VALIDAÇÃO, INTEGRIDADE E MONITORAMENTO DAS DOENÇAS

Apresentação em tema: "VALIDAÇÃO, INTEGRIDADE E MONITORAMENTO DAS DOENÇAS"— Transcrição da apresentação:

1 VALIDAÇÃO, INTEGRIDADE E MONITORAMENTO DAS DOENÇAS
   NIGEL PANETH Tradução da 7ª parte do curso de EPIDEMIOLOGIA I do Dr. Nigel Paneth, feita por Maria Rita Barros Justino, Farmacêutica Bioquímica, pós-graduada em Imunopatologia pela Pontifícia Universidade Católica do Rio de Janeiro Did you see the first lecture of the course? Você assistiu à primeira aula do curso?

2 MEDIDAS DE INTEGRIDADE
TERMINOLOGIA INTEGRIDADE é análoga à precisão. VALIDAÇÃO é análoga à segurança da exatidão. INTEGRIDADE é como um observador classifica melhor o mesmo indivíduo sob diferentes circunstâncias. VALIDAÇÃO é como uma prova reproduz melhor um resultado comparado à outra prova de maior segurança conhecida.

3 INTEGRIDADE E VALIDAÇÃO
INTEGRIDADE inclui: avaliações feitas pelo mesmo observador em diferentes períodos de tempo – INTEGRIDADE INTRAOBSERVADOR. avaliações feitas por observadores diferentes ao mesmo tempo – INTEGRIDADE INTEROBSERVADOR. INTEGRIDADE presume que todas as provas e observadores sejam iguais. VALIDAÇÃO presume que haja um padrão de ouro com o qual a prova e o observador serão comparados.

4 AVALIANDO INTEGRIDADE
Como avaliamos a integridade? Uma maneira é observar simplesmente a percentagem de concordância. - Percentagem de concordância é a proporção de todos os diagnósticos classificados da mesma maneira por dois observadores.

5 EXEMPLO São dadas a dois médicos 100 radiografias para analisar independentemente, e lhes é perguntado se há a presença de pneumonia ou não. Quando ambos os seus diagnósticos são comparados, encontramos que 95% dos diagnósticos são os mesmos.

6 Há integridade nos diagnósticos?
A percentagem de concordância é suficiente para indicar integridade? 95% de concordância entre os dois médicos e a ausência ou presença da doença em uma amostra de 100 pacientes sempre indica boa concordância? Você se sentiria tranqüilo se seu hospital fizesse um constante trabalho de leitura de Raios X do tórax, e se elas apresentassem 95% de integridade?

7 COMPARE AS DUAS TABELAS ABAIXO: TABELA 1 TABELA 2
MD 1 SIM NÃO MD2 1 3 2 94 MD 1 SIM NÃO MD2 43 3 2 52 Em ambos os exemplos, os médicos concordaram em 95% de vezes. Os dois médicos são igualmente íntegros nas duas tabelas?

8 QUAL A DIFERENÇA ESSENCIAL ENTRE AS DUAS TABELAS?
O problema surge da facilidade de concordância em eventos comuns (Ex: não existindo pneumonia na primeira tabela). Uma medida de concordância deverá levar em consideração a “facilidade” de concordância devida somente ao acaso.

9 USO DE KAPPA PARA AVALIAR INTEGRIDADE
KAPPA é um teste de concordância INTER e INTRA-observadores (ou integridade) amplamente utilizado, que corrige por concordância o acaso.

10 KAPPA VARIA DE à -1 +1 significa que os dois observadores concordaram perfeitamente. Eles classificaram a todos exatamente da mesma forma. 0 significa que não existe nenhuma relação entre as classificações dos dois observadores, acima da concordância de acasos que seriam esperadas. -1 significa que os dois observadores classificaram exatamente o oposto. Se um observador diz SIM, o outro sempre diz NÃO.

11 GUIA PARA USO DE KAPPA EM EPIDEMIOLOGIA E EM MEDICINA:
KAPPA  0,80 é considerado excelente. KAPPA 0,60 – 0,80 é considerado bom. KAPPA 0,40 – 0,60 é considerado regular. KAPPA  0,40 é considerado ruim

12 PRIMEIRA MANEIRA DE CALCULAR KAPPA:
Calcule a concordância observada (células nas quais os observadores concordaram/totais de células). Em ambas as TABELAS 1 e 2 são de 95%. Calcule a concordância esperada (acaso de concordância) baseada nas marginais totais.

13 OS TOTAIS MARGINAIS DA TABELA 1 SÃO:
OBSERVADOS MD1 SIM NÃO MD2 1 3 4 2 94 96 97 100

14 Como calculamos o N esperado por acasos (azar) em cada célula?
OBSERVADOS MD1 SIM NÃO MD2 1 3 4 2 94 96 97 100 Como calculamos o N esperado por acasos (azar) em cada célula? Supondo que cada célula reflete as distribuições marginais, ex: as proporções das respostas SIM e NÃO deverão ser as mesmas dentro de uma tabela de quatro células como os totais marginais. ESPERADOS MD1 SIM NÃO MD2 4 96 3 97 100

15 MD1 ESPERADOS SIM NÃO MD2 4 93,12 96 3 97 100
Para chegar a isso, encontramos a proporção das respostas em cada coluna (3% e 97%, SIM e NÃO respectivamente, para MD1) ou na coluna (4% e 96%, SIM e NÃO respectivamente, para MD2) dos totais marginais, e aplicamos uma das duas proporções no outro total marginal. Ex: 96% dos totais das colunas na categoria “NÃO”. Portanto, 96% de NÃO por acasos de MD1, deveriam também, estar na coluna de NÃO. 96% de 97 são 93,12. ESPERADOS MD1 SIM NÃO MD2 4 93,12 96 3 97 100

16 0,12 3,88 2,88 MD1 SIM NÃO MD2 4 93,12 96 3 97 100 ESPERADOS
Por subtração, todas as outras células serão preenchidas automaticamente, e cada distribuição de células SIM/NÃO refletirá a distribuição marginal. Qualquer célula poderá ser usada para fazer o cálculo, uma vez que, se cada célula é especificada numa tabela 2X2 com distribuições marginais fixadas, todas as outras células também, serão especificadas. ESPERADOS MD1 SIM NÃO MD2 0,12 3,88 4 2,88 93,12 96 3 97 100

17 Agora você pode ver que somente por operação de acaso, 93,24 das 100 observações deveriam ser concordantes para os dois observadores (93,12 + 0,12) ESPERADOS MD1 SIM NÃO MD2 0,12 3,88 4 2,88 93,12 96 3 97 100

18 Agora comparemos a concordância atual com a concordância esperada: A concordância esperada é 6,76% distante da concordância completa de 100%, (100% - 93,24% = 6,76%).  A concordância atual foi de 5,0% da concordância completa de 100%, (100% – 95%).  Assim, nossos dois observadores foram 1,76% melhores que o acaso (azar), mas se eles tivessem concordado completamente, deveriam ter sido 6,76% melhores que o acaso (azar). Logo, eles são melhores em somente cerca de 0,26% que o acaso (azar) ou seja, 1,76/6,76 ¼.

19 C. observada – C. esperada 1 – Concordância esperada
ABAIXO ESTÁ A FÓRMULA PARA O CÁLCULO DE KAPPA DA CONCORDÂNCIA (C) ESPERADA: C. observada – C. esperada 1 – Concordância esperada 95% - 93,24% = 1, = 0,26% 1 – 93,24% 6,76

20 UM KAPPA DE 0,26% É BOM? KAPPA  0,40 é considerado ruim.
KAPPA  0,80 é considerado excelente. KAPPA 0,60 – 0,80 é considerado bom. KAPPA 0,40 – 0,60 é considerado regular. KAPPA  0,40 é considerado ruim.

21 No segundo exemplo, a concordância observada foi também, de 95%, mas os totais marginais foram muito diferentes. ATUAL MD1 SIM NÃO MD2 46 54 45 55 100

22 Calculamos a concordância esperada N, para qualquer célula, usando o mesmo procedimento anterior baseado nos totais marginais. Ex: a célula de valor mais baixo à direita é 54% de 55, que é 29,7. ATUAL MD1 SIM NÃO MD2 46 29,7 54 45 55 100

23 E, por subtração as outras células que estão abaixo
E, por subtração as outras células que estão abaixo. As células que indicam concordância estão ressaltadas em amarelo e somam 54,4%. ATUAL MD1 SIM NÃO MD2 20,7 25,3 46 24,3 29,7 54 45 55 100

24 C. observada – C. esperada 1 – Concordância esperada
ENTRE AS DUAS CONCORDÂNCIAS (C) NA FÓRMULA: C. observada – C. esperada 1 – Concordância esperada 95% - 50,4% = 44,6% = 0,90 1 – 50,4% ,6% Neste exemplo, os observadores têm a mesma % de concordância, mas agora eles são muito diferentes do acaso (azar). O KAPPA de 0,90 é considerado excelente.

25 OUTRA FORMA DE CALCULAR KAPPA: 2(AD – BC) N1N4 + N2N3
Onde, os valores Ns são totais marginais, assim denominados: MD1 SIM NÃO MD2 A B N1 C D N2 N3 N4 Total

26 VEJA NOVAMENTE NA TABELA DO SLIDE 7.
Para a TABELA 1: 2 (94 x 1 – 2 x 3) = = 0,26 4 x x Para a TABELA 2: 2 (52 x 43 – 3 x 2) = = 0,90 46 x x

27 NOTE O PARALELISMO ENTRE:
A ODDS RATIO - RAZÃO DE PROBABILIDADES O QUI-QUADRADO ESTATÍSTICO O KAPPA ESTATÍSTICO Note que são centrais nas três expressões os produtos cruzados das tabelas de quatro células e suas relações com os totais marginais.

28 SENSIBILIDADE ESPECIFICIDADE VALORES PREVISTOS
VALIDAÇÃO E MONITORAMENTO AS TRÊS MEDIDAS CHAVES DA VALIDAÇÃO: SENSIBILIDADE ESPECIFICIDADE VALORES PREVISTOS

29 NÃO DOENTE TESTE POSITIVO LIVRE DE DOENÇA TESTE NEGATIVO
TABELA DE QUATRO CÉLULAS PARA AVALIAR A RELAÇÃO DE TESTE-DOENÇA ESTADOS DE DOENÇA + - RESULTADO DO TESTE DOENTE TESTE POSITIVO NÃO DOENTE TESTE POSITIVO  TESTE NEGATIVO DOENTE TESTE NEGATIVO LIVRE DE DOENÇA TESTE NEGATIVO TESTE POSITIVO DOENTE NÃO DOENTE

30 SENSIBILIDADE  Ela nos indica o quanto um teste positivo detecta a doença. É definida como a fração dos doentes com resultados positivos nos testes. Seus complementos são as taxas dos testes falso negativos, definidas como a fração de doentes que dão resultados negativos nos testes. A sensibilidade e a taxa de falsos negativos somam UM.

31 ESPECIFICIDADE  Nos indica o quanto um teste negativo é bom para detectar nenhuma doença. É definida como a fração dos não-doentes que deram testes negativos. Seu complemento é a taxa de falsos positivos definida como a fração dos não-doentes cuja prova foi positiva. Especificidade mais a taxa de falsos positivos dão UM.

32 VALORES PREVISTOS  VALOR PREVISTO POSITIVO é a proporção de todas as pessoas com resultados positivos que têm a doença. VALOR PREVISTO NEGATIVO é a proporção de todas as pessoas com resultados negativos que não têm a doença. Em geral, o valor previsto positivo é o mais utilizado. O valor previsto positivo e a sensibilidade são talvez, os dois parâmetros mais importantes para o entendimento da utilização de um teste sob as condições de campo.

33 PONTOS CHAVES PARA RELEMBRAR
Sensibilidade, especificidade, falsos positivos e falsos negativos são todos os denominadores comuns para doentes e não doentes (utilizamos no total das colunas). Ao contrário, os valores previstos são denominadores para o status do teste, positivo ou negativo (utilizamos no total das seqüências). Sensibilidade e especificidade não variam de acordo com a prevalência da doença na população. Os valores previstos de um teste, sem dúvida, são ALTAMENTE DEPENDENTES sob a prevalência da doença na população.

34 CALCULANDO SENSIBILIDADE, ESPECIFICIDADE E OS VALORES PREVISTOS Um teste é utilizado em 50 pessoas com uma doença e 50 pessoas sem a doença Estes são os resultados: DOENÇA + - TESTE 48 3 51 2 47 49 50 100

35 DOENÇA + - TESTE 48 3 51 2 47 49 50 100 Sensibilidade = 48/50 x 100 = 96% Especificidade = 47/50 x 100 = 94%. Valor previsto positivo = 48/51 x 100 = 94%. Valor previsto negativo = 47/49 x 100 = 96%.

36 Agora, vamos aplicar este teste numa população onde 2% das pessoas têm a doença, não os 50% como no exemplo anterior. Suponha que existem pessoas, e a mesma sensibilidade e especificidade anterior, com valores de 96% e 94% respectivamente. DOENÇA + - TESTE 192 588 780 8 9.212 9.220 200 9.800 10.000

37 AGORA, QUAL O VALOR POSITIVO PREVISTO? 192/780 X 100 = 24,6%.
Quando a prevalência de uma doença é de 50%, 94% dos testes positivos indicam a doença. Mas quando a prevalência é de somente 2%, menor que 1 em quatro nos resultados dos testes, estes indicam uma pessoa com a doença, e que atualmente 2% deveriam apresentar uma doença comum. Os resultados falsos positivos tendem a esconder-se em verdadeiros positivos nas populações, devido a que muitas doenças que testamos são raras.

38 MUDANDO O LIMITE DE UM TESTE
Quando a doença é definida por um limiar num teste contínuo, as características do teste podem ser alteradas mudando-se o limite ou o PONTO DE CORTE (CUT-OFF). Diminuir o limite melhora a sensibilidade, mas muitas vezes a custo de diminuir a especificidade (ex: mais falsos positivos). Aumentar o limite melhora a especificidade, a custo da diminuição da sensibilidade (ex: mais falsos negativos). Isto é especificamente importante quando a distribuição de uma característica é UNIMODAL, como a pressão arterial, colesterol, peso, etc (devido à zona cinza – borderline - ser muito ampla).

39 PROBLEMAS DE MONITORAMENTO
Temos um correto limiar? Há um tratamento verdadeiramente efetivo disponível para a doença diagnosticada? Este tratamento é mais efetivo nos casos monitorados que nós não monitorados? Quais são os efeitos adversos do processo de monitoramento? O quanto eficiente é o monitoramento? Ex: Quantas pessoas têm que ser monitoradas para se encontrar um caso?

40 EXEMPLO:  Um ensaio randomizado (aleatório) é implementado para se avaliar um programa de monitoramento para o câncer de colon. O grupo da intervenção tem monitoramento regular, o grupo controle é deixado a mercê de seus próprios recursos.

41 APÓS CINCO ANOS ENCONTRAMOS QUE:
Mais casos são descobertos no grupo monitorado que no grupo controle. Os casos são descobertos com antecedência aos estágios do câncer no grupo monitorado. A sobrevida a cinco anos é maior nas pessoas com câncer monitoradas. Podemos concluir que este programa de monitoramento é necessariamente efetivo?

42 NECESSARIAMENTE EFETIVO.
NÃO, O PROGRAMA NÃO É NECESSARIAMENTE EFETIVO.  Os benefícios aparentes só demonstram os efeitos do RISCO DEPENDENTE DO TEMPO. Sendo possível diagnosticar uma condição de forma antecipada, isso não melhorará a sobrevida depois do diagnóstico; o programa de monitoramento terá uma super representação de casos diagnosticados mais cedo, cuja sobrevida será aumentada por exatamente o tempo em que seu diagnóstico foi feito de forma mais antecipada pelo programa de monitoramento. Assim, eles não serão beneficiados, mas a quantidade de tempo que eles saberão que têm câncer terá aumentado.

43 CONSIDERE COMO O TEMPO DO DIAGNÓSTICO MUDA COM O MONITORAMENTO NO CENÁRIO ABAIXO:
GRUPO SEM MONITORAMENTO: Dx MORTE IDADE GRUPO MONITORADO: Dx MORTE IDADE

44 OUTROS RISCOS (BIAS) NO MONITORAMENTO: RISCO (BIAS) DE AMPLITUDE DE TEMPO 
Muitas doenças crônicas, especialmente cânceres, não progridem com a mesma rapidez em todos os pacientes. Qualquer grupo de doentes incluirá alguns para os quais a doença se desenvolve mais lentamente e em outros se desenvolve mais rápido. Preferencialmente, o monitoramento incluirá doenças de desenvolvimento lento (com maior oportunidade de serem monitoradas) e que normalmente terá melhor prognóstico.

45 No cenário anterior, a incidência de doença é inicialmente mais alta, o diagnóstico é feito mais cedo, o estagio do diagnóstico é mais antecipado e a duração da sobrevida desde o diagnóstico é mais ampla. Todos eles nos dão a impressão de benefícios do monitoramento. Todavia o paciente não é beneficiado, visto que a morte não é adiada. A única evidência de efetividade no programa de monitoramento é uma redução da morbidade ou mortalidade específica por total de idade, idealmente demonstrado num ensaio randomizado (aleatório).

46 Exercício de mamografia (Mamógrafo)
1. Menos de 50 anos, a sensibilidade é de 75%; acima dos 50 anos, a sensibilidade é de 90%. 2. Menos de 50 anos, 640 mamografias anormais foram confirmadas com 17 cânceres, a razão FP/TP é 623/17 = 36,7. Acima dos 50 anos, 100 mamografias anormais, foram confirmadas 14 cânceres; a razão FP/TP é 86/14 = 6,1. Expressando-os como valores previstos positivos, teremos respectivamente: 17/640 x 100 = 2,7% e 14/100 x 100 = 14%.  

47 Exercício de mamografia (Mamógrafo) (continuação)
3. Menos de 50 anos, a incidência é de 1,42/1000/ano (baseado em 37 mortes em em 10 anos). Acima dos 50 anos, a incidência é de 2,5/1000/ano (baseado em 1/40/10 anos). MORTALIDADE – 0,67/1000/ano (baseado em 1/150 em 10 anos). Go to the next lecture "Survival and the life table"