PIONEER: Bayesian Joint Modelling of Mechanistic Tumour Growth and Time-to-Event Endpoints for Dynamic Prediction of Ongoing Oncology Trials

Resumo Técnico: PIONEER – Modelagem Bayesiana Conjunta de Crescimento Tumoral Mecanístico e Desfechos de Tempo até o Evento

Definição do Problema
Ensaios clínicos de oncologia enfrentam frequentemente um gargalo crítico na tomada de decisão: decisões de alto risco de "ir/não ir" (go/no-go) devem muitas vezes ser tomadas enquanto os dados de sobrevida (Sobrevida Livre de Progressão [SLP] e Sobrevida Global [SG]) permanecem imaturos. Em cortes de dados interim, os desfechos de longo prazo estão fortemente censurados, embora existam ricas medições longitudinais de tumores (ex: Soma dos Diâmetros Maiores [SDM]) e covariáveis de linha de base disponíveis. As abordagens tradicionais dependem frequentemente de fluxos de trabalho de dois estágios, onde a dinâmica tumoral é ajustada primeiro e estatísticas resumidas são inseridas em modelos de sobrevida subsequentes. Esta abordagem sofre de atenuação por erro de medição (tratando observações ruidosas como covariáveis fixas) e viés de variável omitida (ignorando a heterogeneidade latente compartilhada do paciente). Além disso, os frameworks existentes falham frequentemente em distinguir como as características tumorais afetam diferencialmente distintas transições clínicas (ex: progressão vs. morte pós-progressão) ou em propagar a incerteza total dos parâmetros para as previsões de desfechos.

Metodologia
Os autores apresentam o PIONEER (Predictive Intelligence for ONcology Early Evaluation and Response), um framework de modelagem conjunta Bayesiana que acopla um submodelo de dinâmica tumoral mecanística a um submodelo de riscos proporcionais multiestado dentro de um único posterior hierárquico.

1. Submodelo de Espaço de Estados Mecanístico:

   • Decomposição Latente: O modelo representa a carga tumoral normalizada como a soma de dois componentes latentes: um componente decrescente ($D_i$) representando a carga responsiva ao tratamento e um componente crescente ($G_i$) representando a carga refratária ou pós-progressão.
   • Dinâmica: $D_i$ segue um decaimento exponencial, enquanto $G_i$ segue um crescimento exponencial com atenuação de Gompertz para evitar um crescimento ilimitado biologicamente implausível em horizontes longos.
   • Inferência: Os parâmetros (divisão inicial, taxas de decaimento, taxas de crescimento) são específicos do paciente, mas extraídos de distribuições populacionais. O modelo utiliza uma formulação de espaço de estados onde a trajetória latente é inferida a partir de observações de SDM ruidosas e esparsas, lidando explicitamente com a censura à esquerda (limite de detecção) e erro de medição.

2. Submodelo de Riscos Proporcionais Multiestado:

   • Gráfico de Estados: O modelo define um gráfico de doença-estado de quatro estados (0: Vivo/Livre de Progressão, 1: Progressou/Vivo, 2: Morto [estado absorvente], 3: Fora do ensaio) e modela cinco transições: $0\to1$ (progressão), $0\to2$ (morte direta), $0\to3$ (abandono), $1\to2$ (morte pós-progressão) e $3\to2$ (morte fora do ensaio).
   • Riscos Específicos por Transição: Diferente dos modelos de risco único, cada transição possui seu próprio risco basal (modelado como processos gaussianos) e seu próprio conjunto de coeficientes de covariáveis. Isso permite que o modelo capture que as características tumorais podem prever fortemente a progressão, mas afetar fracamente a mortalidade pós-progressão.
   • A Ponte: O submodelo mecanístico alimenta o submodelo de risco através de um vetor de covariáveis variantes no tempo $W_i(t)$, contendo o log-carga latente, a taxa de decréscimo em log e a taxa de crescimento em log. Isso garante que o risco condicione ao estado latente suave e livre de ruído, em vez de observações ruidosas.
   • Frailty (Fragilidade): Termos de fragilidade ao nível do paciente são incluídos para transições específicas (ex: progressão e abandono) e modelados como uma normal multivariada para capturar a heterogeneidade residual e a dependência entre transições.

3. Pipeline de Inferência e Previsão:

   • Inferência Conjunta: Todo o sistema é ajustado simultaneamente usando Hamiltonian Monte Carlo (HMC) via Stan. Isso elimina a etapa de "inserção" (plug-in), permitindo que os dados de eventos refinem as trajetórias tumorais inferidas e vice-versa.
   • Simulação Direta (Forward Simulation): Os desfechos (SLP, SG, Taxa de Resposta Objetiva [TRO]) são derivados via uma única passagem de simulação direta a partir do posterior conjunto. Isso propaga a incerteza total dos parâmetros sem necessidade de novo ajuste.
   • Previsão Condicional: Para análises interim, o modelo retém os históricos de eventos observados até o corte e simula apenas o futuro não observado, respondendo à questão operacional: "Dado os dados atuais, como será a curva madura?".

Principais Contribuições

• Covariáveis Específicas de Transição: O framework permite que as covariáveis derivadas do tumor tenham efeitos distintos sobre diferentes transições (ex: a taxa de crescimento prevendo o risco de progressão, mas não a morte pós-progressão), uma capacidade ausente em modelos conjuntos de risco único.
• Estado Latente Conjunto: Ao modelar a decomposição decréscimo/crescimento como um estado latente compartilhado, o framework evita a atenuação das associações causada pelo ruído de medição e a má especificação causada pela negligência da heterogeneidade individual não medida.
• Frailty Correlacionada: O modelo captura a heterogeneidade residual individual e a dependência entre transições através de termos de fragilidade do paciente correlacionados.
• Hierarquia Multi-Ensaio: Os pacientes estão aninhados em braços dentro de ensaios em um único modelo hierárquico, permitos o empréstimo cruzado de parâmetros cinéticos de nível populacional entre ensaios sem etapas meta-analíticas separadas.
• Propagação do Posterior Completo: Todos os desfechos são derivados do posterior conjunto, garantindo que as quantidades relatadas (mediana de SLP, mediana de SG, TRO) herdem automaticamente a incência total do modelo.

Resultos
O framework foi aplicado a um estudo de caso envolvendo dois ensaios em câncer de pulmão de pequenas células em estágio extensivo (ES-SCLC): um ensaio alvo (Lilly CXCR4, $N=78$) e um ensaio histórico (Amgen, $N=419$).

• Ajuste do Modelo: A decomposição de dois componentes recuperou com sucesso as trajetórias tumorais características (decréscimo inicial seguido de reganho) e forneceu ajustes adequados para os dados longitudinais de SDM tanto para pacientes que progrediram quanto para os censurados.
• Validação Leave-Future-Out (LFO):
  • No Mês 4 (9 pacientes), o modelo produziu previsões de SLP calibradas que cobriram a curva de Kaplan–Meier madura do Mês 19.
  • No Mês 11 (39 pacientes), a previsão de SG convergiu para a curva madura, representando pelo menos 8 meses de previsão antecipada com incerteza devidamente quantificada.
  • Observação de Viés: O modelo exibiu um pessimismo sistemático e conservador na previsão de SLP para cortes iniciais. Isso foi atribuído à identificabilidade do parâmetro de taxa de crescimento; pacientes sem reganho visível foram retraídos em direção a uma taxa de crescimento populacional enviesada por pacientes de progressão rápida. Os autores observam que este viés conservador pode servir como uma margem de segurança em decisões de go/no-go.
• Derivação de Desfechos: O modelo previu com sucesso desfechos escalares (Mediana de SLP, Mediana de SG, TRO) com intervalos de credibilidade que se estreitam conforme os dados se acumulam. As previsões de TRO foram particularmente precisas em cortes iniciais, pois são derivadas deterministicamente do modelo mecanístico.
• Efeitos de Covariáveis: O modelo revelou efeitos diferenciais de covariáveis de linha de base (ex: hemoglobina) através de diferentes transições, o que seria colapsado em um modelo de risco único.

Significância e Alegações
O artigo alega que o valor primário do PIONEER não é um melhor ajuste in-sample sobre modelos semiparamétricos flexíveis, mas sim sua capacidade de produzir previsões populacionais calibradas a partir de dados imaturos. Ao impor restrições estruturais biologicamente informadas (a decomposição decréscimo + crescimento) na extrapolação, o framework acelera a tomada de decisão. Ele permite que os pesquisadores tomem decisões de go/no-go informadas meses ou anos antes de dados de sobrevida maduros estarem disponíveis, potencialmente poupando recursos em programas falhos ou acelerando aqueles que são viáveis. Os autores posicionam o framework como um passo em direção à adoção mais ampla de estruturas de estado-espaço mecânico-bayesianas no desenvolvimento clínico, oferecendo um método principiado para extrair o máximo de sinal de dados longitudinais precoces enquanto quantifica rigorosamente a incerteza. O framework é apresentado como uma demonstração metodológica com potencial de posicionamento regulatório sob os princípios de Desenvolvimento de Medicamentos Baseado em Modelos (MIDD), embora ainda não seja validado prospectivamente para a tomada de decisão clínica individual.