viéses e fatores de confusão george w. rutherford, m.d. sexta-feira 07/11/03 ceargs
TRANSCRIPT
Viéses e Fatores de Confusão
George W. Rutherford, M.D.
Sexta-feira 07/11/03
CEARGS
Erros na Pesquisa Ameaçam o seu Estudo
• Erros ameaçam a possibilidade de generalização dos resultados
• Erros no desenho e implementação
• Uma função do investigator é minimizar os erros e aumentar a possibilidade de generalização dos resultados
Cinco Razões que Podem Explicar uma Associação Epidemiológica
• Chance (erro aleatório)
• Viés (erro sistemático)
• Efeito-causa
• Confusão
• Causa-efeito
Explicação Tipo de
associaçãoA relação entre as variáveis
Modelo causal
Chance Espúria Nada
Viés Espúria Nada
Efeito-causa Verdadeira Reversa Desfecho -> Predição
Confusão Verdadeira As variáveis de predição e desfecho estão associadas com uma terceira
Fator x
/ \
Predição Desfecho
Causa-efeito Verdadeira Atual Predição -> Desfecho
Erros em pesquisa
PERGUNTA DE PESQUISA
VERDADE NO UNIVERSO
População alvo
Fenômeno de
interesse
ESTUDO ATUAL
VERDADE NO UNIVERSO
Participantes atuais
Medidas atuais
PLANO DE ESTUDO
VERDADE NO UNIVERSO
Amostra Tencionada
Variaveis tencionadas
Erros de
chance e vies
Erros de
chance e vies
Desenho Implementação
Infere Infere
Duas Fontes de Associações Espúrias
• Erro aleatório = chance () A variável não tem sempre o mesmo
valor quando é medida várias vezes
• Erro sistemático = viés A variável não representa um valor
que é verdadeiro
A Relação entre Erros, Precisão e Exatidão
• Erros aleatórios ameaçam precisão
• Contribuídos por O observador O participante O instrumento
• Erros sistemáticos ameaçam exatidão
• Contribuídos por O observador O participante O instrumento
A Diferença entre Precisão e Exatidão
Boa precisão Má precisão Boa precisão Má precisãoMá exatidão Boa exatidão Boa exatidão Má exatidão
Erro sistemático é o resultado da falta de exatidão
Erros Sistemáticos em Pesquisa e como Evitá-los
• Erro aleatório = chance () Melhorar o desenho do estudo Aumentar o tamanho da amostra Aumenta a precisão (precision)
• Erro sistemático = viés Melhorar o desenho do estudo Aumentar exatidão (accuracy)
Chance
• Problema comum a todos estudos quando se utiliza uma amostra
• Duas posibilidades Falta achar uma associação que já existe
(Erro do tipo II) Achar uma associação que não existe
(Erro do tipo I)• A mesma solução para ambos -
aumentar o tamanho de amostra!
Erro Aleatório e Poder
Verdade no universo (desfecho):
Resultados do estudo:
Associação existe
Associação não existe
Associação buscada
Resultado correto
Erro do tipo II
(poder)
Associação não buscada
Erro do tipo I
(chance)
Resultado correto
Erro sistemático
• Erro sistemático é quando se acha um resultado incorreto por causa de viés
• Erro sistemático diminui a exatidão dos resultados do estudo
• Erros sistemáticos podem ocorrer na amostra (erro de amostragem) ou nas medidas (erro de medida)
Fontes de Erro Sistemático
• Amostragem Quando a amostra não representa a
população alvo Viés de participação
• Alguns participantes são excluidos sistematicamente
Generalizabilidade: Seleção de participantes
• A amostra do estudo não é bem representativa da população alvo
População AlvoPopulação de Estudo
Viés na Amostragem
• Soluções Amostragem aleatória Evite amostras não aleatórias (como
amostra de conveniência) Minimização dos critérios de exclusão
(limite a generalizabilidade)
Viés de AmostragemExemplos
• Em um estudo de prevalência do HIV em uma população de trabalhadores de sexo, os participantes são escolhidos exclusivamente de uma prisão
• É representativa? É generalizável?
• Como tornar a amostra mais representativa?
Viés de AmostragemExemplos
• Um estudo de HSH tem a idade de mais de 30 anos como um critério de exclusão
• Um outro estudo recruta HSH somente de clubes de HSM jovens
• São os resultados generalizáveis a toda a população de HSH?
Fontes de Erro Sistemático: Medidas
• As medidas não refletem as variáveis de interesse
• Problemas com Os instrumentos Os questionários Os entrevistadores
Viés de Medidas:Exemplos
• Um balança é 1 kg mais pesada por cada participante
• Os participantes não entendem uma pergunta do questionário
• Um entrevistador pergunta um item incorretamente, consistentemente
Casos Especiais de Viés:Estudos de Caso-controle
• Viés de amostragem Os casos são amostrados somente de
pacientes com a doença diagnosticada• Ex: amostras de pacientes com HIV
diagnosticado não são representativas de todos os pacients com HIV
Encontrar controles da mesma população que os casos
• Ex: Recrutar controles da mesma clínica que os casos
Casos Especiais de Viés:Estudos de Caso-controle
• Viés de medida diferencial Os casos podem lembrar os fatores
de risco melhor que os controles Duas soluções:
• Utilize dados registrados antes do desfecho
• Cegando
Cegando nos Estudos de Caso-controle
Pessoa cegando Cegando quem é um caso e quem é um controle
Cegando a medição de fatores de risco
Participante Casos e controles têm condições que podem ser relacionadas aos fatores de risco
Incluir fatores de risco “dummy” e medir as diferenças entre casos e controles
Observador Possível se os casos e controles não forem muito diferentes
Possível se o investigador nåo for o entrevistador
Casos Especiais de Viés:Estudos Experimentais
• Cegamento correto reduz os erros sistemáticos
• Tipos de cegamento Do investigador, que designa o grupo
de intervenção Do participante Do observador, que mede o desfecho
A importância de Cegamento:Exemplos
• Um investigador designa participantes que ele sabe ser mais doentes que o grupo de intervenção
• Os participantes designados ao grupo placebo aprendem a seu designação e param o tratamento porque acreditam que não vai beneficiá-los
• Os investigadores sabem o grupo de intervenção quando eles designam o desfecho
Estudos Observacionais• Porque os fazemos?• Quando ensaios randomizados não são
factíveis ou práticos Não éticos
• Exposição dos controles a desfechos ruins Não práticos
• Caros• Demasiado longos em tempo• A pergunta de pesquisa é demasiado estreita
• Precisamos estabelecer a relação temporal entre causa e efeito e controlar confusão
Evidência de Causalidade em Estudos Observacionais
• Força da associação• Consistência de resultados em
vários estudos de vários desenhos• Causa precede efeito• Força da associação aumenta com a
exposição (dose-resposta)• Plausividade biológica
Critérios de Bradford-Hill
Efeito-Causa
• Quando a variável de desfecho precede a variável de predição
• Problema com estudos transversais
• Soluções Estudos de cohorte Estudos de caso-controle
HIVComporamentossexuais de risco
Os compartamentos de risco causam infecção com HIV?ouO conhecimento da disponibilidade do tratamento para o HIV causa comportamentos de risco?
Confusão
• Variáveis de confusão estão associadas tanto com a variável de predição quanto a variável de desfecho
• Uma terceira variável medida ou não medida
HIVComporamentossexuais de risco
O uso de drogas injetáveis está associado com comportamentos sexuais de risco (como um resultado da desinibição) e infecção com HIV
Uso de drogas injetáveis
Estratégias para Controlar Confusão
• Na fase de desenho Especificação “Matching”
• Na fase de análise Estratificação Ajuste estatístico
Estratégia #1: Especificação
• O desenho do estudo exclui participantes que tenham potenciais variáveis de confusão Ex: Exclusão de fumantes
• Risco de perda da generalizabilidade
• Usar frugalmente
Estratégia 2: “Matching”
• Eliquibra variáveis potenciais de confusão entre os casos e os controles “Matching” de participantes individuais ou
“matching” por grupo
• Ex: “match” para idade ou sexo• Limitações
Às vezes ineficiente Precisa identificar as variáveis de confusão
na fase de desenho
Estratégia 3: Estratificação
• Separação de participantes em subgrupos (estratos) com a variável de confusão e sem a variável de confusão
• Ex: Comparar desfechos entre HSH <25 anos e ≥25 anos de idade
• Problemas Precisa medir a variável de confusão O tamanho da amostra diminui com cada
estrato
Estratégia 4: Ajuste Estatístico
• Abordagem comum que controla múltiplas variáveis de confusão simultaneamente Regressão logística para desfechos dicotômicos Regressão linear para desfechos contínuos
• Ex: Incluir idade, números de parceiros sexuais, uso de preservativos em um modelo multivariado
• Problemas Precisa medir a variável de confusão
O controle efetivo dos viéses e da confusão separa a boa pesquisa da má pesquisa.