Resumo Técnico: Valor da Informação sob Probabilidades Imprecisas

1. Definição do Problema

A análise convencional de Valor da Informação (VOI), incluindo o Valor Esperado da Informação Perfeita (EVPI), o Valor Esperado da Informação Parcial Perfeita (EVPPI) e o Valor Esperado da Informação de Amostra (EVSI), baseia-se na especificação de uma medida de probabilidade única e precisa para os inputs incertos do modelo. No entanto, na modelagem de decisão aplicada — particularmente em avaliações de tecnologias de saúde — a evidência frequentemente falha em determinar univocamente uma única distribuição. Em vez disso, a evidência pode apoiar múltiplas formas distributivas, suposições de dependência, modelos de extrapolação ou escolhas estruturais defensáveis.

Quando a evidência apoia um conjunto de medidas plausíveis, mas não justifica a atribuição de pesos específicos (probabilidades) a elas, a seleção de uma única medida de "referência" introduz uma precisão não sustentada. Isso pode levar a conclusões enganosas sobre a priorização de pesquisas, onde uma decisão de financiar ou rejeitar um estudo parece robusta com base em uma medida específica, mas é, na verdade, altamente sensível às suposições de modelagem específicas escolhidas. O artigo aborda a necessidade de estender os cálculos de VOI para cenários caracterizados por probabilidades imprecisas, onde a incerteza é representada por um conjunto admissível de medidas de probabilidade, em vez de uma estimativa pontual única.

2. Metodologia

O artigo propõe uma estrutura para o Valor da Informação de Probabilidade Imprecisa (IP-VOI) que separa a análise em três componentes distintos: o conjunto admissível de medidas de probabilidade, a regra de decisão usada para escolher entre estratégias sob imprecisão e o alvo de informação.

2.1 O Conjunto Admissível e P-Boxes

Em vez de uma medida única $P_0$, o analista define um conjunto não vazio de medidas de probabilidade admissíveis $\mathcal{P}$ compatíveis com a evidência atual e as suposições de modelagem. Este conjunto pode ser finito (por exemplo, um produto cartesiano de modelos estruturais alternativos) ou contínuo (por exemplo, parâmetros dentro de um intervalo).

• Implementação: O artigo utiliza a Análise de Limites de Probabilidade (PBA) e p-boxes (pares de funções de distribuição cumululativa de limites) como uma rota prática para codificar e propagar essas medidas através dos modelos de decisão.
• Distinção: A estrutura distingue entre variabilidade (incerteza aleatória, descrita por distribuições) e imprecisão (incerteza epistêmica, descrita por limites nessas distribuições).

2.2 Dois Quantitativos Complementares

A estrutura define dois resultados distintos para atender a diferentes necessidades de tomada de decisão:

1. IP-VOI Específico da Regra:

   • Calcula o valor da informação sob uma regra de decisão específica aplicada ao conjunto $\mathcal{P}$.
   • O artigo implementa primordialmente a regra de esperança inferior ($\Gamma$-maximin), que seleciona a estratégia com o maior benefício líquido esperado garantido em todas as medidas em $\mathcal{P}$.
   • Formalmente, para um alvo $Z$ (informação perfeita, parcial ou de amostra), o valor é:
     $$VOI^\rho_Z = V^\rho_Z(\mathcal{P}_Z) - V^\rho_0(\mathcal{P})$$
     onde $V^\rho$ é o valor sob a regra $\rho$. Para o EVPI, isso se simplifica porque a estratégia ótima pontual é a mesma para todas as medidas em $\mathcal{P}$. Para o EVPPI e o EVSI, é necessária uma busca de política finita, pois a política ótima pode variar entre as medidas.

2. Envelope de VOI de Medida Fixa:

   • Esta é uma ferramenta de diagnóstico, não uma regra de decisão. Ela reporta o intervalo $[ \underline{T}, \overline{T} ]$ dos valores de VOI convencionais obtidos ao avaliar o cálculo padrão de VOI para cada medida $P \in \mathcal{P}$.
   • Classificação: O envelope permite que pesquisadores classifiquem decisões de pesquisa em relação a um limiar $\tau$:
     • Robusta: Todo o envelope reside de um lado de $\tau$ (ex: todas as medidas apoiam a pesquisa).
     • Dependente de Suposições: O envelope atravessa $\tau$ (algumas medidas apoiam a pesquisa, outras não).
   • Isso identifica quando uma conclusão de medida única é enganosa porque ela se encontra de um lado do limiar, enquanto o conjunto de evidências suportadas o atravessa.

2.3 Algoritmo Unificado

O artigo fornece um algoritmo computacional unificado que:

1. Discretiza o conjunto admissível $\mathcal{P}$ em um conjunto de índices $H$.
2. Executa uma simulação de Monte Carlo interna para cada medida em $H$.
3. Agrega os resultados via minimização/maximização externa (para valores específicos de regras) ou extração de intervalo (para envelopes).
4. Inclui um estimador aninhado de baixa variância para o EVSI para reduzir o ruído computacional.

3. Principais Resultados (Estudo de Caso de Curativo)

A estrutura foi demonstrada utilizando uma reconstrução transparente do modelo de decisão de curativos BLUEBELLE, comparando quatro estratégias para a prevenção de infecção de sítio cirúrgico. O conjunto admissível $\mathcal{P}$ consistiu em 36 medidas derivadas da variação de quatro dimensões: fontes de risco de infecção basal, valores de perda de saúde, especificações de evidência de efeito de tratamento e correlações entre estimativas.

• Estabilidade da Estratégia: Em todas as 36 medidas, a estratégia de "curativo complexo" permaneceu como a opção preferida, e o EVPI de esperança inferior foi de aproximadamente £122 por ferida.
• Largura do Envelope: O envelope de EVPI de medida fixa variou de £74 a £249 por ferida. A medida de referência (£152) situou-se dentro deste intervalo, mas não era o ponto médio.
• Sensibilidade ao Limiar:
  • Em limiares de £50 ou £260, a conclusão (se a pesquisa é valiosa) foi estável em todo o conjunto.
  • Em limiares de £100 ou £200, a conclusão foi dependente de suposições. Uma análise de medida única teria fornecido um "sim" ou "não" definitivo, enquanto o envelope de IP-VOI revelou que a decisão depende de qual medida admissível é selecionada.
• Comissionamento de Pesquisa: Para um ensaio de escala nacional, o limite inferior do envelope de EVSI (£0,47 bilhões) excedeu custos plausíveis, certificando a recomendação como robusta. No entanto, o envelope identificou tamanhos de população de "ponto de equilíbrio" específicos (ex: 7.600–38.300 feridas para um ensaio de £1,75M) onde a decisão torna-se dependente de suposições.

4. Significância e Alegações

O artigo alega que o IP-VOI generaliza o VOI padrão para cenários onde a evidência não identifica uma medida de probabilidade única e precisa. Sua principal significância reside em:

1. Transparência: Força o analista a declarar explicitamente o conjunto de medidas defensáveis e a regra de decisão utilizada, em vez de esconder a imprecisão atrás de uma única distribuição arbitrária.
2. Poder Diagnóstico: O envelope de medida fixa serve como um diagnóstico crítico para a priorização de pesquisa. Ele distingue conclusões que são estáveis através do conjunto de evidências suportadas de aquelas que dependem de suposições de modelagem não resolvidas.
3. Evitar a Certeza Enganosa: Previne a "impressão de certeza enganosa" que surge quando um valor de VOI de medida única é relatado isoladamente, particularmente quando o limiar de decisão cai dentro do intervalo de valores plausíveis.
4. Implementação: O artigo fornece um algoritmo unificado e código executável (R/Quarto e Python) para implementar esses cálculos, tornando a abordagem acessível para a modelagem de decisão aplicada.

Os autores enfatizam que o IP-VOI não é um substituto para a média de modelos (que requer pesos defensáveis), mas aborda o caso complementar onde tais pesos não podem ser justificados. Não pretendem resolver todos os problemas de incerteza estrutural, mas fornecem um método rigoroso para quantificar o quanto o valor da pesquisa varia quando a própria medida de probabilidade é incerta.