Resumo Técnico: Avaliação Rápida de Poder sob Minimização de Moeda Viesada

Declaração do Problema

No desenho de ensaios clínicos, a minimização de Pocock–Simon é amplamente utilizada para equilibrar a alocação de tratamento entre fatores prognósticos, particularmente quando o sorteio por blocos permutados estratificados resultaria em estratos esparsos. No entanto, avaliar o poder estatístico e o tamanho da amostra para ensaios que utilizam este método é computacionalmente intensivo.

O desafio central surge porque o procedimento de referência padrão — um teste de rerandomização baseado no desenho — exige a regeneração de caminhos de tratamento dentro de cada ensaio simulado para calcular os valores-$p$. Isso cria um problema de "Monte Carlo aninhado": para cada ensaio de simulação externa (representando um possível resultado do estudo), um grande número de caminhos de rerandomização internos deve ser gerado para aproximar a distribuição de randomização condicional. Ao avaliar o poder através de inúmeros tamanhos de amostra, efeitos de tratamento e modelos de desfecho, este cálculo aninhado impõe um ônus computacional proibitivo.

Além disso, existe uma distinção teórica entre a distribuição de amostragem repetida de um estatístico observado e a distribuição de randomização condicional de um teste de escore fixo. Sob minimização, se a hipótese nula for "fraca" (por exemplo, uma diferença de média marginal onde os efeitos individuais variam) em vez de "forte" (efeito aditivo constante), o caminho de alocação observado está incorporado no estatístico de escore. Consequentemente, a variância de amostragem repetida do estatístico observado pode diferir da variância condicional do teste de randomização de referência. Um método de aproximação eficiente deve, portanto, ser calibrado para o alvo inferencial correto: ou a distribuição de amostragem repetida (para inferência de efeito médio) ou a distribuição de randomização condicional (para reproduzir um teste de randomização preespecificado).

Metodologia

O autor desenvolve um framework reutilizável de Aproximação Gaussiana de Desequilíbrio de Estratos (SIGA - Stratum-Imbalance Gaussian Approximation). Esta abordagem decompõe um estatístico de escore fixo em dois componentes ortogonais:

1. Componente de desequilíbrio de estrato conjunto: Impulsionado por desequilíbrios de tratamento dentro dos estratos conjuntos formados por todos os fatores de minimização.
2. Componente ortogonal dentro do estrato: Impulsionado por contrastes de escore dentro dos estratos.

Com base nesta decomposição, o artigo propõe dois procedimentos distintos:

1. SIGA-S (Calibrado para Amostragem)

• Alvo: Inferência de amostragem repetida sobre o efeito de tratamento médio marginal.
• Mecanismo: O SIGA-S utiliza uma calibração baseada apenas na alocação. Ele gera $B_0$ caminhos de alocação independentes para estimar a covariância do vetor de desequilíbrio de estrato conjunto.
• Estimativa de Variância: O estimador de variância combina a covariância calibrada do vetor de desequilíbrio com uma variância comum para o subespaço ortogonal dentro do estrato.
• Validade: O Teorema 3.1 estabelece que o SIGA-S estima consistentemente a variância de amostragem repetida e produz inferência assintoticamente válida em uma fronteira de diferença de média ou risco marginal, independentemente de as variâncias de amostragem e de randomização estarem alinhadas ou não.

2. SIGA-R (Calibrado para Randomização)

• Alvo: Reprodução eficiente da distribuição de randomização condicional de um teste de escore fixo preespecificado.
• Mecanismo: O SIGA-R aborda a estrutura de "par de caminhos" criada quando um escore fixo (que contém o caminho de alocação observado) é avaliado contra caminhos regenerados. Ele utiliza uma calibração de alocação pareada e reutilizável. Em cada réplica de calibração, dois caminhos de tratamento independentes são gerados condicionais à mesma sequência de fatores.
• Estimativa de Variância: Ele estima a "covariância de par de caminhos" (a covariância entre produtos de sinais de tratamento de dois caminhos independentes). Isso permite o cálculo de um termo de lacuna de variância ($\hat{C}_n$) que ajusta a variância do SIGA-S para corresponder à variância de randomização condicional do teste de referência.
• Validade: O Teorema 3.2 mostra que o SIGA-R é assintoticamente equivalente ao teste de randomização de referência ideal. Ele reproduz a distribuição condicional do teste, incluindo qualquer distorção de tamanho inerente ao teste de nulidade fraca do próprio teste de referência.

Estratégia Computacional

Ambos os procedimentos substituem o loop de rerandomização aninhado por uma única etapa de calibração de alocação apenas, que é reutilizável. As estimativas de calibração (matrizes de covariância e probabilidades de contagem de tratamento) são computadas uma única vez por desenho e tamanho de amostra e são reutilizadas em todos os ensaios de simulação externa, efeitos de tratamento e fronteiras nulas.

Principais Contribuições

1. Decomposição Ortogonal Exata: O artigo deriva uma projeção exata do estatístico de escore de tratamento em componentes de desequilíbrio de estrato conjunto e dentro do estrato. Isso leva a uma calibração de covariância ao nível do desenho baseada exclusivamente em simulações de alocação.
2. Formalização da Discrepância de Variância: O autor formaliza a dependência criada ao manter um escore fixo em uma fronteira não-sharp. Eles derivam uma identidade específica do desenho para a lacuna de variância entre as variâncias de amostragem repetida e de randomização condicional, caracterizando quando o teste de randomização de referência é assintoticamente válido sob uma nulidade fraca e quando sofre distorção de tamanho.
3. Calibração de Par de Caminhos Reutilizável: O artigo introduz um método para estimar a covariância de par de caminhos usando réplicas independentes de apenas alocação. Isso permite que o SIGA-R aproxime a distribuição de referência condicional do teste de randomização preespecificado sem a necessidade de regenerar caminhos de tratamento dentro de cada ensaio simulado.
4. Framework de Procedimento Duplo: O autor esclarece que o SIGA-S e o SIGA-R servem a alvos inferenciais diferentes. O SIGA-S é para inferência de efeito médio, enquanto o SIGA-R é um surrrogato computacional para um teste de randomização condicional preespecificado. Eles não são métodos concorrentes para o mesmo alvo.

Resultados

O autor conduziu dois estudos de simulação independentes através de 56 configurações de cenários (variando tipos de desfecho, fatores de minimização, tamanhos de amostra e configurações de teste) e uma ilustração inspirada em ensaios clínicos.

• Precisão:
  • SIGA-S: No estudo alvo de amostragem, a diferença absoluta máxima entre as probabilidades de rejeição do SIGA-S e do teste de randomização de referência foi de 0,42 pontos percentuais (0,18 pp para erro do Tipo I, 0,42 pp para poder).
  • SIGA-R: No estudo alvo de randomização, a diferença absoluta máxima entre o SIGA-R e o teste de referência foi de 0,32 pontos percentuais.
  • As razões de variância estimadas ($\hat{\rho}_n$) entre os dois alvos variaram de 1,000 a 1,042, indicando que, embora as discrepâncias existam, elas são frequentemente pequenas em magnitude, mas podem ser clinicamente relevantes para a seleção do tamanho da amostra.
• Eficiência Computacional:
  • A comparação de tempo demonstrou uma redução de computação de várias ordens de magnitude.
  • Para 100.000 análises, o SIGA-S exigiu 0,050–2,259 minutos, enquanto o teste de randomização de referência exigiu 113,04–2625,76 minutos.
  • A calibração única de apenas alocação levou entre 2,8 e 47,5 segundos.

Significância e Alegações

O artigo afirma que o framework SIGA fornece uma rota computacionalmente viável para a avaliação de poder e tamanho de amostra na fase de desenho sob minimização de moeda viesada, sem sacrificar a precisão inferencial.

• Separação de Alvos: O autor enfatiza que a aceleração computacional e a seleção do alvo inferencial não podem ser separadas. O SIGA-S fornece inferência válida para o efeito médio marginal, enquanto o SIGA-R fornece uma aproximação de primeira ordem para a distribuição de randomização condicional de um teste preespecificado.
• Não Correção de Distorção: O artigo nota modestamente que o SIGA-R não corrige a distorção de tamanho da nulidade fraca do teste de referência; ele apenas reproduz o comportamento do teste. Se o teste de referência for inválido sob uma nulidade fraca, o SIGA-R reproduzirá essa invalidade.
• Reusabilidade: Uma alegação central é a reusabilidade da calibração. As simulações de apenas alocação são independentes do modelo de desfecho, efeitos de tratamento e fronteiras nulas, permitindo que uma única calibração sirva para múltiplas avaliações de fase de desenho.
• Impacto Prático: O framework permite que pesquisadores realizem extensas análises de poder para desenhos complexos de minimização que seriam, de outra forma, computacionalmente proibitivos devido ao requisito de rerandomização aninhada.

O autor conclui que, embora o SIGA-R não seja um sucessor genericamente preferível ao SIGA-S para todos os propósitos, ele é uma ferramenta essencial quando o objetivo da fase de desenho é aproximar a probabilidade de rejeição de um teste de randomização específico e preespecificado.