A estatística nas investigações cientificas em saúde: usos e abusos

Apresentação em tema: "A estatística nas investigações cientificas em saúde: usos e abusos"— Transcrição da apresentação:

1 A estatística nas investigações cientificas em saúde: usos e abusos
Ronir Raggio Luiz Instituto de Estudos em Saúde Coletiva (IESC/UFRJ) Faculdade de Medicina da UFRJ

2 Usos e abusos na área da saúde
USOS: inúmeros, como importantíssima e fundamental “ferramenta”, além de contribuir muito motivando desenvolvimentos teóricos ABUSOS: alguns, como a interpretação da significância estatística; ou aqueles relacionados aos modelos estatísticos múltiplos (interpretação, diagnóstico, amostras pequenas); ou ainda a simples “diferença” desvio-padrão e erro-padrão 2

3 Mas qual ferramenta representa melhor a estatística nas investigações em saúde: colher de pedreiro ou martelo de juiz?

4 Símbolos  associação de ideias e interpretações
Colher de pedreiro  ideia de “construção” Martelo do juiz (malhete)  ideia de “decisão”

5 Tomada de decisão  ERRO O papel da estatística
Na clínica  Decisão “clínica”  diagnóstico e tratamento individual Nas investigações em saúde  dados populacionais  conhecimento  incerteza  conceito de risco 5

6 Tomada de decisão  ERRO O papel da estatística
Decisão e erro na estatística  teste de hipóteses Mas nas investigações em saúde, estamos mais interessados em conhecer parâmetros que caracterizem as condições de saúde de uma população ou estimem efeitos causais  Validade e precisão  Intervalos de confiança 6

7 Revendo Validade e Precisão
Estimativa Intervalo de confiança (imprecisão) Parâmetro Erro (viés ou imprecisão?) Vieses, confundimento, interação...

8 Retomando: mas por que a supervalorização dos testes de hipóteses?
Estudos experimentais vs. observacionais

9 Mais sobre a supervalorização dos testes de hipóteses
Os “caminhos” das investigações Caminho ideal: Questão + planejamento metodológico + análise dos dados  resultado Caminho mais usual: Dados disponíveis + questão + análise estatística  resultado O que mais importa, então? Resultado vs. Questão+método

10 Revendo os testes de hipóteses estatísticas  retomando a ideia de decisão/erro
H0 = hipótese nula (ou de nulidade) e H1 = hipótese alternativa Significância estatística – p-valor – erro tipo I Analogias possíveis ou razoáveis: 1) Julgamento (H0=inocente vs H1=culpado) 2) Teste diagnóstico (H0=saudável vs H1=doente)

11 Exemplo do “julgamento”:  Significância estatística vs. causalidade
11

12 Nas investigações em saúde, onde comumente a intenção é estabelecer relações causais, o que significa então um resultado estatisticamente significativo? Mas lembrar:  Tamanho do “efeito”  Tamanho da amostra  Variabilidade E o erro tipo II (beta): interessa?

13 ERROS ASSOCIADOS A UM TESTE DE HIPÓTESE
Erro tipo I (a) e erro tipo II (b) Decisão Verdade tomada H H1 H ok b H a ok

14 Exemplo simples, mas “simbólico” de um teste estatístico
Como “testar” se um dado é honesto? H0: dado é honesto vs. H1: dado é viciado Suponha 60 lançamentos do dado (n=60) – iid Resultado esperado vs. observado Face Esperado sob H0 Observado 1 Observado 2 1 10 12 6 2 9 7 3 4 11 8 5 30 Total 60 P-valor grande ou pequeno?

15 Acaso (qual a probabilidade?) Dado não é honesto
Se o resultado é o “observado 2” (ou seja, 30 vezes o número 6)  duas explicações alternativas Acaso (qual a probabilidade?) Dado não é honesto

16 Voltando às investigações em saúde
Frequentemente a “pergunta” envolve estudar a associação entre variáveis, com interesse em relações de causa e efeito. Por exemplo, determinada droga tem eficácia (ou efetividade ou eficiência)? Primeira pergunta: O resultado é válido? E as unidades de análise não são replicações idênticas... Então, mais um explicação alternativa àquelas duas anteriores  1) vieses (informação e seleção) e 2) confundimento. (E validade de especificação?) Lembrar, ainda, de interação (modificação de efeito)

17 Questões teóricas e práticas relacionadas que sempre devem ser consideradas:
Desenhos de estudo e medidas de efeito Bases de dados já disponíveis Aleatoriedade (randomização e amostra aleatória) Mensuração (qualidade das medidas) E ainda: Relevância prática ou “clínica”

18 Ilustração de confundimento: exposição vs. desfecho X
EpiInfo Version Statcalc November 1993 + Disease Analysis of Single Table ┌────────┬────────┐ Odds ratio = 2.67 (1.00 <OR< 7.21) +│ │ │ Cornfield 95% confidence limits for OR ├────────┼────────┤ Relative risk = 2.00 (1.04 <RR< 3.83) -│ │ │ Taylor Series 95% confidence limits for RR └────────┴────────┘ Ignore relative risk if case control study. E x Chi-Squares P-values p ─────────── ──────── o Uncorrected : ◄─── s Mantel-Haenszel: ◄─── u Yates corrected: ◄─── r e F2 More Strata; <Enter> No More Strata; F10 Quit

19 + Disease - Analysis of Sigle Table
┌────────┬────────┐ Odds ratio = 1.00 (0.11 <OR< 7.35*) +│ │ │ Cornfield 95% confidence limits for OR ├────────┼────────┤ *Cornfield not accurate. Exact limits preferred. -│ │ │ Relative risk = 1.00 (0.20 <RR< 5.00) └────────┴────────┘ Taylor Series 95% confidence limits for RR E Ignore relative risk if case control study. x p Chi-Squares P-values o ─────────── ──────── s Uncorrected : u + Disease Odds ratio = 1.00 (0.18 <OR< 5.33*) ┌────────┬────────┐ Cornfield 95% confidence limits for OR +│ │ │ *Cornfield not accurate. Exact limits preferred. ├────────┼────────┤ Relative risk = 1.00 (0.56 <RR< 1.79) -│ │ │ Taylor Series 95% confidence limits for RR └────────┴────────┘ Ignore relative risk if case control study. E x Chi-Squares P-values p ─────────── ──────── o Uncorrected : s ***** Stratified Analysis ***** Summary of 2 Tables Crude odds ratio for all strata = 2.67 Mantel-Haenszel Weighted Odds Ratio = 1.00 Crude RR for all strata = 2.00 Mantel-Haenszel Weighted Relative Risk of Disease, given Exposure = 1.00

20 Resumindo Três alternativas para interpretar um teste estatisticamente significativo (p-valor pequeno): 1) H1 é a verdade e o teste foi capaz de detectá-la. 2) H0 é a verdade, mas por mero ACASO os dados apontaram uma decisão em favor de H1 (p-valor); 3) H0 é a verdade, mas existe algum VIÉS no estudo que gerou uma decisão em favor de H1.

21 Colher de pedreiro ou martelo do juiz?
Finalizando Estatística nas investigações em saúde, especialmente a partir de teste de hipóteses: Colher de pedreiro ou martelo do juiz? Minha resposta: é uma importante ferramenta (colher de pedreiro) que auxilia, e muito, na “construção” do conhecimento em saúde e de avaliações de ações, mas é muito limitada para “decisões”, especialmente aquelas individuais Na apresentação dos resultados dê preferência aos intervalos de confiança já que estes não só contém indiretamente a informação que se pode extrair da significância estatística do estudo (caso isso interesse), como também apresentam a magnitude do efeito do que se está estudando, permitindo portanto uma avaliação dos “erros” das investigações de forma mais prática.