Skip to content
Voltar aos resultados

Ensaio Clínico Randomizado Bayesiano

Proposto por
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
Ano
1980s–2000s (formal methodology consolidated ~2004–2006)
Tipo
Randomized experimental study with Bayesian inference
Família
Clinical / epidemiology

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Um ensaio clínico randomizado bayesiano (ECR bayesiano) combina o rigor da alocação aleatória de tratamento com a inferência estatística bayesiana, permitindo que pesquisadores incorporem evidências prévias e atualizem crenças continuamente à medida que os dados do ensaio se acumulam.

Diferentemente do ECR frequentista clássico, ele produz declarações de probabilidade diretas sobre os efeitos do tratamento e suporta regras de parada adaptativas pré-especificadas baseadas em probabilidades posteriores.

A intuição por trás do método

Em um ECR padrão, espera-se até que todos os dados sejam coletados e, então, pergunta-se se os resultados são extremos o suficiente para rejeitar uma hipótese nula. Um ECR bayesiano, em vez disso, pergunta: dados tudo o que sabíamos antes do início do ensaio e o que os dados atuais mostram, qual é a probabilidade de que o tratamento seja melhor em uma quantidade clinicamente significativa? Essa probabilidade se atualiza a cada nova observação, de forma semelhante a uma previsão do tempo que se atualiza com novas leituras. Como as crenças são atualizadas continuamente, o ensaio pode parar precocemente — por eficácia, futilidade ou segurança — com base em limiares de probabilidade predeterminados, em vez de avaliações intermediárias arbitrárias.

História

A aplicação de métodos bayesianos a ensaios clínicos foi promovida a partir do final dos anos 1980 por estatísticos como Donald Berry no MD Anderson Cancer Center, que demonstrou como as probabilidades posteriores poderiam guiar ensaios adaptativos em oncologia. Spiegelhalter, Abrams e Myles codificaram a estrutura em sua monografia de 2004 da Wiley, e o artigo de Berry de 2006 na Nature Reviews Drug Discovery tornou-se um ponto de entrada amplamente citado para pesquisadores clínicos. Documentos de orientação regulatória — notavelmente a orientação da FDA de 2010 e 2019 sobre desenhos adaptativos — legitimaram os ECRs adaptativos bayesianos para aprovação de medicamentos, impulsionando sua adoção em oncologia, doenças raras e ensaios plataforma.

Quando usar

Utilize um ECR bayesiano quando existir evidência prévia significativa (por exemplo, de fases anteriores ou agentes relacionados) e for cientificamente e eticamente apropriado incorporá-la; quando características adaptativas (parada precoce, descarte de braços, ajuste de tamanho de amostra) forem clinicamente ou comercialmente importantes; quando o objetivo forem declarações de probabilidade diretas sobre o benefício do tratamento, em vez de um valor p; ou quando a área da doença for rara, tornando essencial o uso eficiente de cada participante. Não utilize quando reguladores exigirem uma análise puramente frequentista sem priors (algumas submissões confirmatórias de Fase III), quando dados prévios forem muito heterogêneos para serem agrupados de forma confiável, ou quando um prior pré-especificado não puder ser acordado entre os pesquisadores e stakeholders antes do desmascaramento.

Limitações e considerações

  • A aceitação regulatória para ensaios confirmatórios não é universal; algumas agências exigem características operacionais frequentistas completas mesmo para desenhos bayesianos.
  • Os resultados são sensíveis à especificação do prior; um prior informativo mal escolhido pode dominar a verossimilhança e levar a conclusões equivocadas.
  • As demandas computacionais (MCMC ou Bayesiana Variacional) são maiores do que as análises frequentistas clássicas, exigindo expertise estatística.
  • A randomização adaptativa à resposta pode introduzir complexidade logística e, em algumas simulações, inflar o erro tipo I se não for cuidadosamente calibrada.
  • O relato transparente das escolhas de prior e das análises de sensibilidade é obrigatório, mas adiciona extensão e complexidade às publicações.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Produz resultados diretamente interpretáveis: a probabilidade posterior de que o benefício do tratamento exceda um limiar clinicamente importante.
  • Incorpora formalmente evidências prévias de fases anteriores, reduzindo o tamanho da amostra necessário quando há forte informação prévia.
  • Regras de parada adaptativas podem interromper o ensaio precocemente por eficácia ou futilidade, protegendo os participantes e economizando recursos.
  • A randomização adaptativa à resposta aloca mais participantes para o braço com melhor desempenho, o que é eticamente atraente em doenças graves.
  • Intervalos críveis têm uma interpretação natural (há 95% de probabilidade de que o efeito esteja dentro deste intervalo) que é frequentemente mal interpretada em intervalos de confiança frequentistas.

Aplicações

  • Ensaios de escalonamento de dose e expansão em oncologia (por exemplo, desenhos de intervalo ótimo bayesiano para fase I/II).
  • Ensaios plataforma e de protocolo mestre (RECOVERY, I-SPY) que descartam braços ineficazes e adicionam novos usando probabilidades posteriores.
  • Ensaios de doenças raras onde a pequena população elegível torna os tamanhos de amostra clássicos inviáveis.
  • Ensaios de dispositivos e diagnósticos onde a evidência do mundo real acumulada é formalmente incorporada via um prior informativo.
  • Ensaios de eficácia de vacinas que exigem decisões intermediárias rápidas com limiares de probabilidade explícitos.
  • Estudos adaptativos de escalonamento de dose usando métodos de reavaliação contínua (CRM) ou escalonamento com controle de sobredosagem (EWOC).

Como funciona

Como funciona

1

Antes do ensaio ser iniciado, uma distribuição de probabilidade a priori é especificada para o parâmetro de efeito do tratamento. Priors informativos incorporam resultados de estudos de fases anteriores, literatura publicada ou conhecimento clínico de especialistas; priors não informativos (vagos) são usados quando a evidência prévia é limitada ou para satisfazer expectativas regulatórias de influência prévia mínima. A escolha do prior deve ser pré-especificada no protocolo e justificada.

2

Os participantes são alocados aleatoriamente para os braços de tratamento, exatamente como em um ECR frequentista. A randomização pode ser fixa (alocação igual) ou adaptativa à resposta (razões de alocação atualizadas em favor do braço com melhor desempenho). O cegamento, o sigilo e os padrões de relato estilo CONSORT se aplicam independentemente da estrutura estatística.

3

À medida que os dados de desfecho se acumulam para cada participante, a função de verossimilhança quantifica quão prováveis são os dados observados sob diferentes valores do parâmetro de efeito do tratamento. A verossimilhança é combinada com o prior para produzir crenças atualizadas — esta etapa corresponde ao teorema de Bayes e é realizada em cada análise intermediária pré-planejada.

4

A distribuição posterior P(theta | dados) é calculada multiplicando o prior pela verossimilhança e normalizando. A partir desta distribuição, a equipe do ensaio obtém quantidades-chave: a probabilidade posterior de que o benefício do tratamento exceda um limiar significativo, a média posterior e o intervalo crível para o tamanho do efeito, e a probabilidade preditiva de um desfecho bem-sucedido se o ensaio continuasse até seu tamanho máximo de amostra.

Fórmula
P(theta | data) propto P(data | theta) * P(theta)
5

Regras de decisão pré-especificadas traduzem probabilidades posteriores em ações do ensaio. Regras comuns incluem: parar por eficácia se P(delta > delta_min | dados) > 0.95; parar por futilidade se a probabilidade preditiva de sucesso final cair abaixo de 0.05; continuar caso contrário. Os resultados finais são relatados como probabilidades posteriores e intervalos críveis, complementados por quaisquer características operacionais frequentistas solicitadas para submissão regulatória.

Erros comuns

  • Escolher o prior após ver os dados — o prior deve ser totalmente pré-especificado e travado antes que quaisquer dados não cegos sejam examinados; a seleção de prior post-hoc invalida a lógica bayesiana e introduz viés.
  • Ignorar o conflito prior-dados — quando o prior e os dados acumulados discordam fortemente, o posterior pode fornecer resumos enganosos; diagnósticos de conflito devem fazer parte do plano de monitoramento.
  • Negligenciar características operacionais frequentistas — mesmo em um ensaio bayesiano, as submissões regulatórias geralmente exigem estimativas baseadas em simulação do erro tipo I e do poder sob a nulidade e a alternativa; a falha em fornecê-las compromete a aprovação regulatória.
  • Confundir intervalos críveis com intervalos de confiança — intervalos críveis bayesianos requerem um prior; relatá-los como se fossem intervalos de confiança frequentistas representa incorretamente a estrutura estatística.

Perguntas frequentes

Preciso de uma grande literatura prévia para realizar um ECR bayesiano?

Não. Quando a informação prévia é limitada ou contestada, um prior fracamente informativo ou não informativo pode ser usado. A contrapartida é que, com um prior vago, o posterior bayesiano se assemelhará muito a um resultado frequentista, de modo que a principal vantagem se torna as regras de parada adaptativas, em vez do empréstimo de prior. Análises de sensibilidade em uma gama de priors devem ser sempre relatadas.

A FDA ou a EMA aceitarão um ECR bayesiano para aprovação de medicamentos?

Ambas as agências emitiram orientações favoráveis a desenhos adaptativos bayesianos, mas a aceitação depende do contexto. A orientação da FDA de 2019 cobre explicitamente desenhos adaptativos bayesianos para medicamentos e dispositivos. Requisitos-chave incluem: pré-especificação do prior e das regras de decisão, estudos de simulação demonstrando erro tipo I e poder aceitáveis, e relato transparente. O engajamento precoce com a agência relevante é fortemente recomendado.

Como um ECR bayesiano difere de um ECR adaptativo?

Um ECR adaptativo é uma categoria ampla de desenho que modifica parâmetros do ensaio (tamanho da amostra, alocação, braços) com base nos dados acumulados; ele pode ser analisado com métodos frequentistas ou bayesianos. Um ECR bayesiano usa especificamente inferência bayesiana — distribuições a priori, verossimilhanças e probabilidades posteriores — que suportam naturalmente regras de decisão adaptativas. A maioria dos ECRs bayesianos modernos também são adaptativos, mas os dois rótulos se referem a aspectos diferentes do desenho.

Que software posso usar para análise de ECR bayesiano?

Stan (via RStan ou CmdStanR) e JAGS são as plataformas mais utilizadas para computação posterior via MCMC. Os pacotes R RBesT (síntese de evidências bayesianas), bayesDP e trialr implementam desenhos de ensaio específicos. EAST Bayes e FACTS são pacotes de software comerciais com histórico regulatório para simulação e análise de ensaios adaptativos bayesianos.

Qual é o tamanho mínimo da amostra para um ECR bayesiano?

Não há um mínimo universal; o tamanho da amostra necessário depende da força do prior, do tamanho do efeito alvo, do limiar de probabilidade posterior escolhido e das características operacionais frequentistas desejadas. Estudos de simulação — tipicamente 10.000 ou mais replicações sob uma gama de cenários — são usados para determinar o tamanho máximo da amostra e os limites de parada adaptativos antes do início do ensaio.

Métodos relacionados

Fontes

  1. Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.

    ISBN: 978-0471499756
    Copiado.
  2. Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.

    Abrir referência DOI
    Copiado.