Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

Resumo Técnico: Integração Robusta e Adaptativa a Dados de Dados Não Concorrentes em Ensaios de Plataforma via Processos Gaussianos

Declaração do Problema
Ensaios de plataforma oferecem um desenho eficiente para avaliar múltiplos tratamentos simultaneamente sob um único protocolo mestre. No entanto, a inferência estatística nesses ensaios enfrenta uma tensão crítica entre eficiência e validade. Métodos robustos tradicionais restringem a análise a participantes "randomizados concurrentemente" — aqueles recrutados durante períodos em que todos os tratamentos sendo comparados estão disponíveis — para evitar viés decorrente de tendências temporais (por exemplo, mudanças nas populações de pacientes ou no padrão de cuidado). Embora isso garanta a validade, descarta dados "não concurrentes" (tipicamente de braços de controle recrutados antes da introdução de um novo braço de tratamento), resultando em perda de poder estatístico e precisão.

Abordagens existentes para incorporar dados não concurrentes frequentemente sofrem de limitações: podem carecer de estimandos causais formalmente definidos, depender de modelos paramétricos que são ou muito simplistas ou opacos, ou basear-se em suposições fortes como a trocabilidade condicional. Além disso, muitos métodos não fornecem mecanismos transparentes para como observações individuais contribuem para a estimativa final, tornando difícil diagnosticar se o empréstimo de informações é benéfico ou prejudicial em uma aplicação específica.

Metodologia
Os autores propõem uma estrutura flexível e interpretável de Processo Gaussiano (GP) projetada para incorporar dados não concurrentes enquanto controla o viés. A metodologia fundamenta-se em inferência causal e aprendizado de máquina, visando o estimando "totalmente elegível concurrentemente" (ECE) definido por Qian et al. (2025).

1. Estrutura e Estimando:
   O estimando alvo é o contraste entre os resultados potenciais esperados para dois tratamentos dentro da população ECE (indivíduos elegíveis para ambos os tratamentos durante períodos em que ambos estão disponíveis). A estrutura utiliza o tempo de calendário de recrutamento como uma covariável crítica, explorando a "suavidade temporal" inerente aos ensaios de plataforma, onde as distribuições de pacientes evoluem gradualmente ao longo do tempo.

2. Modelos de Processo Gaussiano:

   • GP de Tarefa Única: Ajusta um GP separado para cada braço de tratamento, modelando a trajetória do resultado como uma função latente do tempo de recrutamento mais ruído. Isso captura a suavidade temporal via uma função de kernel (por exemplo, exponencial quadrática ou Matérn).
   • GP de Múltiplas Tarefas: Decompõe os resultados em uma função de base compartilhada (comum entre os braços) e uma função de efeito do tratamento. Essa estrutura explora o fato de que, embora os riscos de base possam mudar ao longo do tempo, os efeitos do tratamento frequentemente permanecem relativamente estáveis. O modelo utiliza um kernel composto para capturar tanto a variância dentro do braço quanto a covariância entre os braços.

3. Estimação e Inferência:
   A estrutura ajusta o GP usando todos os participantes elegíveis (concorrentes e não concorrentes), mas calcula a média da estimativa do efeito do tratamento apenas sobre a população elegível concurrentemente. Isso ancora o estimando à definição ECE, permitindo que dados não concurrentes informem adaptativamente o ajuste do GP. A inferência é conduzida via bootstrap bayesiano para contabilizar tanto a incerteza posterior quanto a variabilidade amostral.

4. Interpretação Frequentista:
   Os autores estabelecem uma conexão entre a média posterior do GP e a Regressão de Ridge com Kernel (KRR). Isso produz uma interpretação frequentista transparente, onde o estimador é uma combinação linear ponderada dos resultados observados. Os pesos dependem dos hiperparâmetros do kernel e da proximidade dos tempos de recrutamento, quantificando explicitamente a contribuição dos dados não concurrentes.

5. Extensões:
   A estrutura é estendida para lidar com resultados discretos (binários ou de contagem) via modelos lineares generalizados com funções de verossimilhança da família exponencial e para ajustar covariáveis de base através de kernels aditivos ou de produto.

Garantias Teóricas Principais
O artigo estabelece dois resultados teóricos primários sobre as propriedades dos estimadores propostos:

• Redução de Variância: A incorporação de controles não concurrentes é provada para reduzir a variância posterior tanto da média do resultado (tarefa única) quanto da função de efeito do tratamento (múltiplas tarefas). Isso ocorre porque condicionar um processo gaussiano a variáveis adicionais nunca aumenta a variância condicional.
• Controle de Viés: O viés introduzido por dados não concurrentes é limitado por uma quantidade que não aumenta quando controles não concurrentes são adicionados. Embora o próprio viés não seja garantido a diminuir, o limite é não crescente, assegurando que os ganhos de eficiência não ocorram à custa de uma inflação descontrolada do viés, desde que o modelo de trabalho seja razoável.

Resultados
Os autores validam o método por meio de estudos de simulação e uma aplicação com dados reais:

• Simulações: Em um ensaio de plataforma simulado com duas janelas de recrutamento, os métodos GP propostos (tanto de tarefa única quanto de múltiplas tarefas) demonstraram desempenho superior em comparação com benchmarks apenas concorrentes (ANOVA, ANHECOVA) e outros métodos não concorrentes (Máquina do Tempo Bayesiana, LR-EW).
  • O GP de múltiplas tarefas incorporando todos os dados alcançou um erro padrão menor (0,395) do que qualquer método apenas concorrente (por exemplo, 0,420 para ANHECOVA), mantendo uma cobertura quase nominal (94,4%).
  • Métodos concorrentes mostraram desvantagens significativas: a Máquina do Tempo Bayesiana exibiu alta sensibilidade à especificação de prioris com intervalos de credibilidade excessivamente amplos, enquanto o modelo linear com ajuste de janela de recrutamento (LR-EW) sofreu de viés quando as tendências temporais eram não lineares.
  • Mesmo sob condições de má especificação (mudanças temporais abruptas), os métodos GP mantiveram viés controlado e superaram os concorrentes, embora a cobertura tenha diminuído ligeiramente.
• Aplicação com Dados Reais: O método foi aplicado a um ensaio de plataforma hipotético construído a partir do ensaio de obesidade SURMOUNT-1. Os métodos GP incorporando controles não concurrentes reduziram a variância dentro da imputação em 12–16% em comparação com análises apenas concorrentes, com estimativas pontuais estáveis, sugerindo ganhos de eficiência bem-sucedidos sem introduzir viés significativo.

Significado e Alegações
O artigo alega oferecer uma solução principiante para o trade-off eficiência-validade em ensaios de plataforma. Ao explorar a suavidade temporal do recrutamento, a estrutura GP proposta permite a integração robusta de dados não concurrentes sem descartar informações valiosas. As contribuições principais incluem:

• Transparência: A conexão com a regressão de ridge com kernel fornece pesos explícitos para cada observação, permitindo que pesquisadores diagnostiquem a influência de dados não concurrentes.
• Rigor Teórico: O estabelecimento de redução de variância e limites de viés não crescentes fornece uma garantia formal da robustez do método.
• Flexibilidade: A estrutura acomoda vários tipos de resultados e ajustes de covariáveis, estendendo-se além das limitações de abordagens paramétricas ou não paramétricas anteriores.
• Implementação: Os autores fornecem uma implementação no pacote R RobinCID, facilitando a aplicação prática.

Os autores concluem que, embora o método melhore a eficiência de estimação, permanece essencial examinar as tendências temporais, pois o grau de empréstimo e o viés potencial dependem da validade da suposição de suavidade. O artigo não alega eliminar o viés inteiramente, mas sim controlá-lo dentro de um limite não crescente enquanto reduz significativamente a variância.