Accounting for uncertainty in the expected treatment effect substantially increases the sample size required for randomised trials: implications for the feasibility of clinical trials in anaesthesia and critical care

Resumo Técnico: Contabilizando a Incerteza no Efeito Esperado do Tratamento

Problema
Ensaios randomizados multicêntricos em anestesia e cuidados intensivos frequentemente relatam baixas taxas de diferenças estatisticamente significativas. Os autores postulam que este fenômeno é atribuível, em parte, aos métodos convencionais de cálculo de tamanho de amostra, que assumem um efeito de tratamento fixo. Esses métodos de "poder condicional" falham em considerar a incerteza genuína em relação ao tamanho do efeito esperado — uma realidade fundamental que muitas vezes motiva o próprio ensaio. Quando os pesquisadores superestimam o tamanho do efeito plausível (uma ocorrência comum), o poder alcançado do estudo fica abaixo do poder de delineamento, aumentando o risco de erros do Tipo II e da "maldição do vencedor" (onde resultados significativos superestimam o efeito real). O artigo aborda a necessidade de métodos que incorporem essa incerteza para fornecer estimativas de tamanho de amostra mais realistas.

Metodologia
O estudo empregou simulações em R para comparar três abordagens para estimar o poder e o tamanho da amostra em ensaios randomizados de dois braços com desfechos binários (taxa de evento de controle esperada de 50%):

1. Poder Convencional (Condicional): Assume um tamanho de efeito fixo.
2. Assurance Frequentista: Utiliza um prior de delineamento para representar a incerteza no efeito do tratamento ($\beta_1$) e calcula o poder através da média de efeitos plausíveis via integração de Monte Carlo.
3. Assurance Bayesiana: Utiliza um prior de delineamento tanto para a taxa de evento de controle ($\beta_0$) quanto para o efeito do tratamento ($\beta_1$), simulando dados e ajustando modelos de regressão logística bayesiana para determinar a proporção de ensaios que atendem a um critério de sucesso (probabilidade posterior de benefício > 97,5%).

Principais características metodológicas incluem:

• Priors de Delineamento: Distribuições normais (Gaussianas) foram especificadas para $\beta_1$ com um Coeficiente de Variação (CV) constante variando de 0,1 a 2,0. Isso padronizou o grau de incerteza do prior entre diferentes tamanhos de efeito.
• Tamanhos de Efeito: Quatro cenários foram testados com diferenças de risco (DR) esperadas de -10%, -5%, -2% e -1%.
• Eficiência Computacional: Para tornar a assurance bayesiana computacionalmente tratável, os autores utilizaram e validaram uma aproximação normal à distribuição posterior bayesiana, comparando-a com a amostragem MCMC em um subconjunto de simulações.
• Derivação Teórica: Os autores derivaram um limite teórico para o poder alcançável ($power_\infty$) conforme o tamanho da amostra se aproxima do infinito.

Principais Resultados

• Inflação do Tamanho da Amostra: Incorporar a incerteza via priors de delineamento aumenta substancialmente o tamanho da amostra necessário em comparação aos métodos convencionais. Com um CV de 0,5 (representando incerteza realista do prior), tanto os métodos de assurance frequentista quanto o bayesiano exigiram tamanhos de amostra aproximadamente 1,5 a 3,5 vezes maiores do que o método convencional para atingir 80% ou 90% de poder.
• Limite Teórico de Poder: O estudo derivou um teto teórico para o poder definido pela equação $power_\infty = \Phi(1/CV)$, onde $\Phi$ é a função de distribuição cumulativa da normal padrão. Este limite depende exclusivamente do CV do prior de delineamento e é independente do tamanho do efeito ou da metodologia inferencial.
  • Para um CV de 0,5, o poder máximo alcançável é ~98%.
  • Para um CV de 1,19, o poder máximo cai para 80%.
  • Para um CV de 2,0, o poder máximo é ~69%.
• Concordância Metodológica: Os métodos de assurance frequentista e bayesiana produziram curvas de poder semelhantes em todos os cenários. Pequenas diferenças foram atribuídas à variabilidade da amostragem, ao efeito de regularização dos priors de análise fracamente informativos na abordagem bayesiana e ao fato de o método bayesiano amostrar a incerteza na taxa de evento de controle ($\beta_0$) enquanto o método frequentista a tratou como fixa.
• Validação: A aproximação normal da distribuição posterior bayesiana coincidiu estreitamente com os resultados de MCMC, reduzindo o tempo de computação de dias/semanas para menos de 8 horas em um laptop padrão.

Significância e Alegações
O artigo alega que contabilizar a incerteza clínica no efeito esperado do tratamento é crítico para a viabilidade de ensaios randomizados em anestesia e cuidados intensivos. Os autores argumentam que:

• Implicações de Viabilidade: O aumento substancial nos tamanhos de amostra necessários quando a incerteza é contabilizada sugere que muitos ensaios, particularmente aqueles que visam pequenos efeitos de tratamento ou que possuem alta incerteza prévia (alto CV), podem ser inviáveis ou substancialmente subdimensionados se desenhados usando métodos convencionais.
• Explicação para Baixas Taxas de Sucesso: A falha em contabilizar a incerteza genuína pode explicar a baixa proporção de ensaios multicêntricos nesses campos que relatam diferenças estatisticamente significativas.
• Recomendação Prática: Os autores sugerem um CV de aproximadamente 0,5 como um default razoável para priors de delineamento. Este valor acomoda a incerteza realista enquanto ainda permite que um poder adequado (por exemplo, 80-90%) seja alcançável.
• Contribuição Metodológica: O estudo fornece uma aproximação normal validada e computacionalmente eficiente para o poder de assurance bayesiana, tornando esses métodos mais acessíveis para o planejamento de ensaios sem o custo proibitivo de uma amostragem MCMC completa.

O artigo conclui que, enquanto o método convencional assume um efeito fixo, os métodos de assurance oferecem um guia mais realista para a estimativa do tamanho da amostra, informando diretamente as decisões sobre a viabilidade de conduzir ensaios clínicos específicos.