Viéses e Fatores de Confusão

1. Viéses e Fatores de Confusão George W. Rutherford, M.D. Sexta-feira 07/11/03 CEARGS

2. 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

3. Cinco Razões que Podem Explicar uma Associação Epidemiológica • Chance (erro aleatório) • Viés (erro sistemático) • Efeito-causa • Confusão • Causa-efeito

5. Erros em pesquisa

6. Duas Fontes de Associações Espúrias • Erro aleatório = chance (a) • 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

7. 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 Relação entre Erros, Precisão e Exatidão

8. A Diferença entre Precisão e Exatidão Erro sistemático é o resultado da falta de exatidão                Boa precisão Má precisão Boa precisão Má precisão Má exatidão Boa exatidão Boa exatidão Má exatidão

9. Erros Sistemáticos em Pesquisa e como Evitá-los • Erro aleatório = chance (a) • 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)

10. 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!

11. Erro Aleatório e Poder

12. 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)

13. Fontes de Erro Sistemático • Amostragem • Quando a amostra não representa a população alvo • Viés de participação • Alguns participantes são excluidos sistematicamente

14. Generalizabilidade: Seleção de participantes • A amostra do estudo não é bem representativa da população alvo População Alvo População de Estudo

15. Viés na Amostragem • Soluções • Amostragem aleatória • Evite amostras não aleatórias (como amostra de conveniência) • Minimização dos critérios de exclusão (limite a generalizabilidade)

16. 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?

17. 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?

18. Fontes de Erro Sistemático: Medidas • As medidas não refletem as variáveis de interesse • Problemas com • Os instrumentos • Os questionários • Os entrevistadores

19. 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

20. 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

21. 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

22. Cegando nos Estudos de Caso-controle

23. 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

24. 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

25. 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

26. 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

27. Efeito-Causa • Quando a variável de desfecho precede a variável de predição • Problema com estudos transversais • Soluções • Estudos de cohorte • Estudos de caso-controle

28. Comporamentos sexuais de risco HIV Os compartamentos de risco causam infecção com HIV? ou O conhecimento da disponibilidade do tratamento para o HIV causa comportamentos de risco?

29. Confusão • Variáveis de confusão estão associadas tanto com a variável de predição quanto a variável de desfecho • Uma terceira variável medida ou não medida

30. Uso de drogas injetáveis Comporamentos sexuais de risco HIV O uso de drogas injetáveis está associado com comportamentos sexuais de risco (como um resultado da desinibição) e infecção com HIV

31. Estratégias para Controlar Confusão • Na fase de desenho • Especificação • “Matching” • Na fase de análise • Estratificação • Ajuste estatístico

32. 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

33. 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

34. 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

35. 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

36. O controle efetivo dos viéses e da confusão separa a boa pesquisa da má pesquisa.