Adaptive clinical trials based on design-optimal e-values with automatic curtailment: An application to single-arm trials with binary data

Resumo Técnico: Ensaios Clínicos Adaptativos Baseados em Valores-E Otimizados para o Desenho

Declaração do Problema
Ensaios clínicos adaptativos padrão, embora flexíveis, sofrem de rigidez quanto ao controle da taxa de erro tipo I sob desvios do protocolo (por exemplo, alterações nos cronogramas de monitoramento ou tamanhos amostrais) e frequentemente exigem a interrupção assim que um tamanho amostral máximo pré-especificado é atingido. Além disso, a literatura existente sobre valores-e foca principalmente na optimalidade assintótica (Taxa de Crescimento Ótima no Pior Caso, ou GROW), que assume um horizonte infinito. Essa abordagem é frequentemente subótima para ensaios clínicos onde os tamanhos amostrais são finitos e fixos. Há uma necessidade de desenhos baseados em valores-e que sejam otimizados para horizontes finitos, ofereçam robustez a desvios do protocolo e facilitem a curtailment automática (interrupção por futilidade) sem sacrificar o poder estatístico.

Metodologia
Os autores propõem uma estrutura para ensaios clínicos de braço único com múltiplos estágios e dados binários (por exemplo, resposta tumoral) utilizando valores-e otimizados para o desenho. Diferentemente dos valores-e GROW padrão, que maximizam a taxa de crescimento assintótica da evidência, esses desenhos otimizam o desempenho sobre um horizonte finito $n$ (o tamanho amostral máximo).

1. Analogia de Apostas e Processos-E: A metodologia utiliza a analogia de apostas onde um valor-e representa o capital de um apostador apostando contra a hipótese nula $H_0: \theta \le \theta_0$ em favor de $H_1: \theta \ge \theta_1$. O processo de capital $M_t$ é um supermartingale de teste sob $H_0$.
2. Processo de Decisão de Markov (MDP): A estratégia de aposta ótima é derivada resolvendo um MDP de horizonte finito. O espaço de estados é definido pelo tempo atual $t$ e o valor-e atual (capital) $M_t$. O espaço de ações consiste na fração de aposta $B_t \in [0, 1]$.
3. Objetivos de Otimização: Os autores definem duas funções de recompensa principais a serem resolvidas via programação dinâmica (equações de Bellman):
   • Maximização de Poder (P-max): Maximiza a probabilidade de rejeitar $H_0$ (atingir $M_n \ge 1/\alpha$) na análise final.
   • Minimização do Tamanho Amostral Esperado (ESS-min): Minimiza o tamanho amostral esperado sob $H_1$, sujeito a uma restrição de que o poder geral permaneça acima de um limiar especificado (por exemplo, 80%).
4. Curtailment Automático: A estrutura incorpora naturalmente a curtailment não estocástica. Se o valor-e cair para zero (ou entrar em uma "zona sem esperança" onde o limiar $1/\alpha$ não pode mais ser atingido), o ensaio é automaticamente interrompido por futilidade.
5. Desenhos em Blocos: A abordagem acomoda desenhos em blocos (analisando dados em grupos em vez de continuamente) tratando os resultados como totalmente sequenciais dentro dos blocos. Isso garante que a restrição mínima de poder seja atendida mesmo que os pontos de análise interina se desviem do plano, desde que o tamanho amostral máximo seja atingido.

Principais Contribuições

• Optimalidade de Horizonte Finito: O artigo introduz valores-e otimizados para desenhos de ensaios específicos com tamanhos amostrais finitos, indo além do critério GROW de horizonte infinito.
• Construção via Programação Dinâmica: Fornece um método computacional para construir estratégias de aposta ótimas que maximizam o poder ou minimizam o tamanho amostral esperado sob restrições de poder.
• Robustez a Desvios do Protocolo: Ao depender da propriedade "válida a qualquer momento" (anytime-valid) dos valores-e, os desenhos mantêm o controle do erro tipo I mesmo se o cronograma de monitoramento mudar ou o ensaio for continuado além do tamanho planejado, desde que o tamanho amostral máximo seja respeitado.
• Interrupção Automática por Futilidade: O método fornece um mecanismo rigoroso e automático para interrupção por futilidade (quando $M_t = 0$) que está integrado à otimização do desenho, em vez de ser um acréscimo ad hoc.
• Comparação com Desenhos Padrão: Os autores demonstram que valores-e otimizados para o desenho podem superar os valores-e GROW padrão em amostras finitas e oferecer características operacionais competitivas em comparação com desenhos padrão de curtailment estocástico (SC) e desenhos de dois estágios de Simon.

Resultados
Comparações numéricas foram conduzidas para ensaios de braço único com dados binários ($n=50$, $\theta_0=0.1$, $\theta_1=0.242$, $\alpha=0.05$) através de desenhos totalmente sequenciais, em blocos e de dois estágios:

• Controle do Erro Tipo I: Todos os desenhos baseados em valores-e mantiveram taxas de erro tipo I abaixo do nível nominal.
• Poder: O desenho baseado em valor-e P-max alcançou poder final mais alto do que o curtailment estocástico (SC) padrão e o valor-e GROW, embora tenha exibido poder inicial mais baixo. O desenho ESS-min alcançou poder comparável ao SC.
• Tamanho Amostral Esperado (ESS): O desenho baseado em valor-e ESS-min resultou em uma mediana de tamanho amostral esperado sob $H_1$ menor em comparação com o SC.
• Interrupção por Futilidade: Os desenhos baseados em valores-e demonstraram uma probabilidade mais alta de término precoce por futilidade sob a hipótese nula em comparação com o SC, particularmente em desenhos de dois estágios. O valor-e GROW (aposta de Kelly) não exibiu curtailment não estocástico.
• Desenhos em Blocos: A abordagem "totalmente sequencial em blocos" preservou as propriedades de poder do desenho totalmente sequencial, garantindo que a restrição mínima de poder fosse atendida independentemente de variações no tamanho dos blocos.

Significado e Alegações
O artigo alega que valores-e otimizados para o desenho fornecem uma alternativa viável e competitiva ao estado da arte atual em ensaios binários de braço único. Ao deslocar o foco da optimalidade assintótica para a optimalidade de horizonte finito, esses desenhos superam a rigidez dos ensaios adaptativos padrão quanto a desvios do protocolo e regras de parada fixas. Os autores afirmam que desenhos baseados em valores-e oferecem:

1. Robustez: Inferência válida sob monitoramento de dados não especificado e continuação opcional.
2. Eficiência: Características operacionais competitivas ou superiores (poder e ESS) em comparação com desenhos adaptativos padrão.
3. Flexibilidade: A capacidade de incorporar dados históricos e adaptar-se a condições de ensaio em mudança sem inflar as taxas de erro tipo I.
4. Interpretabilidade: Uma interpretação clara de apostas que facilita a introdução de inferência válida a qualquer momento e fornece indicadores intuitivos para continuação do ensaio ou futilidade.

Os autores concluem que, embora esses desenhos percam a conexão direta com os quocientes de verossimilhança encontrados nos valores-e GROW, eles oferecem desempenho prático superior em configurações de amostra finita e merecem extensão para configurações de ensaios com múltiplos braços e adaptativos à resposta.