Efficient Response-Adaptive Randomization for Multi-arm Trials with Prioritized Composite Endpoints

Resumo Técnico: Randomização Adaptativa de Resposta Eficiente para Ensaios de Múltiplas Armas com Desfechos Compostos Priorizados

Definição do Problema
Os designs existentes de randomização adaptativa de resposta (RAR), incluindo o design de eficiente randomização adaptativa (ERAD) de Hu et al. [2009] e sua extensão multi-armas por Alkhnefr et al. [2025], são limitados ao direcionamento de proporções de alocação baseadas em uma resposta de braço única, escalar ou de baixa dimensão. No entanto, ensaios clínicos confirmatórios dependem cada vez mais de desfechos compostos priorizados (ex: eficácia seguida de segurança) que não podem ser reduzidos a um único resumo sem perda de informação. Reguladores exigem que os tratamentos demonstrem eficácia favorável sem toxicidade inaceitável, o que é formalizado como desfechos co-primários ou primário-e-secundário-chave. Os métodos atuais de RAR que respondem apenas a um desfecho principal descartam informações críticas sobre os compromissos (trade-offs) que reguladores e clínicos priorizam. Além disso, nenhum design de RAR existente direciona uma alocação impulsionada conjuntamente por vários desfechos priorizados, possivelmente censurados, de tipos mistos (ex: tempo até o evento e binário).

Metodologia
O artigo estende o design de randomização adaptativa eficiente para visar o benefício líquido do tratamento derivado de comparações pareadas generalizadas (Buyse [2010]) através de uma hierarquia de desfechos priorizados.

1. Estrutura:

   • Considere um ensaio com $K$ braços e $L$ desfechos priorizados ($1 \succ 2 \succ \dots \succ L$) de tipos mistos (ex: tempo até o evento censurado, binário).
   • Para quaisquer dois pacientes de braços diferentes, uma comparação lexicográfica é realizada: o primeiro desfecho é comparado; se houver empate ou for não informativo (censurado), a comparação prossegue para o próximo desfecho.
   • O resultado é uma pontuação $h \in \{-1, 0, 1\}$. O benefício líquido do tratamento $\Delta_{jk}$ entre o braço $j$ e o braço $k$ é a esperança $E\{h(\xi_{1,j}, \xi_{1,k})\}$.
   • O estimador $\hat{\Delta}_{m,jk}$ é uma estatística U de duas amostras computada sobre pacientes acumulados sequencialmente.

2. Algoritmo de Design:

   • A alocação alvo $\rho(\cdot)$ é uma função suave do vetor de benefícios líquidos pareados estimados $\hat{\Delta}_m$.
   • A regra de alocação segue a estrutura ERAD multi-braços (Alkhnefr et al. [2025]): os pacientes são alocados para o braço $k$ com probabilidade determinada pelo estimador atual $\hat{\rho}_m = \rho(\hat{\Delta}_m)$, ajustado por um mecanismo de moeda enviesada para garantir que a proporção de alocação acompanhe o alvo.
   • O design acomoda respostas tardias tratando desfechos não averiguados como censurados dentro da hierarquia de comparação, cascateando para desfechos de menor prioridade.

3. Desenvolvimento Teórico:

   • Representação de Bahadur Generalizada: Como $\hat{\Delta}_m$ é uma estatística U avaliada em tamanhos de amostra dependentes do design (não uma simples média de termos i.i.d.), a representação de Bahadur padrão não se aplica. O autor estabelece uma projeção de Hájek sequencial para o benefício líquido sob amostragem adaptativa. Esta representação expressa o erro de estimação como uma soma de diferenças de martingales mais um resto negligenciável.
   • Técnicas de Martingales: A prova das propriedades assintóticas combina esta projeção sequencial com as técnicas de martingales usadas nas provas originais de ERAD. A limitação do kernel de comparação $h$ simplifica as desigualdades máximas necessárias.

Principais Contribuições

1. Extensão do ERAD: O design é generalizado de alvos de resposta única para alvos impulsionados por comparações pareadas generalizadas para qualquer número de braços e qualquer coleção finita e ordenada de desfechos de tipos mistos.
2. Teoria Assintótica: O artigo estabelece consistência forte, uma lei do logaritmo iterado e normalidade assintótica para as proporções de alocação. Crucialmente, o autor prova que o design atinge o limite de eficiência semiparamétrica para a variância da proporção de alocação dentro da classe de designs que rastreiam uma função suave do benefício líquido.
   • Nota sobre Eficiência: O autor afirma explicitamente que esta é uma alegação "genuinamente diferente e mais fraca" do que o alcance clássico de Cramér–Rao dos ERADs paramétricos. Como o benefício líquido é um funcional baseado em postos e livre de distribuição (estatística U) em vez de um parâmetro paramétrico de dimensão finita, não há informação de Fisher; portanto, a otimalidade é definida em relação à eficiência semiparamétrica do estimador da estatística U.
3. Tratamento de Atrasos: A estrutura acomoda formalmente a averiguação de resposta atrasada (ex: revisão radiológica pendente) ao integrá-la no mecanismo de cascata de censura existente da comparação pareada, sem exigir maquinário separado.

Resultados
O design foi avaliado via simulação calibrada para um ensaio de Fase III de melanoma (COLUMBUS) de três braços.

• Eficiência de Alocação: Em cenários com um tratamento superior, o design proposto concentrou a alocação no braço superior de forma mais eficiente (46,4% vs. 37,0% para designs de apenas taxa de resposta) enquanto manteve a taxa de erro do Tipo I nominal (aprox. 5%).
• Poder e Toxicidade: O design alcançou um poder estatístico ligeiramente superior em cenários de separação moderada e reduziu a carga esperada de toxicidade (descontinuações de tratamento) em comparação com designs impulsionados por um único desfecho.
• Robustez: Análises de sensibilidade confirmaram que o desempenho do design é robusto a variações na duração do acompanhamento, suposições distributivas (Weibull vs. log-normal) e estruturas de correlação de pacientes. O design também permaneceu eficaz sob taxas de recrutação de pacientes variáveis e averiguação de resposta atrasada, consistente com a taxa de convergência teórica de $o_P(m^{-1/2})$.
• Aplicação de Redesign: Um redesign post-hoc do ensaio COLUMBUS demonstrou que o design proposto teria alocado mais pacientes para a terapia combinada superior e menos para a monoterapia menos favorável, com uma redução modesta de eventos adversos, sem comprometer a validade estatística.

Significância e Alegações
O artigo afirma abordar uma necessidade prática em ensaios confirmatórios onde designs adaptativos de desfecho único falham em refletir os compromissos complexos (eficácia vs. segurança) exigidos pelos reguladores. Ao estender o design de randomização adaptativa eficiente para desfechos compostos priorizados, o método permite que mais pacientes recebam tratamentos superiores enquanto preserva a validade da inferência.

O autor é modesto em suas alegações teóricas, reconhecendo que o limite de eficiência é semiparamétrico (relativo à classe de funções suaves do benefício líquido) e não o limite de Cramér–Rao paramétrico. Eles observam que o design não possui inerentemente maior poder do que designs que visam diferentes funções de alocação, mas sim alcança a menor variância para um dado alvo. O trabalho é posicionado como um passo em direção a designs adaptativos clinicamente mais relevantes que se alinhem com as expectativas regulatórias para desfechos compostos, deixando abertas questões relativas a hipóteses de não inferioridade, ajustes de covariáveis e potencialmente funcionais mais complexos da distribuição de resposta multivariada.