste combinado adaptado para ensaios cluster randomizados de dois estágios, permitindo reavaliação de tamanho amostral, parada precoce e redesenho do estudo para otimizar custos e eficiência, especialmente em cenários com alta incerteza nos parâmetros de correlação intracluster.

O essencial

Imagine que você é o capitão de um navio que precisa cruzar um oceano desconhecido para entregar uma carga preciosa (o resultado de um teste médico). O problema é que você não sabe exatamente o tamanho do oceano, nem quão turbulentas serão as ondas, e o combustível (dinheiro e pacientes) é limitado.

Se você planejar uma viagem fixa desde o início, corre dois riscos:

1. Gastar demais: Levar combustível para uma viagem que, na verdade, era curta.
2. Ficar sem combustível: Levar pouco combustível e ter que voltar no meio do caminho porque o oceano era maior do que pensava.

Este artigo, escrito por Samuel Watson e James Martin, apresenta um novo "mapa de navegação" para Ensaios Clínicos Randomizados em Aglomerados (ou seja, testes médicos onde grupos inteiros, como escolas, hospitais ou vilas, são testados juntos, e não indivíduos isolados).

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Efeito de Grupo" e a Incerteza

Em testes normais, cada pessoa é como um passageiro independente. Mas em testes de "aglomerados" (como testar um novo método de ensino em escolas inteiras), as pessoas dentro do mesmo grupo tendem a se parecer mais umas com as outras (como irmãos ou colegas de classe). Isso cria uma "correlação".

O problema é que, no início do teste, os pesquisadores não sabem exatamente o quanto esses grupos são parecidos. Eles têm que fazer uma estimativa conservadora (pior cenário), o que muitas vezes faz com que o teste fique gigantesco e caro, como se você estivesse levando um tanque de combustível extra para uma viagem que talvez não precise.

2. A Solução: O "GPS Adaptativo" (Design Adaptativo)

Os autores propõem um sistema que permite parar e reavaliar a viagem no meio do caminho (uma análise intermediária). É como ter um GPS que, a cada 100 km, pergunta: "Olha, a estrada está mais curta do que imaginávamos? Vamos acelerar e chegar mais rápido? Ou a estrada está cheia de buracos e precisamos de mais combustível?"

O método deles permite três coisas principais:

• Parar cedo se der certo: Se o tratamento funcionar muito bem, pare o teste imediatamente e declare vitória, economizando tempo e dinheiro.
• Parar cedo se não funcionar: Se ficar claro que o tratamento é inútil, pare para não desperdiçar recursos.
• Ajustar o tamanho: Se o grupo for mais parecido do que pensávamos, talvez precisemos de menos pessoas. Se for menos parecido, podemos precisar de mais.

3. A Ferramenta Mágica: O "Teste de Combinação"

Como você pode mudar o plano no meio do teste sem "trapacear" ou invalidar os resultados? Os autores usam uma técnica matemática chamada Teste de Combinação.

Imagine que você está montando um quebra-cabeça em duas etapas:

1. Etapa 1: Você monta a metade esquerda do quebra-cabeça.
2. Etapa 2: Você olha para a metade esquerda, decide como montar a metade direita (talvez mudando o tamanho da peça ou a forma como ela se encaixa) e completa o resto.

A "mágica" matemática garante que, mesmo que você mude a estratégia da segunda metade baseada no que viu na primeira, a imagem final (o resultado do teste) ainda será válida e justa. Eles usam pesos fixos (como uma balança calibrada antes de começar) para garantir que a justiça estatística não seja quebrada.

4. O Dilema do Orçamento: "Gastar Menos" vs. "Não Gastar Demais"

O artigo discute como escolher o melhor tamanho para a segunda parte da viagem. Eles apresentam duas filosofias:

• O Otimista (Minimizar o Custo Esperado): "Vamos tentar gastar o mínimo possível em média." Isso pode ser arriscado, pois se a viagem der errado, você pode acabar gastando uma fortuna no final.
• O Cético (Minimizar o Custo Máximo): "Vamos garantir que, no pior dos casos, não vamos quebrar o banco." Isso é mais seguro, mas pode fazer você gastar um pouco mais do que o necessário em viagens fáceis.

Os autores usam um conceito chamado Fronteira de Pareto. Imagine um gráfico onde você quer descer o mais baixo possível (gastar menos) e ir o mais para a esquerda (ter menos pacientes). A "Fronteira de Pareto" é a linha de melhores opções possíveis onde você não consegue melhorar um sem piorar o outro. Eles ajudam os pesquisadores a escolher o ponto exato nessa linha que faz mais sentido para o projeto deles.

5. Exemplos Reais (A Prova de Fogo)

Para mostrar que isso funciona, eles aplicaram o método em dois cenários:

1. Um teste teórico: Mostraram como poderiam ter reduzido o número de participantes e custos significativamente em um teste padrão.
2. O caso E-MOTIVE: Eles reanalisaram um teste real e gigante sobre hemorragia pós-parto.
   • O Resultado: Se tivessem usado esse método, teriam parado o teste muito mais cedo (com 60% menos pacientes) porque o tratamento era claramente eficaz.
   • O Pulo do Gato: Eles também mostraram que, às vezes, parar muito cedo pode não ser bom se você quiser estudar efeitos a longo prazo. O sistema permite ajustar o plano para focar no que é mais importante naquele momento.

Resumo Final

Este artigo é como um manual de instruções para transformar testes médicos rígidos e caros em viagens flexíveis e inteligentes.

Em vez de comprar um bilhete de trem de ida e volta para um destino incerto, os pesquisadores agora podem comprar um bilhete com paradas estratégicas. Se o trem estiver rápido, eles descem antes. Se estiver lento, ajustam a rota. O resultado é que os fundos de pesquisa (o dinheiro dos contribuintes) são usados de forma mais eficiente, e os pacientes são expostos a riscos desnecessários por menos tempo.

É a ciência médica aprendendo a ser ágil, econômica e, acima de tudo, mais humana.

Resumo técnico

Resumo Técnico: Desenhos Adaptativos de Duas Etapas para Ensaios Randomizados por Clusters

1. Problema e Motivação

Os ensaios randomizados por clusters (ERCs) são desenhos experimentais onde grupos inteiros de participantes (ex.: hospitais, escolas, vilas) são alocados aleatoriamente a diferentes tratamentos. Uma característica definidora dos ERCs é a correlação entre os resultados de participantes dentro do mesmo cluster, o que reduz a eficiência estatística e exige tamanhos de amostra maiores do que em ensaios individualmente randomizados.

O principal desafio identificado pelos autores é a alta incerteza nos parâmetros auxiliares que governam essa estrutura de correlação, especificamente o Coeficiente de Correlação Intraclass (ICC) e outros parâmetros de correlação temporal ou entre períodos. Como esses parâmetros são frequentemente desconhecidos ou estimados com grande variabilidade no estágio de planejamento, os pesquisadores tendem a adotar valores conservadores, resultando em tamanhos de amostra excessivos e custos elevados.

O problema central é como adaptar o tamanho da amostra e o desenho do ensaio com base em análises interinas (interim analyses) para reduzir custos e o número esperado de participantes, sem inflar a taxa de erro Tipo I, considerando a complexidade das correlações dentro dos clusters e a possibilidade de recrutamento contínuo em clusters existentes.

2. Metodologia

Os autores propõem uma adaptação da abordagem de Teste de Combinação (Combination Test) para o contexto de ensaios por clusters, permitindo paradas precoces por futilidade ou eficácia, bem como re-desenhos do estudo.

A. Estatística de Teste Combinada (Score Test)

• Decomposição: O estatístico de teste global é decomposto em uma estatística marginal da primeira etapa ($U_1$) e uma estatística condicional da segunda etapa ($U_{2|1}$), ajustada para os dados da primeira etapa.
• Correlação entre Etapas: O método lida explicitamente com a correlação entre os dados das duas etapas (devido ao recrutamento contínuo nos mesmos clusters) utilizando a matriz de covariância de trabalho ($\Sigma$) e projeção dos indicadores de tratamento sobre variáveis de "nuisance" (efeitos fixos e aleatórios).
• Preservação do Erro Tipo I: O teste combina estatísticas padronizadas ($Z_1$ e $Z_{2|1}$) ponderadas por pesos fixos ($w_1, w_2$) determinados no planejamento inicial. A soma ponderada $Z = w_1Z_1 + w_2Z_{2|1}$ segue uma distribuição normal sob a hipótese nula, garantindo o controle do erro Tipo I, mesmo que o desenho da segunda etapa seja modificado com base nos dados da primeira.
• Correção para Pequenas Amostras: Reconhecendo que ERCs com poucos clusters (<40) sofrem de viés em testes Z padrão, o método utiliza estatísticas $t$ com correção "between-within" (graus de liberdade baseados em períodos-cluster menos parâmetros fixos), convertendo-as posteriormente para a escala $Z$ para o teste combinado.

B. Seleção de Tamanhos de Amostra e Regras de Decisão
O problema de otimização é tratado como um problema de otimização multi-critério (Pareto), equilibrando objetivos conflitantes:

• Minimizar o custo total esperado vs. minimizar o custo máximo (pior caso).
• Minimizar o número esperado de participantes vs. minimizar o número máximo de clusters.
• Maximizar a probabilidade de parada precoce.

Duas estratégias de decisão para a segunda etapa são propostas:

1. Critério Penalizado por Custo: Maximiza a potência condicional menos uma penalidade linear pelo custo ($CP - \lambda \cdot C$). Tende a reduzir o custo esperado, mas pode permitir custos máximos altos em cenários de futilidade.
2. Critério Restrito por Orçamento: Maximiza a potência condicional sujeito a um teto de custo ($\bar{C}$). Garante um limite superior rígido no custo total, mas pode resultar em um custo esperado ligeiramente maior.

C. Re-estimação de Parâmetros Auxiliares
O método permite a re-estimação de parâmetros de variância e correlação (como o ICC) com base nos dados da primeira etapa para informar o desenho da segunda etapa. Os pesos do teste de combinação permanecem fixos (baseados no planejamento), enquanto a potência condicional é recalculada usando as novas estimativas dos parâmetros, preservando a validade do teste.

3. Contribuições Chave

1. Generalização para Clusters: Adaptação formal da metodologia de teste de combinação para ensaios por clusters, lidando com a complexidade das correlações intra-cluster e entre períodos, algo que a literatura anterior focava quase exclusivamente em ensaios individualmente randomizados.
2. Flexibilidade Multidimensional: O framework permite decisões de re-desenho que envolvem múltiplas dimensões: número de clusters, tamanho do cluster (participantes) e padrões de implementação (ex.: mudar de um desenho "stepped-wedge" para um paralelo).
3. Abordagem Pareto: Introdução de uma abordagem de fronteira de Pareto para selecionar desenhos iniciais que equilibrem trade-offs entre custos esperados e máximos, oferecendo flexibilidade para diferentes preferências de risco dos financiadores.
4. Validação Prática: Desenvolvimento e disponibilização do pacote R acrt para implementação dos métodos e reprodutibilidade das análises.

4. Resultados e Exemplos

Os autores ilustram o método através de três cenários:

• Exemplo 1 (Ensaio Paralelo Adaptativo):

  • Comparação entre desenhos adaptativos e não adaptativos.
  • Resultado: Os desenhos adaptativos reduziram o custo esperado em cerca de 17% em comparação com o desenho não adaptativo.
  • Trade-off: O custo máximo aumentou em 23% (critério penalizado) ou 9% (critério restrito) em relação ao não adaptativo, demonstrando o trade-off entre eficiência esperada e risco de custo máximo.

• Exemplo 2 (Ensaio com Implementação Escalonada - Stepped-Wedge):

  • Cenário onde o ensaio começa como um stepped-wedge e pode ser re-desenhado para um ensaio paralelo ou manter o escalonamento dependendo da estimativa do ICC na análise interina.
  • Resultado: As regras de decisão mostraram que, dependendo da estimativa do ICC, o ensaio poderia otimizar o número de períodos e o grau de escalonamento, evitando recrutamento desnecessário se a correlação fosse menor que o previsto.

• Exemplo Aplicado (Re-análise do E-MOTIVE):

  • Re-análise do grande ensaio clínico E-MOTIVE (hemorragia pós-parto).
  • Simulação: Aplicando o método adaptativo, o ensaio teria parado por eficácia na análise interina com apenas 64 clusters e ~80.000 pacientes (vs. 80 clusters e ~210.000 no original).
  • Economia: Redução de 20% nos clusters e mais de 60% nos pacientes.
  • Limitação Identificada: O artigo destaca que a parada precoce, embora eficiente em custos, poderia impedir a investigação de efeitos de longo prazo ou sustentabilidade da intervenção, sugerindo que em alguns casos, o re-desenho (e não a parada) seria preferível.

5. Significado e Conclusão

O artigo demonstra que os desenhos adaptativos são particularmente benéficos para ensaios por clusters devido à alta incerteza nos parâmetros de correlação que ditam o tamanho da amostra. A metodologia proposta oferece um caminho rigoroso para:

• Reduzir custos e exposição de pacientes a intervenções ineficazes.
• Manter o controle estatístico rigoroso (erro Tipo I) mesmo com modificações complexas no desenho.
• Oferecer flexibilidade operacional (mudança de padrões de randomização e recrutamento).

A principal contribuição é preencher uma lacuna metodológica significativa, fornecendo ferramentas para que financiadores e pesquisadores realizem ensaios por clusters mais eficientes e responsivos, equilibrando a necessidade de poder estatístico com a realidade orçamentária e a incerteza dos parâmetros de estudo. O trabalho sugere que futuras pesquisas devem focar em desenhos multi-estágios e na otimização para múltiplos efeitos de interesse simultâneos.