Viéses e Fatores de Confusão

Apresentação em tema: "Viéses e Fatores de Confusão"— Transcrição da apresentação:

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

4 Explicação Tipo de associação A relação entre as variáveis Modelo causal Chance Espúria Nada Viés Efeito-causa Verdadeira Reversa Desfecho -> Predição Confusão As variáveis de predição e desfecho estão associadas com uma terceira Fator x / \ Predição Desfecho Causa-efeito Atual Predição -> Desfecho

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 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

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 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 Verdade no universo (desfecho):
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)

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 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?

17 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?

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
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

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 HIV Comporamentos sexuais de risco
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 HIV Uso de drogas injetáveis Comporamentos sexuais de risco
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.