Power Calculation for Noninferiority Stepped-Wedge Cluster Randomized Trials

No mundo da pesquisa médica, os cientistas frequentemente precisam testar novos tratamentos em muitos locais diferentes, como hospitais ou clínicas, em vez de apenas em pacientes individuais. Quando um tratamento não pode ser implementado em todos os lugares ao mesmo tempo — talvez porque não haja pessoal ou equipamentos suficientes para treinar todos simultaneamente — os pesquisadores utilizam um delineamento chamado ensaio de degraus escalonados (stepped-wedge trial). Imagine uma corrida de revezamento onde cada corredor começa ao mesmo tempo, mas cruza a linha de chegada em momentos diferentes; neste desenho de estudo, cada grupo começa com o cuidado padrão e depois muda para o novo tratamento um por um até que todos o tenham recebido. Esta abordagem é eticamente atraente porque nenhum grupo é deixado sem a nova opção, e permite que os pesquisadores comparem o desempenho dos grupos antes e depois da mudança. No entanto, embora os cientistas saibam há muito tempo como calcular as chances de provar que um novo tratamento é melhor que o antigo, eles careciam de ferramentas confiáveis para calcular as chances de provar que ele é tão bom quanto. Essa distinção é profundamente importante quando um novo tratamento é mais barato, mais seguro ou mais fácil de usar, mesmo que seja ligeiramente menos eficaz que o padrão ouro.

Uma equipe de pesquisadores criou agora um novo método para ajudar a planejar esses ensaios quando o objetivo é mostrar que uma nova abordagem não é pior que a atual, preenchendo essa lacuna. Eles desenvolveram uma ferramenta baseada em computador chamada swNIsim, que simula milhares de potenciais cenários de ensaios para ver se um desenho de estudo funcionará. Em vez de depender de fórmulas rígidas que assumem condições simples, esta ferramenta mimetiza a realidade desordenada dos estudos do mundo real. Ela pode lidar com situações em que alguns hospitais são maiores do que outros, onde o número de pacientes varia de semana para semana, ou onde o novo tratamento leva tempo para começar a fazer efeito. Os pesquisadores testaram seu método usando tanto medições contínuas, como o número de dias que um paciente passa em um ventilador, quanto resultados binários, como se um paciente foi admitido no hospital ou não. Ao realizar essas simulações, eles descobriram que o fator mais importante para um ensaio bem-sucedido não é necessariamente o número de hospitais envolvidos, mas sim o número de períodos de tempo ao longo dos quais o estudo ocorre.

Os pesquisadores descobriram que, para um número fixo total de pacientes, distribuir o estudo ao longo de mais períodos de tempo aumentou consistentemente as chances de detectar um efeito real. Embora adicionar mais hospitais à mistura tenha ajudado ligeiramente, não foi tão poderoso quanto simplesmente estender o cronograma. Eles também observaram que, quando as diferenças entre os hospitais eram muito grandes, tornava-se mais difícil encontrar um resultado claro, mas o método permaneceu robusto. Crucialmente, a ferramenta mostrou que equilibrar o número de hospitais em cada grupo é mais eficiente do que ter grupos desiguais. As simulações confirmaram que o método mantém o risco de alarmes falsos muito baixo, garantindo que, quando um ensaio conclui que o novo tratamento é aceitável, essa conclusão seja estatisticamente sólida. A equipe também observou que, se um estudo incluir períodos de tempo em que não ocorre mudança real, remover esses fatores de tempo da análise pode tornar os resultados mais claros, embora, na prática, os pesquisadores geralmente os mantenam para considerar as tendências naturais ao longo do tempo.

Para provar que a ferramenta funciona na vida real, os autores a aplicaram a dois estudos existentes. O primeiro envolveu um ensaio para pacientes em ventiladores mecânicos, onde o objetivo era ver se um novo caminho de cuidado poderia manter um alto número de dias sem assistência respiratória. Usando seu novo método, eles calcularam que um número específico de pacientes por hospital por período de tempo seria necessário para dizer com confiança que o novo método não era pior que o antigo. O segundo exemplo analisou um ensaio em departamentos de emergência visando reduzir as admissões hospitalares. Aqui, a ferramenta ajudou a determinar o tamanho necessário dos grupos de estudo para mostrar que um novo programa de cuidados paliativos era comparável ao cuidado padrão. Esses exemplos demonstraram que o software pode lidar com parâmetros complexos do mundo real e fornecer orientações claras sobre quantos participantes são necessários.

Os autores enfatizam que, embora seu método seja flexível e poderoso, ele não é uma solução mágica que elimina toda a incerteza. A ferramenta depende de simulações computacionais, que são mais pesadas computacionalmente do que cálculos simples, mas esse esforço extra permite que ela lide com os desenhos complicados que a medicina moderna frequentemente exige. Eles também apontam que seu modelo atual assume um tipo específico de conexão entre pacientes no mesmo hospital, e versões futuras podem precisar considerar padrões mais complexos de como os pacientes influenciam uns aos outros ao longo do tempo. No entanto, ao fornecer um pacote de software gratuito que os pesquisadores podem usar imediatamente, este trabalho oferece uma maneira prática de desenhar ensaios melhores e mais eficientes. Garante que, quando os cientistas partem para provar que um novo tratamento é bom o suficiente, eles não estão apenas supondo, mas sim baseando-se em um plano que foi rigorosamente testado contra as realidades de como o cuidado médico é realmente entregue.