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

associaçãoA relação entre as variáveis

Modelo causal

Chance Espúria Nada

Viés Espúria Nada

Efeito-causa Verdadeira Reversa Desfecho -> Predição

Confusão Verdadeira As variáveis de predição e desfecho estão associadas com uma terceira

Fator x

/ \

Predição Desfecho

Causa-efeito Verdadeira Atual Predição -> Desfecho

Erros em pesquisa

PERGUNTA DE PESQUISA

VERDADE NO UNIVERSO

População alvo

Fenômeno de

interesse

ESTUDO ATUAL

VERDADE NO UNIVERSO

Participantes atuais

Medidas atuais

PLANO DE ESTUDO

VERDADE NO UNIVERSO

Amostra Tencionada

Variaveis tencionadas

Erros de

chance e vies

Erros de

chance e vies

Desenho Implementação

Infere Infere

Duas Fontes de Associações Espúrias

• Erro aleatório = chance () 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

Boa precisão Má precisão Boa precisão Má precisãoMá exatidão Boa exatidão Boa exatidão Má exatidão

Erro sistemático é o resultado da falta de exatidão

Erros Sistemáticos em Pesquisa e como Evitá-los

• Erro aleatório = chance () 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 estudo:

Associação existe

Associação não existe

Associação buscada

Resultado correto

Erro do tipo II

(poder)

Associação não buscada

Erro do tipo I

(chance)

Resultado correto

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 AlvoPopulação 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 AmostragemExemplos

• 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 AmostragemExemplos

• 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 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

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

HIVComporamentossexuais de risco

Os compartamentos de risco causam infecção com HIV?ouO 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

HIVComporamentossexuais de risco

O uso de drogas injetáveis está associado com comportamentos sexuais de risco (como um resultado da desinibição) e infecção com HIV

Uso de drogas injetáveis

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.