Remote, bivariate expert elicitation to determine the prior probability distribution for sample size calculation in a Bayesian non-inferiority multicenter randomized controlled trial (Croup Dosing Trial)

Este artigo descreve a aplicação de um método de elicitação remota e bivariada com especialistas para definir uma distribuição a priori que determinou o tamanho da amostra de um ensaio clínico randomizado multicêntrico, demonstrando a viabilidade de substituir interações presenciais na avaliação da não-inferioridade de doses de dexametasona para o tratamento de croup.

O essencial

Imagine que você e um grupo de amigos estão planejando uma grande viagem de barco para um destino desconhecido. Antes de partir, vocês precisam decidir: quantas pessoas devem levar no barco para garantir que a viagem seja segura e que vocês consigam chegar ao destino? Se levarem poucos, podem não ter força suficiente para enfrentar as ondas. Se levarem muitos, o barco fica pesado e caro demais.

Para tomar essa decisão, vocês precisam de um "mapa" que diga o que esperar das ondas. É aqui que entra este artigo científico.

Aqui está a história do estudo, explicada de forma simples:

1. O Grande Problema: O "Mapa" Incompleto

Os médicos estão planejando um novo teste (um "ensaio clínico") para ver se uma dose menor de um remédio chamado dexametasona funciona tão bem quanto a dose padrão para tratar uma doença comum em crianças chamada Crupe (que faz a criança tossir como um cachorro e ter dificuldade para respirar).

O problema é que não existe um "mapa" perfeito baseado em estudos antigos. Os dados existentes são poucos ou confusos. Sem um mapa bom, é impossível saber quantas crianças precisam participar do novo teste para ter certeza dos resultados.

2. A Solução Criativa: Consultar os "Capitães" (Elicitação de Especialistas)

Como não tinham um mapa pronto, os pesquisadores decidiram fazer algo inteligente: eles chamaram 12 "capitães" experientes (médicos de emergência de vários países) para ajudá-los a desenhar esse mapa.

Em vez de fazer uma longa reunião presencial (que seria cara e difícil de organizar com pessoas de diferentes países), eles usaram uma reunião online. Foi como se eles tivessem um "salão de conferências virtual" onde os médicos puderam conversar e compartilhar suas experiências.

3. O Processo: O Jogo de "Adivinhar e Refinar"

O processo funcionou em duas etapas, como um jogo de adivinhação que fica mais preciso com o tempo:

• Rodada 1 (O Palpite Inicial): Cada médico, sozinho, disse: "Na minha experiência, se eu tratar 100 crianças com a dose alta, quantas voltarão ao hospital? E com a dose baixa?" Eles deram seus palpites baseados em anos de trabalho.
• A Conversa (O Debate): Depois, todos se reuniram online. Eles viram os palpites uns dos outros (sem saber quem era quem) e discutiram: "Por que você acha que a dose baixa vai falhar mais?", "Será que depende da época do ano?", "E se o vírus for mais forte?".
• Rodada 2 (O Palpite Refinado): Após ouvir os outros, os médicos tiveram a chance de ajustar seus números. Foi como se eles tivessem polido suas respostas com o conhecimento do grupo.

4. A Mágica Estatística: O "Mapa Bivariado"

Aqui está a parte técnica, mas simplificada:
Normalmente, as pessoas pensam que a dose alta e a dose baixa são coisas totalmente separadas. Mas os pesquisadores perceberam que os médicos pensam nelas juntas (se a dose alta funciona bem, a baixa provavelmente funciona um pouco menos, mas não é uma aposta totalmente aleatória).

Eles usaram uma ferramenta matemática especial (chamada de distribuição bivariada) que conectou as duas respostas de cada médico. Foi como se eles dessem um "puxão" nas duas cordas ao mesmo tempo para garantir que a lógica do médico fosse mantida. Isso criou um mapa muito mais preciso e realista do que se tivessem perguntado sobre cada dose separadamente.

5. O Resultado Final: Quantas Crianças Precisam?

Com esse novo "mapa" criado pelos especialistas, os pesquisadores conseguiram calcular o número exato de participantes necessários.

• Eles descobriram que, com a dose alta, cerca de 6% das crianças podem precisar voltar ao hospital.
• Com a dose baixa, esse número sobe para cerca de 8%.
• Para ter certeza de que a dose baixa é segura (não pior que a alta em mais de 4%), eles precisariam de 1.850 crianças no estudo.

Por que isso é importante?

Este estudo é um exemplo brilhante de como a ciência moderna funciona:

1. Economia e Eficiência: Eles não precisaram gastar milhões em uma reunião presencial.
2. Sabedoria Coletiva: Eles misturaram dados antigos com a experiência real de médicos de diferentes lugares (Canadá, EUA, Austrália, Nova Zelândia).
3. Precisão: Ao usar essa conversa online, eles criaram um plano de estudo muito mais sólido do que se tivessem apenas chutado os números.

Em resumo: Os pesquisadores não adivinharam o tamanho do estudo. Eles perguntaram aos melhores especialistas do mundo, deixaram que eles conversassem entre si, e usaram a sabedoria coletiva deles para desenhar o mapa perfeito para salvar o tempo e o dinheiro de um grande teste médico no futuro.

Resumo técnico

Título: Elicitação Remota e Bivariada de Especialistas para Determinar a Distribuição A Priori no Cálculo de Tamanho Amostral de um Ensaio Controlado Aleatorizado Multicêntrico de Não-Inferioridade: O Ensaio de Dosagem de Croup (Croup Dosing Trial)

1. Problema e Contexto

Os ensaios clínicos baseados em métodos bayesianos exigem a especificação de distribuições a priori para os parâmetros de interesse, refletindo a incerteza dos decisores. Quando a evidência existente sobre os efeitos das intervenções é limitada ou inconclusiva, a elicitação de especialistas (conversão de opiniões de especialistas em distribuições estatísticas) torna-se uma ferramenta crucial.
No entanto, os métodos tradicionais de elicitação exigem interações presenciais e treinamento intensivo prévio, o que é frequentemente inviável devido a restrições de tempo, custos e barreiras geográficas, especialmente em ensaios multicêntricos internacionais.
O Ensaio de Dosagem de Croup visa avaliar a não-inferioridade de uma dose baixa de dexametasona (0,15 mg/kg) em comparação com a dose padrão (0,60 mg/kg) para o tratamento de croup em crianças. O desafio consistia em derivar uma distribuição a priori robusta que incorporasse a incerteza sobre a probabilidade de retornos ao Pronto Socorro (ED) dentro de 7 dias, considerando especialistas de diferentes países (Canadá, EUA, Austrália, Nova Zelândia) e lidando com a dependência entre as estimativas dos dois braços do tratamento.

2. Metodologia

O estudo utilizou uma abordagem de elicitação remota baseada no protocolo validado IDEA (Investigate, Discuss, Estimate, Aggregate), adaptado para um ambiente virtual.

• Participantes: 12 médicos especialistas em medicina de emergência (8 do Canadá, 4 dos EUA) foram recrutados. Eles revisaram literatura prévia sobre a eficácia das doses antes das sessões.
• Ferramenta: Foi desenvolvido um instrumento interativo online (R/Shiny) onde os especialistas forneceram valores de plausibilidade (inferior, superior e mais plausível) para a probabilidade de retorno ao ED para ambas as doses. Esses valores foram ajustados para distribuições Beta.
• Estrutura das Sessões: Realizaram-se três workshops remotos de 90 minutos (via Zoom) para acomodar fusos horários. Cada workshop seguiu duas rodadas de sondagem separadas por uma discussão em grupo:
  1. Rodada 1: Estimação individual inicial.
  2. Discussão: Apresentação de boxplots anonimizados das respostas da Rodada 1, permitindo que os especialistas discutissem suas premissas e racionalizações.
  3. Rodada 2: Reestimativa individual após a reflexão.
• Modelagem Estatística e Agregação:
  • Diferente de abordagens que assumem independência entre os braços, o estudo utilizou distribuições a priori bivariadas para cada especialista.
  • Foi aplicado o método de efeitos latentes (Thall et al.) para introduzir correlação entre as estimativas das duas doses, reconhecendo que os especialistas tendem a usar uma estimativa para informar a outra (ancoragem).
  • As distribuições individuais foram agregadas, ponderando igualmente cada especialista, e covariáveis de experiência profissional foram consideradas.
• Determinação do Tamanho Amostral: O tamanho da amostra foi calculado usando o conceito de garantia (assurance). Simulações foram realizadas no R (usando INLA) para gerar dados binomiais baseados nas distribuições agregadas. O critério foi declarar não-inferioridade se 95% das diferenças médias posteriores fossem menores que a margem de não-inferioridade (4%, definida por uma pesquisa separada com 60 médicos). O objetivo foi atingir 80% de garantia relativa e 5% de garantia no cenário nulo.

3. Resultados Principais

• Participação: 12 especialistas participaram, com experiência variando de 11 a 38 anos. Todos haviam prescrito a dose padrão (0,60 mg/kg) no último ano, mas apenas 2 haviam prescrito a dose baixa (0,15 mg/kg).
• Convergência de Opiniões: Houve uma redução na variabilidade das respostas da Rodada 1 para a Rodada 2, indicando que a discussão em grupo ajudou a calibrar as estimativas.
• Distribuições A Priori Agregadas (Rodada 2):
  • Dose de 0,60 mg/kg ($p_1$): Mediana de 6,44% (Média: 8,01%).
  • Dose de 0,15 mg/kg ($p_2$): Mediana de 8,19% (Média: 1,00% - Nota: A tabela 3 indica uma média de 1,00% mas a mediana de 8,19%; o texto do resumo e discussão focam nas medianas de 6,4% e 8,2% como as estimativas centrais finais).
  • Diferença de Risco ($p_2 - p_1$): Mediana de 1,52%.
• Correlação: A correlação posterior entre as probabilidades dos dois braços foi de 0,40, confirmando a existência de uma associação moderada positiva que o modelo bivariado capturou.
• Tamanho Amostral: Com base na margem de não-inferioridade de 4% e nas distribuições a priori derivadas, o tamanho amostral calculado para o ensaio foi de 1.850 pacientes.

4. Contribuições Chave

1. Viabilidade da Elicitação Remota Bivariada: O estudo demonstra que é possível realizar elicitação de especialistas complexa e remota, envolvendo múltiplos fusos horários, sem perder a qualidade dos dados.
2. Modelagem de Dependência: A aplicação de distribuições bivariadas com efeitos latentes superou a limitação de assumir independência entre os braços de tratamento, reconhecendo a "ancoragem" cognitiva dos especialistas e produzindo uma estrutura de correlação mais realista.
3. Integração de Evidência e Opinião: O processo combinou literatura existente com o julgamento clínico de especialistas de diversas regiões, gerando uma priori mais robusta e generalizável do que o uso de apenas dados históricos (que eram escassos e de centros únicos).
4. Aplicação Prática: A distribuição a priori derivada foi diretamente utilizada para determinar o tamanho amostral de um ensaio clínico de Fase III em andamento, validando a utilidade do método no desenho de estudos reais.

5. Significância e Conclusão

O estudo fornece um modelo replicável para o desenho de ensaios clínicos bayesianos em cenários onde a evidência prévia é insuficiente. Ao demonstrar que a elicitação remota pode capturar nuances clínicas e dependências entre parâmetros, o trabalho reduz a barreira de entrada para a estatística bayesiana em ensaios multicêntricos internacionais.
As distribuições elicitedas foram consistentes com a literatura existente (Parker e Cooper), validando a precisão do método. O estudo conclui que a elicitação de especialistas, quando estruturada com protocolos rigorosos (como o IDEA adaptado) e modelos estatísticos apropriados (bivariados), é uma ferramenta viável e essencial para otimizar o desenho de ensaios clínicos, garantindo que o tamanho amostral e a análise reflitam adequadamente a incerteza clínica e a evidência disponível.

Registro do Ensaio: NCT06272383.