1 / 36

Viéses e Fatores de Confusão

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

powa
Download Presentation

Viéses e Fatores de Confusão

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  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. Erros em pesquisa

  5. 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

  6. 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 Relação entre Erros, Precisão e Exatidão

  7. 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

  8. 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 • Melhorar o desenho do estudo • Aumentar exatidão (accuracy)

  9. 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!

  10. Erro Aleatório e Poder

  11. 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)

  12. Fontes de Erro Sistemático • Amostragem • Quando a amostra não representa a população alvo • Viés de participação • Alguns participantes são excluidos sistematicamente

  13. Generalizabilidade: Seleção de participantes • A amostra do estudo não é bem representativa da população alvo População Alvo População de Estudo

  14. Viés na Amostragem • Soluções • Amostragem aleatória • Evite amostras não aleatórias (como amostra de conveniência) • Minimização dos critérios de exclusão (limite a generalizabilidade)

  15. 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?

  16. 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?

  17. Fontes de Erro Sistemático: Medidas • As medidas não refletem as variáveis de interesse • Problemas com • Os instrumentos • Os questionários • Os entrevistadores

  18. 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

  19. 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

  20. 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

  21. Cegando nos Estudos de Caso-controle

  22. 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

  23. 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

  24. 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

  25. 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

  26. Efeito-Causa • Quando a variável de desfecho precede a variável de predição • Problema com estudos transversais • Soluções • Estudos de cohorte • Estudos de caso-controle

  27. Comporamentos sexuais de risco HIV Os compartamentos de risco causam infecção com HIV? ou O conhecimento da disponibilidade do tratamento para o HIV causa comportamentos de risco?

  28. Confusão • Variáveis de confusão estão associadas tanto com a variável de predição quanto a variável de desfecho • Uma terceira variável medida ou não medida

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

  30. Estratégias para Controlar Confusão • Na fase de desenho • Especificação • “Matching” • Na fase de análise • Estratificação • Ajuste estatístico

  31. 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

  32. 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

  33. 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

  34. 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

  35. O controle efetivo dos viéses e da confusão separa a boa pesquisa da má pesquisa.

More Related