Pattern-Based Sequential Multiple Imputation for Missing Data in Clinical Trials: An Extension for Baseline-Only Early Dropout Subjects

No mundo dos ensaios clínicos, os pesquisadores tentam constantemente medir o quão bem um novo medicamento funciona em comparação com um placebo. Para obter uma resposta clara, eles acompanham os pacientes ao longo do tempo, verificando sua saúde em intervalos regulares. No entanto, a vida é imprevisível. Os pacientes frequentemente param de tomar o medicamento do estudo ou abandonam o ensaio inteiramente antes que o estudo termine. Às vezes, eles saem devido a efeitos colaterais, às vezes porque se sentem melhor e, às vezes, por razões completamente não relacionadas ao medicamento. Quando um paciente sai, seus dados param, criando uma lacuna no registro. Por décadas, os estatísticos lutaram para saber como preencher essas lacunas sem distorcer o resultado final. O objetivo é entender o efeito real do tratamento em todo o grupo de pessoas que iniciaram o ensaio, não apenas nos poucos sortudos que permaneceram até o fim. Se os pesquisadores simplesmente ignorarem as pessoas que saíram cedo, podem acidentalmente enviesar os resultados, fazendo com que um medicamento pareça melhor ou pior do que realmente é.

Uma abordagem moderna chamada "política de tratamento" tornou-se o padrão para lidar com essas interrupções. Ela faz uma pergunta simples: o que acontece com a saúde do paciente, independentemente de ele continuar tomando o medicamento ou não? Para responder a isso, os estatísticos usam uma técnica chamada imputação múltipla. Imagine tentar adivinhar o restante de uma história após ler apenas os primeiros capítulos. Em vez de adivinhar uma única vez, você cria muitos finais possíveis baseados no que sabe sobre os personagens, e depois os tira a média para obter uma previsão confiável. Este método funciona bem quando os pacientes têm pelo menos uma consulta após o início do estudo. Mas existe um problema específico e persistente que quebra este sistema: o abandono "apenas na linha de base" (baseline-only). Estes são os pacientes que se inscrevem, passam pela primeira consulta e então desaparecem antes que qualquer dado de acompanhamento seja coletado. Como não possuem dados de acompanhamento, as ferramentas estatísticas padrão não conseguem descobrir quando ou por que eles saíram, deixando-os desamparados na análise.

Este é o exato enigma que o pesquisador Chen Zhang e sua equipe se propuseram a resolver. Eles focaram em ensaios para a síndrome de Sjögren primária, uma doença autoimune crônica onde os pacientes são acompanhados ao longo de vários meses. Nesses ensaios, um número perceptível de pacientes desiste antes da primeira visita de acompanhamento, muitas vezes devido à retirada do consentimento ou outras questões logísticas. A equipe percebeu que os modelos estatísticos existentes, que são projetados para lidar com dados ausentes, simplesmente não conseguiam processar esses pacientes sem excluí-los do estudo. Excluí-los é arriscado porque altera o grupo que está sendo estudado, potencialmente enviesando os resultados. Para corrigir isso, os pesquisadores desenvolveram um novo método que chamam de Imputação Múltipla Sequencial Baseada em Padrões Estendida. A ideia central é buscar informações de pacientes semelhantes que permaneceram no estudo. Para cada paciente que desapareceu após a primeira consulta, a equipe encontra um paciente "doador" no mesmo grupo de tratamento que seja muito semelhante em termos de idade, histórico da doença e outros fatores, e que tenha fornecido dados de acompanhamento.

Os pesquisadores testaram duas maneiras diferentes de usar essa informação emprestada. A primeira abordagem, que chamam de estratégia "Doador Total" (Full Donor), copia toda a jornada futura do paciente doador para o paciente ausente. É como se o paciente ausente recebesse o roteiro exato do que aconteceu com seu gêmeo, da segunda visita até o fim. A segunda abordagem, chamada "Doador Y1", é mais cautelosa. Ela copia apenas a consulta imediatamente seguinte do doador. Para todas as visitas depois dessa, o modelo estatístico preenche as lacunas usando os padrões mais amplos de todo o estudo, em vez de depender de uma única história emprestada. A equipe realizou milhares de simulações computacionais baseadas em dados de ensaios do mundo real para ver qual método funcionava melhor. Eles criaram pacientes virtuais com diferentes motivos para desistência, alguns aleatórios e outros ligados ao nível de gravidade de sua doença, para ver como os métodos resistiam à pressão.

Os resultados foram claros e decisivos. A estratégia "Doador Total", embora intuitiva, provou ser pouco confiável. Ao copiar uma trajetória inteira de um único doador, ela criou uma falsa sensação de certeza. O modelo estatístico pensou que sabia exatamente o que aconteceu com esses pacientes ausentes, levando a intervalos de confiança muito estreitos e resultados que eram frequentemente enviesados, especialmente quando o motivo da desistência estava relacionado à saúde do paciente. Era como assumir que, porque duas pessoas se parecem, elas terão exatamente as mesmas experiências de vida, ignorando a aleatoriedade da vida real. Em contraste, a estratégia "Doador Y1" teve um desempenho notável. Ao emprestar apenas a primeira consulta de acompanhamento e deixar o modelo lidar com o restante, ela manteve um nível saudável de incerteza. Essa abordagem manteve os resultados precisos e a confiança estatística honesta, mesmo quando os dados ausentes eram complicados.

O estudo descobriu que o uso do método "Doador Y1" permitiu que os pesquisadores mantivessem todos os pacientes na análise, incluindo aqueles que saíram após a primeiríssima visita. Isso é crucial porque preserva a integridade do grupo original do estudo. Se você excluir as pessoas que saíram cedo, pode acabar estudando um grupo que é fundamentalmente diferente daquele que você pretendia tratar. O novo método garante que a resposta final reflita a política de tratamento para toda a população, não apenas para um subconjunto selecionado. Embora o método "Doador Total" seja arriscado demais para ser usado como a forma principal de analisar dados, os pesquisadores sugerem que ele ainda pode ser útil como uma verificação secundária para ver se os resultados se sustentam sob diferentes pressupostos. Em última análise, este trabalho fornece uma ferramenta prática para ensaios clínicos, garantindo que as vozes dos pacientes que abandonam o estudo precocemente não sejam perdidas e que as conclusões tiradas desses estudos que salvam vidas sejam o mais precisas e inclusivas possível.