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.