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 associação A relação entre Modelo causal as variáveis Chance Espúria Nada Viés Espúria Nada Efeito-causa Verdadeira Reversa Confusão Verdadeira As variáveis Fator x de predição e / \ desfecho estão Predição Desfecho associadas com uma terceira Causa-efeito Verdadeira Atual Desfecho -> Predição Predição -> Desfecho Erros em pesquisa PERGUNTA DE PESQUISA População alvo Desenho Erros de chance e vies Fenômeno de interesse VERDADE NO UNIVERSO PLANO DE ESTUDO Amostra Tencionada Implementação Erros de chance e vies VERDADE NO UNIVERSO Participantes atuais Medidas atuais Variaveis tencionadas Infere ESTUDO ATUAL Infere VERDADE NO UNIVERSO 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 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 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 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) 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 Associação Associação estudo: existe não existe Resultado Erro do tipo II Associação correto (poder) buscada Erro do tipo I Resultado Associação correto (chance) não buscada 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 Alvo População 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 Amostragem Exemplos • 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 Amostragem Exemplos • 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 Casocontrole Pessoa cegando Cegando quem é um Cegando a medição caso e quem é um de fatores de risco controle Participante Casos e controles têm condições que podem ser relacionadas aos fatores de risco Observador Possível se os casos Possível se o e controles não investigador nåo for forem muito o entrevistador diferentes Incluir fatores de risco “dummy” e medir as diferenças entre casos e controles 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 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? Confusão • Variáveis de confusão estão associadas tanto com a variável de predição quanto a variável de desfecho • Uma terceira variável medida ou não medida 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 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.