adabay: an R package for rapid evaluation and calibration of Bayesian group sequential designs across common endpoint types

Resumo Técnico de adabay: um pacote R para avaliação rápida e calibração de delineamentos sequenciais grupais Bayesianos através de tipos comuns de desfechos

Problema
Os delineamentos sequenciais grupais (GSDs) Bayesianos oferecem vantagens significativas sobre as abordagens frequentistas, incluindo afirmações de probabilidade clinicamente interpretáveis e a incorporação fundamentada de evidências externas. No entanto, sua adoção em ensaios de Fase III confirmatórios tem sido dificultada pelo custo computacional da avaliação das características operacionais (OCs) frequentistas, particularmente a taxa de erro do Tipo I. A calibração tradicional exige o aninhamento de Cadeias de Markov Monte Carlo (MCMC) ou outras inferências posteriores aproximadas dentro de um loop de simulação de ensaio de Monte Carlo. Essa estrutura "MCMC-dentro-de-MCMC" é computacionalmente proibitiva, tornando frequentemente inviável a avaliação de grandes grades de delineamento. As soluções de software existentes ou carecem de flexibilidade na especificação de priors (ex: restritas a famílias conjugadas), ou carecem de cobertura de tipos comuns de desfechos (ex: tempo até o evento), ou permanecem ordens de magnitude mais lentas que os métodos baseados em conjugação.

Metodologia: O Framework de Semi-Simulação
O artigo apresenta o adabay, um pacote R de código aberto que implementa um framework de semi-simulação que desacopla a geração de dados do ensaio da computação posterior. A metodologia central, detalhada em um artigo complementar (He et al., 2026), baseia-se em três pilares:

1. Geração de Dados por Monte Carlo: Os caminhos dos dados do ensaio são gerados via simulação Monte Carlo padrão.
2. Atualizações Posteriores Analíticas ou Determinísticas: Em vez de MCMC, as posteriors por análise (look) e as probabilidades de cauda são computadas analiticamente ou via quadratura determinística de baixa dimensão. Isso é alcançado aproximando qualquer prior especificado pelo usuário (desde que possa ser amostrado ou avaliado numericamente) como uma mistura finita de componentes conjugados.
3. Aproximação por Mistura Conjugada: O pacote aproxima priors não conjugados usando uma mistura finita de núcleos conjugados (ex: Beta, Normal, Gamma, Normal-Inversa-Gamma). Os pesos da mistura e os hiperparâmetros são ajustados minimizando uma divergência de Kullback–Leibler (KL) empírica direta. Crucialmente, o pacote inclui diagnósticos para sinalizar aproximações inadequadas nos limiares de decisão, emitindo avisos de execução se os erros de probabilidade de cauda excederem as tolerâncias.

Principais Contribuições
O pacote adabay fornece uma interface unificada para GSDs Bayesianos em quatro tipos principais de desfechos: contínuos, binários, de contagem e tempo até o evento. Suas contribuições técnicas específicas incluem:

• Interface Unificada: Uma única API de programação lidando com escalas de efeito absolutas e relativas para todos os quatro tipos de desfechos.
• Especificação de Prior Flexível: Suporte para priors arbitrários especificados pelo usuário via aproximação de mistura finita, preservando a conjugação em cada look. Isso permite a avaliação analítica ou determinística unidimensional das probabilidades de cauda da posterior.
• Regras de Decisão Complexas: Suporte para regras de decisão de probabilidade posterior com múltiplos critérios de eficácia e futilidade, configuráveis por look, sob regimes de futilidade vinculante (binding) e não vinculante (non-binding).
• Arquitetura de Pré-computação e Cache: Uma estratégia que desacopla a calibração de limiares e a seleção de tempo de look da passagem de simulação. Ao armazenar em cache as probabilidades de cauda da posterior por look sobre uma grade de limiares candidatos, o pacote permite que avaliações subsequentes de delineamento ocorram a um custo marginal desprezível (milissegundos) após uma única passagem de simulação.
• Reprodutibilidade: Implementação de simulação paralela usando o gerador múltiplo recursivo combinado de L'Ecuyer, garantindo reprodutibilidade bit a bit entre diferentes contagens de workers quando explicitamente solicitado.

Resultos e Benchmarks
O artigo valida o adabay contra ferramentas existentes (gsbDesign, BATSS e adaptr) e referências analíticas através de quatro estudos de caso:

• Precisão: Nos estudos de caso contínuos e binários, o adabay reproduz as características operacionais do BATSS e adaptr dentro do erro de Monte Carlo. Para desfechos contínuos, ele iguala os valores analíticos do gsbDesign com uma diferença de até 0,05 pontos percentuais para o erro do Tipo I e poder. No estudo de caso de contagem, ele reproduz os resultados do BATSS dentro do erro de Monte Carlo.
• Tempo até o Evento: O adabay é a única ferramenta entre os comparadores que suporta desfechos de tempo até o evento sob as convenções especificadas, visto que o BATSS (interface apenas GLM) e o adaptr (apenas Gaussiano/Binomial) não suportam este tipo de desfecho.
• Velocidade Computacional: O framework de semi-simulação produz acelerações dramáticas. O adabay roda aproximadamente quatro a cinco ordens de magnitude mais rápido que o BATSS e uma a mais de duas ordens de magnitude mais rápido que o adaptr por ensaio virtual em oito núcleos.
  • Exemplo: Para um desfecho binário com $10^4$ ensaios, o adabay completou a avaliação em 1,6 segundos, comparado a 62,7 segundos para o adaptr e 32.317 segundos (9 horas) para o BATSS.
• Eficiência de Calibração: A arquitetura de cache permite que uma grade de 800 configurações de delineamento seja avaliada em ~34 segundos (incluindo a passagem inicial de simulação), enquanto a simulação direta exigiria ~5.500 segundos.

Significância e Alegações
Os autores afirmam que o adabay aborda uma necessidade crítica não atendida no delineamento de ensaios clínicos ao fornecer uma ferramenta que oferece simultaneamente atualizações de posterior com velocidade de conjugação, especificação de prior flexível além das famílias conjugadas naturais, cobertura unificada dos quatro tipos de desfechos mais comuns e uma arquitetura de calibração escalável.

O artigo afirma modestamente que o adabay reduz a barreira computacional para o uso de GSDs Bayesianos em ensaios confirmatórios. Ele não pretende resolver todos os desafios de delineamento; limitações são reconhecidas, incluindo o erro de aproximação inerente à mistura do prior (mitigado por diagnósticos), a dependência contínua de calibração baseada em simulação (sujeita a erro de Monte Carlo) e a restrição atual a delineamentos de dois braços com alocação fixa. Os autores posicionam o pacote como uma solução de engenharia prática que torna o framework de semi-simulação acessível para uso rotineiro, permitindo a avaliação de grandes grades de delineamento que eram anteriormente intratáveis do ponto de vista computacional.