Interfaces da Bioestatística na Pesquisa Clínica Thaïs Cocarelli Bolsista CNPq - NAPesq Setembro/07

Pesquisa Clínica Bioestatística planejamento desenvolvimento conclusões Bioestatística delineamento do estudo amostragem planejamento testes estatísticos desenho da ficha clínica ... revisão dos dados análise estatística interina ... resultados estatísticos tabelas/gráficos relatório estatístico (interpretação resultados) ... Setembro/07

Delineamento do estudo estudos observacionais: pacientes são observados (nenhuma intervenção é realizada), e suas características são analisadas relato de caso / série de casos estudos longitudinais: caso-controle coorte estudos transversais (prevalência) “o que aconteceu?” “o que vai acontecer?” “o que está acontecendo?” Setembro/07

Delineamento do estudo estudos experimentais: realiza-se algum tipo de intervenção (medicamento, procedimento, tratamento), com o objetivo de avaliar o efeito dessa intervenção nos pacientes estudos controlados (comparativo): paralelo cruzado (crossover) estudos não controlados (não comparativo) intervenção A (grupo A) amostra intervenção B (grupo B) aleatorização intervenção A intervenção A (grupo BA) amostra intervenção B intervenção B (grupo AB) período 1 período 2 wash-out Setembro/07

Processos de aleatorização (estudos comparativos) Amostragem Tamanho da amostra Processos de aleatorização (estudos comparativos) Por que calcular o tamanho da amostra? “Um bom desenho de estudo clínico é aquele que possa responder questões científicas importantes, usando o mínimo possível de unidades experimentais (pacientes).” D.Machin, M.J.Campbell, 1987 amostras pequena demais: pacientes estão sujeitos ao risco (e eventual desconforto) de um estudo clínico com pouca chance de detectar diferença importante entre os tratamentos amostra grande demais: um número desnecessário de pacientes são submetidos ao um tratamento controle/padrão, quando o tratamento em teste se mostra superior Completamente aleatório Minimização Blocos Setembro/07

objetivos do estudo (formulação de hipóteses) Testes estatísticos objetivos do estudo (formulação de hipóteses) diferença entre dois tratamentos H0: A = B Ha: A  B “existe diferença entre os tratamentos A e B?” tratamento A droga ativa tratamento B superioridade de um tratamento teste versus padrão padrão droga ativa placebo “tratamento em teste é superior ao padrão?” H0: teste  padrão Ha: teste > padrão não inferioridade “tratamento em teste é (pelo menos) tão bom quanto o padrão?” H0: padrão - teste ≥ Δ Ha: padrão - teste < Δ padrão droga ativa placebo Setembro/07

Testes estatísticos tipos de variáveis Nominal Ordinal Numérica variáveis qualitativas ou categorizadas (raça, sexo, resposta sim/não, fator de risco presente/ausente, ...) Ordinal existe uma ordenação natural entre as categorias (escolaridade, estadiamento da doença, grau de toxicidade, ... ) Numérica variáveis quantitativas (contínuas ou discretas) (idade, peso, altura, nº de filhos, nº ataques de asma, ... ) Setembro/07

peso (Kg) * resposta ao tratamento faixa etária (anos) Setembro/07

“existe diferença entre os tratamentos A e B?” Interpretação o que representa o valor de “P” ??? teste de hipótese para detectar a diferença entre dois tratamentos H0: A = B Ha: A  B “existe diferença entre os tratamentos A e B?” tratamento A droga ativa tratamento B P = chance de encontrar diferença entre A e B (amostra), quando essa diferença não existe (população) P = “erro devido ao acaso” Setembro/07

Hipótese alternativa (Ha) Interpretação Julgamento Teste de hipótese Inocente Bandido Hipótese nula (H0) Hipótese alternativa (Ha) hipóteses Avaliar se as evidências apresentadas são consistentes com a hipótese de inocência Calcular o valor de “P” (resultado obtido na amostra é consistente com H0?) julgamento Rejeitar H0 (H0 falsa) Aceitar H0 (H0 verdadeira) Rejeitar H0 (H0 verdadeira) Aceitar H0 (H0 falsa) CULPADO (bandido) INOCENTE (inocente) CULPADO (inocente) INOCENTE (bandido) veredicto Setembro/07

 se P for “pequeno” → rejeitamos a hipótese H0 Interpretação se P for “pequeno” → rejeitamos a hipótese H0 se P for “grande” → aceitamos a hipótese H0 comparamos P com um valor pré-fixado  nível de significância  0,05 P   P >  1 região de rejeição de H0 região de aceitação de H0 Setembro/07

“O que não está escrito, não existe!“ “In God we trust, all the others must provide data!” “Torture os dados suficientemente, que eles confessam qualquer coisa!” Setembro/07