Applying the Weibull Shape Parameter test for signal detection in pharmacovigilance using the R package WSPsignal

Resumo Técnico: Aplicação do Teste de Parâmetro de Forma de Weibull para Detecção de Sinais em Farmacovigilância utilizando o pacote R WSPsignal

Definição do Problema
A farmacovigilância pós-comercialização depende da identificação de potenciais reações adversas a medicamentos (RAM) a partir de dados de saúde coletados rotineiramente. Enquanto os ensaios clínicos frequentemente envolvem populações limitadas, o uso no mundo real pode revelar riscos que só se tornam aparentes após a aprovação no mercado. A detecção desses sinais é crucial para manter os perfis de segurança, podendo levar a alterações de bula ou retirada do mercado. Os métodos existentes de detecção de sinais incluem abordagens de desproporcionalidade, análise de padrões temporais e modelos de exposição. No entanto, métodos baseados em tempo até o evento (TTE) — especificamente os testes de Parâmetro de Forma de Weibull (WSP), que utilizam informações temporais para avaliar se o risco de um evento adverso muda ao longo do tempo desde o início do uso do medicamento — têm sido difíceis de aplicar. Historicamente, a implementação de variantes de WSP exigia codificação personalizada substancial e recursos dispersos, limitando sua acessibilidade para pesquisadores aplicados.

Metodologia
O artigo apresenta o pacote R WSPsignal, uma interface de código aberto que consolida a família de testes de detecção de sinais WSP. A metodologia baseia-se na premissa de que uma RAM relacionada ao fármaco resulta em uma função de risco não constante ao longo do tempo, enquanto a ausência de dependência temporal implica um risco constante.

O framework suporta dois métodos de estimação:

1. Frequentista: Utiliza a Estimativa de Máxima Verossimilhança (MLE) para ajustar modelos do tipo Weibull.
2. Bayesiana: Utiliza amostragem posterior (via Stan) com distribuições a priori especificadas (lognormal, gama, variantes de escala fixa) para os parâmetros do modelo.

O pacote implementa três distribuições TTE específicas:

• Weibull (W): Modelo padrão de parâmetro de forma único.
• Double Weibull (dW): Estima dois modelos de Weibull (um para os dados completos e outro censurado no ponto médio do período de observação).
• Power Generalized Weibull (pgW): Um modelo mais flexível com parâmetros de forma adicionais.

Lógica de Detecção de Sinais:

• Frequentista: Um sinal é levantado se o parâmetro de forma (ou parâmetros) diferir estatisticamente de 1 (indicando risco não constante) em um nível de confiança ($1-\alpha$) especificado.
• Bayesiana: As decisões baseiam-se na comparação entre o intervalo de credibilidade (IC) posterior e uma Região de Equivalência Prática (ROPE) em torno do valor nulo de 1. O pacote oferece três opções de sensibilidade para combinar resultados interinos de múltiplos parâmetros em uma saída binária de sinal/não-sinal.

Uma característica fundamental do pacote é sua capacidade de ajuste baseado em simulação (tuning). Os usuários podem simular cenários de dados refletindo características específicas (tamanho da amostra, taxa de base, taxa de RAM, duração da observação) para classificar as especificações dos testes com base na Área Sob a Curva (AUC) da curva Característica de Operação do Receptor (ROC). Isso permite que os profissionais identifiquem a distribuição, o nível de confiança/credibilidade e as especificações de prior ideais para o seu contexto de dados específico.

Principais Contribuições

1. Desenvolvimento de Software: A principal contribção é o pacote WSPsignal, que unifica metodologias WSP anteriormente fragmentadas em uma ferramenta única, reprodutível e de código aberto.
2. Padronização de Fluxo de Trabalho: O artigo fornece um fluxo de trabalho passo a passo para a aplicação desses testes, incluindo exploração de dados, testes padrão e ajuste baseado em simulação.
3. Demonstração de Flexibilidade: Os autores ilustram a utilidade do pacote através de dois conjuntos de dados sintéticos:
   • Cenário de grande amostra (~20.000 observações): Uma abordagem frequentista usando um modelo Double Weibull com um nível de confiança de 97% mostrou-se eficaz, alinhando-se com recomendações anteriores.
   • Cenário de pequena amostra (~1.000 observações): Uma abordagem Bayesiana foi empregada. Os autores demonstraram a necessidade de ajustar as priors e os níveis de credibilidade, concluando que um modelo Power Generalized Weibull com uma prior lognormal, nível de credibilidade de 60% e opção de sensibilidade 3 apresentou o melhor desempenho para este cenário específico.
4. Avaliação de Desempenho: O artigo detalha como avaliar o desempenho dos testes em relação à convergência, tempo de execução, tamanhos de amostra efetivos (para métodos Bayesianos) e métricas estatísticas (AUC, FPR, TPR).

Resultados
A aplicação do pacote aos conjuntos de dados sintéticos confirmou que:

• Em amostras grandes, as especificações padrão (ex: dW com 9t de confiança) funcionam bem, mas o ajuste pode confirmar a otimalidade.
• Em amostras pequenas, a escolha da crença a priori e da distribuição é crítica. A simulação revelou que o modelo dW com uma prior lognormal sofreu problemas de convergência e baixos tamanhos de amostra efetivos no cenário de amostra pequena, levando à sua exclusão da análise final em favor do modelo pgW.
• O desempenho dos testes é sensível ao momento da ocorrência da RAM; os testes performaram melhor quando as RAMs ocorreram no início ou no fim do período de estudo no cenário de grande amostra, e em direção ao meio no cenário Bayesiano de amostra pequena.
• O processo de ajuste identificou com sucesso configurações específicas (ex: níveis de credibilidade e opções de sensibilidade específicos) que maximizaram a AUC para as dadas características dos dados.

Significância
O artigo afirma que, ao integrar todas as variantes de testes WSP em um pacote único, transparente e reprodutível, a barreira técnica para pesquisadores aplicados em estatística, farmacovigilância e áreas relacionadas é reduzida. Os autores afirmam que isso facilita a adoção mais ampla, a revisão crítica e o desenvolvimento metodológico adicional. O pacote permite que os profissionais avancem além de abordagens de "tamanho único", permitindo-lhes realizar ajustes baseados em simulação para identificar o teste ideal para um determinado cenário de dados, aumentando assim a confiabilidade da detecção de sinais na vigilância pós-comercialização.