Bayesian integration G-formula for platform SMART designs allowing for adding new treatments

1. Declaração do Problema

Ensaios de Atribuição Múltipla Sequencial (SMARTs) são o padrão-ouro para avaliar Regimes de Tratamento Dinâmico (DTRs), que são sequências de regras de decisão adaptadas ao estado evolutivo da doença de um paciente. No entanto, os SMARTs tradicionais apresentam duas limitações principais:

1. Duração: Frequentemente exigem significativamente mais tempo para conclusão do que Ensaios Controlados Randomizados (ECRs) de estágio único, devido às múltiplas etapas de randomização.
2. Rigidez: Novos tratamentos candidatos podem tornar-se disponíveis (por exemplo, via aprovação regulatória) durante o ensaio, mas não podem ser incorporados sem reiniciar ou realizar um estudo separado.

Ensaios de plataforma abordam a segunda questão permitindo que novos tratamentos sejam adicionados a um estudo em andamento sob um protocolo mestre. No entanto, a adição de tratamentos cria coortes não concorrentes (participantes randomizados antes versus após a adição). Isso introduz desafios estatísticos:

• Efeitos Temporais: Mudanças no padrão de cuidado, características da população ou probabilidades de randomização ao longo do tempo podem confundir as estimativas do efeito do tratamento.
• O Trade-off:
  • Abordagem Separada: Usar apenas dados da coorte pós-adaptação garante imparcialidade, mas desperdiça dados valiosos da coorte pré-adaptação, reduzindo a eficiência.
  • Abordagem de Agrupamento (Pooling): Combinar dados de todas as coortes aumenta a eficiência, mas arrisca viés significativo se houver efeitos temporais (violando a trocabilidade).

O artigo aborda a lacuna em métodos analíticos para SMARTs de Plataforma (SMARTs que permitem adicionar novos tratamentos), focando especificamente em como estimar as médias de DTRs equilibrando viés e eficiência.

2. Metodologia: Fórmula G de Integração Bayesiana (BIG)

Os autores propõem uma nova classe de estimadores chamada estimadores de Fórmula G de Integração Bayesiana (BIG). Estes utilizam métodos bayesianos para "emprestar" informações de coortes não concorrentes (dados pré-adaptação) de maneira controlada.

A. Configuração do Desenho do Estudo

• Cenário: Um SMART de dois estágios onde um tratamento adicional de primeiro estágio ($a_{13}$) é adicionado no meio do ensaio.
• Coortes:
  • $C=c_1$: Coorte pré-adaptação (apenas tratamentos originais).
  • $C=c_2$: Coorte pós-adaptação (originais + novo tratamento).
• Objetivo: Estimar a média do desfecho ($\mu_{jk}$) para DTRs embutidos na coorte pós-adaptação ($c_2$) enquanto se aproveita dados de $c_1$.

B. Estrutura do Estimador BIG

O método modela a taxa de resposta ($R$) e o desfecho final ($Y$) usando Modelos Lineares Generalizados (GLMs).

1. Especificação do Modelo:
   • Modelo de resposta: $\text{logit}(\pi) = f_R(A_1; \beta)$.
   • Modelo de desfecho: $Y \sim f_Y(A_1, R, A_2; \psi) + \epsilon$.
2. Particionamento de Parâmetros:
   • $\theta_s$: Coeficientes compartilhados entre coortes (por exemplo, efeitos dos tratamentos originais). Estes podem emprestar informações de $c_1$.
   • $\theta_{ns}$: Coeficientes específicos do novo tratamento ($a_{13}$). Estes não possuem dados prévios de $c_1$.
3. Distribuições A Priori:
   A inovação central reside nas priores atribuídas a $\theta_s$ baseadas em dados de $c_1$:
   • BIGweak: Utiliza priores fracamente informativas (por exemplo, $N(0, 100)$) para todos os parâmetros. Equivalente a ignorar dados de $c_1$ para empréstimo.
   • BIGlogdis (Prior de Distância Logarítmica): Define a média da priori com base na Estimativa de Máxima Verossimilhança (MLE) de $c_1$. A variância da priori é adaptativa, definida pelo máximo da diferença quadrada entre as estimativas das coortes e a variância da estimativa de $c_1$. Isso reduz automaticamente o empréstimo se as coortes diferirem significativamente.
   • BIGcomP (Prior Comensurável): Introduz um parâmetro de comensurabilidade $\tau$. Um $\tau$ alto implica alta similaridade (mais empréstimo); um $\tau$ baixo implica dissimilaridade (menos empréstimo).
   • BIGcommP (Prior Comensurável Mista): Utiliza uma mistura de valores fixos de $\tau$ (por exemplo, um baixo, um alto) com pesos iguais para permitir "empréstimo parcial" sem necessidade de estimar $\tau$ diretamente.

C. Algoritmo de Estimação

Os autores utilizam um algoritmo de Fórmula G Bayesiana:

1. Gerar amostras posteriores dos parâmetros do modelo ($\theta$) usando dados de $c_2$ e as priores especificadas derivadas de $c_1$.
2. Simular uma grande população ($N$) sob DTRs específicos usando essas amostras posteriores.
3. Calcular a média do desfecho para cada amostra para aproximar a distribuição posterior da média do DTR ($\mu_{jk}$).
4. A estimativa final é a média dessas amostras posteriores.

3. Contribuições Principais

1. Integração de Desenho Inovadora: Primeiro estudo a propor métodos analíticos especificamente para SMARTs de Plataforma, combinando a natureza adaptativa dos ensaios de plataforma com os objetivos de avaliação de DTRs dos SMARTs.
2. Estimadores BIG: Desenvolvimento de uma estrutura bayesiana flexível que permite empréstimo dinâmico de dados não concorrentes. Diferentemente do agrupamento padrão, ela contabiliza potenciais efeitos temporais através de priores adaptativas.
3. Flexibilidade de Priori: Comparação de múltiplas estratégias de priori (Distância Logarítmica, Comensurável, Comensurável Mista) para lidar com graus variados de heterogeneidade entre coortes.
4. Aplicação no Mundo Real: Demonstração do método utilizando o ensaio SNAP (S. aureus Network Adaptive Platform), um ensaio de plataforma adaptativa complexo para infecções da corrente sanguínea.

4. Resultados de Simulação

Os autores conduziram simulações extensas em cinco cenários (variando efeitos temporais, DTRs ótimos e tamanhos de amostra) comparando:

• Separado: Usa apenas dados de $c_2$.
• Agrupamento (Pooling): Agrupa dados de $c_1$ e $c_2$.
• Variantes BIG: Usando diferentes priores.

Principais Descobertas:

• Sem Efeitos Temporais (Cenários 1–3): A abordagem de Agrupamento performou melhor (menor variância/Erro Quadrático Médio). No entanto, BIGlogdis, BIGcomP e BIGcommP performaram quase tão bem quanto o agrupamento, mantendo robustez.
• Com Efeitos Temporais (Cenários 4–5):
  • Agrupamento falhou significativamente, produzindo alto viés e baixas taxas de cobertura devido à violação da trocabilidade.
  • Separado e BIGweak permaneceram imparciais, mas apresentaram maior variância (menor eficiência).
  • BIG (Distância Logarítmica/Comensurável) equilibrou com sucesso o trade-off: alcançaram menor viés que o Agrupamento e menor variância que Separado/BIGweak. Eles efetivamente "reduziram o peso" dos dados pré-adaptação quando efeitos temporais foram detectados.
• Identificação de DTR Ótimo: As abordagens BIG superaram consistentemente as abordagens Separado e BIGweak na identificação do verdadeiro DTR ótimo em todos os cenários.

5. Significado e Conclusão

• Eficiência vs. Validade: Os estimadores BIG fornecem um "ponto ideal" entre a ineficiência de ignorar dados históricos e o viés de agrupá-los cegamente. Isso é crucial para ensaios de plataforma onde efeitos temporais são inevitáveis.
• Impacto Clínico: Ao permitir a adição de novos tratamentos sem reiniciar ensaios e fornecer métodos estatisticamente válidos para analisar os dados complexos resultantes, esta metodologia acelera o desenvolvimento de sequências de tratamento ótimas para doenças crônicas e complexas.
• Direções Futuras: Os autores notam que, embora tenham focado em um único tratamento adicionado e modelos lineares, trabalhos futuros devem estender isso para múltiplos tratamentos adicionados em diferentes estágios e abordagens de modelagem mais flexíveis (por exemplo, aprendizado de máquina) para lidar com má especificação do modelo.

Em resumo, o artigo estabelece uma estrutura estatística rigorosa para SMARTs de Plataforma, provando que a integração bayesiana via Fórmula G permite que pesquisadores aproveitem dados não concorrentes de forma eficiente sem comprometer a validade da estimativa de Regimes de Tratamento Dinâmico.