cap 5 - epdf pub_evidence-based-practice-in-nursing-amp-healthcare--105-131 en pt

Prévia do material em texto

81
capítulo 5capítulo 5
Avaliação crítica de evidências 
quantitativas para tomada de 
decisão clínica
Dónal P. O'Mathúna, Ellen Fineout-Overholt e Linda Johnston
A razão pela qual as pessoas nunca alcançam seus objetivos é que eles não 
os definem ou os consideram seriamente críveis ou realizáveis. Os 
vencedores podem dizer aonde estão indo, o que planejam fazer ao longo do 
caminho e quem compartilhará a aventura com eles.
D enis W atley
Os médicos leem a literatura sobre saúde por várias razões. Alguns fazem isso apenas na tentativa de manter-se atualizado com as 
rápidas mudanças na prestação de cuidados. Outros podem ter um interesse clínico específico e querem estar cientes dos resultados 
atuais da pesquisa em seu campo. Com o advento do movimento de assistência médica baseada em evidências (EBP), os médicos estão 
cada vez mais lendo a literatura para ajudá-los a tomar decisões informadas sobre a melhor forma de cuidar e se comunicar com os 
pacientes para alcançar os resultados da mais alta qualidade (Fineout-Overholt, Melnyk & Schultz, 2005; Guyatt, Rennie, Meade, et al., 
2008; Melnyk, Fineout-Overholt, Stone, et al., 2000).
No entanto, poucos profissionais, se houver, podem acompanhar toda a pesquisa publicada (Haynes, 1993). Com 
as atuais prioridades concorrentes em ambientes de assistência médica, é desafiador determinar quais estudos são melhores 
para um profissional ocupado usar na tomada de decisões clínicas. Além disso, os pesquisadores podem propor várias 
conclusões, às vezes contraditórias, ao estudar questões iguais ou semelhantes, tornando bastante difícil determinar em quais 
estudos se pode confiar. Mesmo a utilidade de estudos elogiados, como revisões sistemáticas, às vezes é difícil discernir. 
Como um profissional baseado em evidências tenta responder a perguntas clínicas, o dilema passa a ser o de avaliar 
criticamente os estudos encontrados para responder à pergunta e, em seguida, determinar a força da evidência (ou seja, a 
confiança para agir) da gestalt
Melnyk_Chap05.indd 81 Melnyk_Chap05.indd 81 8/3/2010 9:47:15 AM 3/8/2010 9:47:15 AM
S tres tres: C riticamente Uma evidência de valorização
82
de todos os estudos (ou seja, mais do que um resumo dos estudos). No avaliação crítica, a pesquisa é avaliada por seus pontos fortes, de todos os estudos (ou seja, mais do que um resumo dos estudos). No avaliação crítica, a pesquisa é avaliada por seus pontos fortes, de todos os estudos (ou seja, mais do que um resumo dos estudos). No avaliação crítica, a pesquisa é avaliada por seus pontos fortes, 
limitações e valor / valor a ser praticado (isto é, quão bem informa a tomada de decisão do médico para impactar os resultados). Os 
médicos não podem se concentrar apenas nos defeitos da pesquisa, mas devem pesar as limitações com os pontos fortes para 
determinar o valor de um estudo para praticar. A pesquisa de avaliação é semelhante à maneira como um joalheiro avalia pedras 
preciosas, pesando as características de um diamante (por exemplo, clareza, cor, quilate e corte) antes de declarar seu valor 
(Fineout-Overholt, 2008).
Primeiro, é importante determinar a melhor correspondência entre o tipo de pergunta e a metodologia de pesquisa 
disponível para responder à pergunta (consulte o Capítulo 2, Tabela 2.2). A noção de níveis de evidência é descrita no 
Capítulo 2, e esses níveis serão referidos aqui como avaliação crítica de diferentes metodologias quantitativas de pesquisa.
Hierarquia de evidência
UMA hierarquia de evidências fornece orientação sobre os tipos de evidência, se bem-sucedidos, com maior probabilidade de fornecer UMA hierarquia de evidências fornece orientação sobre os tipos de evidência, se bem-sucedidos, com maior probabilidade de fornecer UMA hierarquia de evidências fornece orientação sobre os tipos de evidência, se bem-sucedidos, com maior probabilidade de fornecer 
respostas confiáveis ​​para a questão clínica. Existem várias hierarquias, ou níveis, de evidência; qual hierarquia é apropriada depende do 
tipo de pergunta clínica que está sendo feita. Para questões de intervenção, a hierarquia de evidências classifica os desenhos 
quantitativos de pesquisa (por exemplo, revisão sistemática de ensaios clínicos randomizados [ ECRs]) como fornecendo níveis mais quantitativos de pesquisa (por exemplo, revisão sistemática de ensaios clínicos randomizados [ ECRs]) como fornecendo níveis mais quantitativos de pesquisa (por exemplo, revisão sistemática de ensaios clínicos randomizados [ ECRs]) como fornecendo níveis mais 
altos de confiança de que os estudos terão respostas confiáveis ​​para essas perguntas do que projetos com níveis mais baixos de 
confiança (por exemplo, estudos descritivos).
Um RCT é o melhor design de pesquisa para fornecer informações sobre relacionamentos de causa e efeito. Uma 
revisão sistemática dos ECRs fornece uma compilação do que sabemos sobre um tópico de vários estudos que abordam a mesma 
questão de pesquisa, que o classifica mais alto na hierarquia do que um único ECR. Assim, quanto mais alta a metodologia estiver 
na hierarquia, maior a probabilidade de os resultados de tais métodos representarem resultados objetivos e maior a confiança dos 
clínicos em que a intervenção produza os mesmos resultados de saúde em pacientes semelhantes para os quais eles cuidam.
A hierarquia de evidências para perguntas de intervenção ajuda os médicos a saber que uma revisão sistemática (isto 
é, uma síntese desses estudos) de um grande número de ECRs de alta qualidade documentando que os resultados dos estudos de 
pesquisa concordam (ou seja, homogeneidade) é o método mais forte e menos tendencioso para demonstrar confiança de que a pesquisa concordam (ou seja, homogeneidade) é o método mais forte e menos tendencioso para demonstrar confiança de que a pesquisa concordam (ou seja, homogeneidade) é o método mais forte e menos tendencioso para demonstrar confiança de que a 
intervenção trará consistentemente um resultado (Fineout-Overholt, O'Mathuna e Kent, 2008; Guirguis-Blake, Calonge, Miller, et al., 
2007; Guyatt et al., 2008; Phillips, Ball, Sackett, et al., 2001). Tais revisões sistemáticas foram chamadas de “coração da EBP” 
(Stevens, 2001).
Princípios de avaliação crítica dos estudos quantitativos
Pode ser irritante se uma pesquisa na literatura para responder a uma pergunta clínica revelar vários estudos com resultados que 
não concordam. Também decepcionante pode ser o estudo em que os pesquisadores descobriram que uma intervenção promissora 
não é mais eficaz que um placebo; particularmente quando um estudo anterior relatou que a mesma intervenção foi benéfica. Dada a 
confusão e a incerteza resultantes, é razoável que os médicos se perguntem se as evidências externas (ou seja, pesquisas) revelam 
resultados consistentes.
Idealmente, todos os estudos seriam projetados, conduzidos e relatados perfeitamente, mas isso não é provável. A pesquisa tem 
falhas inerentes em como é projetada, conduzida ou relatada; no entanto, os resultados do estudo não devem ser descartados ou ignorados 
apenas com base nisso. Dado que toda a pesquisa é
Melnyk_Chap05.indd 82 Melnyk_Chap05.indd 82 8/3/2010 9:47:17 AM 3/8/2010 9:47:17 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
83
não perfeitos, os usuários da pesquisa precisam aprender a avaliar cuidadosamente os relatórios de pesquisa para determinar seu valor na 
prática. Essa avaliação é chamada de avaliação crítica e depende de três questões gerais a serem consideradas na avaliação de qualquer 
estudo (O'Rourke & Booth, 2000):
1 Os resultados do estudo são válidos? (Validade)1 Os resultados do estudo são válidos? (Validade)
2) Quais são os resultados? (Confiabilidade)2) Quais são os resultados? (Confiabilidade)
3) Os resultados me ajudarão a cuidar dos meus pacientes? (Aplicabilidade)3) Os resultados me ajudarão a cuidar dos meus pacientes? (Aplicabilidade)
O processode avaliação crítica fornece aos médicos os meios para interpretar a qualidade dos estudos e determinar a 
aplicabilidade da síntese dos resultados de vários estudos a seus pacientes em particular (Crombie, 1996; O'Rourke & 
Booth, 2000).
Ao avaliar estudos quantitativos, é importante reconhecer os fatores de validade e confiabilidade que podem influenciar os 
resultados do estudo. A validade e a confiabilidade do estudo são determinadas pela qualidade da metodologia do estudo. Além disso, 
os médicos devem discernir a que distância do resultado verdadeiro o resultado relatado pode estar (por exemplo, comparar o 
resultado do estudo com o resultado que pode ser replicado na prática). Como todos os estudos têm alguns defeitos, o processo de 
avaliação crítica deve ajudar o clínico a decidir se um estudo é defeituoso a ponto de ser descartado como fonte de evidência (ou seja, 
os resultados não podem ser usados ​​na prática). A interpretação dos resultados requer consideração da significado clínico dos os resultados não podem ser usados ​​na prática). A interpretação dos resultados requer consideração da significado clínico dos os resultados não podem ser usados ​​na prática). A interpretação dos resultados requer consideração da significado clínico dos 
resultados do estudo (ou seja, o impacto dos resultados clinicamente), bem como a significância estatística dos resultados (ou seja, resultados do estudo (ou seja, o impacto dos resultados clinicamente), bem como a significância estatística dos resultados (ou seja, resultados do estudo (ou seja, o impacto dos resultados clinicamente), bem como a significância estatística dos resultados (ou seja, 
os resultados não foram encontrados por acaso).
Os resultados do estudo são válidos? (Validade)
A validade de um estudo refere-se à obtenção dos resultados do estudo através de métodos científicos sólidos. Vieses e / ou 
variáveis ​​de confusão podem comprometer a validade dos resultados (Goodacre, 2008a). Quanto menos influência desses 
fatores em um estudo, maior a probabilidade de os resultados serem válidos. Portanto, é importante determinar se o estudo foi 
realizado adequadamente antes de ser influenciado pelos resultados. A validade deve ser verificada antes que o clínico possa 
fazer uma avaliação informada do tamanho e precisão dos efeitos relatados.
Viés
Viés é algo que distorce os resultados do estudo de maneira sistemática e surge da metodologia do estudo (Polit & Beck, 2007). O Viés é algo que distorce os resultados do estudo de maneira sistemática e surge da metodologia do estudo (Polit & Beck, 2007). O 
viés pode ser introduzido a qualquer momento do estudo. Ao avaliar criticamente a pesquisa, o clínico precisa estar ciente de 
possíveis fontes de viés, que podem variar de acordo com o desenho do estudo. Todo estudo requer um exame cuidadoso sobre 
os diferentes fatores que influenciam a extensão do possível viés em um estudo.
Um exemplo de viés pode ser como os participantes são selecionados para inclusão nos diferentes grupos em 
um estudo de intervenção. Essa seleção pode ocorrer de forma a influenciar inadequadamente quem termina no grupo 
experimental ou no grupo de comparação. Isso é chamado viés de seleção e é reduzido quando os pesquisadores atribuir experimental ou no grupo de comparação. Isso é chamado viés de seleção e é reduzido quando os pesquisadores atribuir 
aleatoriamente participantes de grupos experimentais e de comparação. Esta é a parte “aleatória” do ECR, o estudo aleatoriamente participantes de grupos experimentais e de comparação. Esta é a parte “aleatória” do ECR, o estudo 
experimental clássico. Em um ECR, todas as outras variáveis ​​devem ser iguais em cada grupo (ou seja, os grupos devem 
ser homogêneos). Esses estudos são prospectivos e os participantes são monitorados ao longo do tempo. As diferenças 
nos resultados devem ser atribuídas às diferentes intervenções dadas a cada grupo. Um estudo controlado no qual os 
pesquisadores não designam aleatoriamente os participantes para os grupos de estudo terá uma avaliação diferente e, 
provavelmente, um resultado diferente, quando comparado com um que utiliza os melhores métodos de randomização, 
pois há inerentemente mais viés em estudos pouco randomizados. Outros desenhos de estudo (por exemplo, quase 
experimental, coorte,
A Figura 5.1 mostra como os participantes podem ser selecionados para um estudo experimental. Por exemplo, os 
pesquisadores querem estudar o efeito de 30 minutos de exercício diário em idosos que
Melnyk_Chap05.indd 83 Melnyk_Chap05.indd 83 8/3/2010 9:47:17 AM 3/8/2010 9:47:17 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
84
têm mais de 80 anos de idade. A amostra ideal, mas geralmente inviável, para incluir em um estudo é a população de referência; isto é, aquelas 
pessoas no passado, presente e futuro para as quais os resultados do estudo podem ser generalizados. Nesse caso, a população de referência 
seria composta por todos os idosos acima de 80 anos de idade. Dada a dificuldade em obter a população de referência, os pesquisadores 
geralmente usam uma população de estudo que eles supõem ser representativa da população de referência (por exemplo, uma amostra 
aleatória de idosos com mais de 80 anos de idade que vivem dentro ou dentro de um raio de 40 km cidade metropolitana de um estado rural).
No entanto, os médicos precisam ter em mente que o viés pode ser introduzido em cada ponto em que um subgrupo é 
selecionado. Por exemplo, a população do estudo incluirá algumas pessoas dispostas a participar e outras que se recusam a participar do 
estudo. Se os participantes em potencial se voluntariarem para participar do estudo (ou seja, uma amostra de conveniência), os 
voluntários podem ter alguma característica que possa influenciar os resultados finais de alguma maneira. Por exemplo, em um estudo 
sobre o impacto do exercício na saúde de idosos com mais de 80 anos de idade, os idosos que praticam jogos em um centro sênior local 
e são voluntários para o estudo podem ter uma atitude mais positiva em relação ao exercício, o que pode afetar a resultados do estudo. 
Esse tipo de efeito é particularmente relevante em estudos em que as atitudes ou crenças das pessoas estão sendo exploradas, pois 
essas podem ser as próprias características que influenciam sua decisão de participar ou não (Polit & Beck, 2007). Os usuários das 
evidências devem estar cientes de que, apesar dos melhores esforços dos pesquisadores para selecionar uma amostra representativa da 
população de referência, pode haver diferenças significativas entre a amostra do estudo e a população em geral.
Outro tipo de viés nos ECRs é introduzido por participantes ou pesquisadores que sabem quem está recebendo qual 
intervenção. Para minimizar esse viés, os participantes e os que avaliam os resultados do estudo são mantidos cegos ou "no 
escuro" sobre quem recebe cada intervenção (ou seja, o experimental e a comparação). Esses estudos são chamados estudos 
duplo-cegos.
Outro elemento conhecido por introduzir viés é uma pessoa bem-intencionada que atua como guardião, particularmente 
em estudos envolvendo populações vulneráveis. Por exemplo, pesquisadores que conduzem um estudo com pacientes recebendo 
cuidados paliativos podem ter dificuldade em recrutar número suficiente de pessoas para o estudo, porque os cuidadores dos 
pacientes podem considerar muito oneroso pedir aos pacientes que participem da pesquisa em um momento difícil em sua vida. 
vidas. Isso introduz um viés no estudo e, em última análise, pode excluir as pessoas que poderiam se beneficiar da pesquisa.
Outra preocupação que pode influenciar os resultados do estudo é o viés de medição (ou seja, como os dados são medidos). 
Por exemplo, erro sistemático pode ocorrer através do uso de um dispositivo calibrado incorretamente, que fornece consistentemente Por exemplo, erro sistemático pode ocorrer através do uso de um dispositivocalibrado incorretamente, que fornece consistentemente Por exemplo, erro sistemático pode ocorrer através do uso de um dispositivo calibrado incorretamente, que fornece consistentemente 
medições mais altas ou mais baixas que a medição real. 
Hierarquia experimentalfigura 5.1
População de referência 
População estudada 
Participantes 
Atribuição por randomização 
Grupo de Estudos 
Não participantes 
Grupo de controle 
Melnyk_Chap05.indd 84 Melnyk_Chap05.indd 84 8/3/2010 9:47:17 AM 3/8/2010 9:47:17 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
85
Outro exemplo de viés de medição é que os coletores de dados podem se desviar dos protocolos objetivos estabelecidos de coleta de 
dados ou seus traços de personalidade individuais podem afetar a obtenção de informações dos pacientes em estudos que envolvem 
entrevistas ou pesquisas. Os estudos longitudinais, em geral, têm desafios com o viés de medição.
Um tipo de estudo retrospectivo longitudinal que compara dois grupos é um controle de caso estudo, no qual os Um tipo de estudo retrospectivo longitudinal que compara dois grupos é um controle de caso estudo, no qual os Um tipo de estudo retrospectivo longitudinal que compara dois grupos é um controle de caso estudo, no qual os 
pesquisadores selecionam um grupo de pessoas com um resultado de interesse, os casos (por exemplo, casos de infecção) e outro 
grupo de pessoas sem esse resultado, os casos de controle (por exemplo, sem infecção). Os dois grupos são pesquisados ​​na 
tentativa de encontrar as principais diferenças entre os grupos, o que pode sugerir por que um grupo teve o resultado (ou seja, 
infecção) e o outro não. Os participantes respondem a pesquisas sobre o que fizeram no passado. Isso é chamado de recall. 
Estudos que se baseiam em pacientes que lembram dados estão sujeitos a "viés de recordação" (Callas & Delwiche, 2008). A 
rechamada pode ser afetada por vários fatores. Por exemplo, perguntar a pacientes com tumores cerebrais sobre o uso anterior de 
telefones celulares pode gerar respostas altamente precisas ou falsas, porque esses pacientes buscam uma explicação para sua 
doença, comparado com pessoas que não têm tumores e cujo recall do uso do telefone pode ser menos preciso na ausência de 
doença (Muscat, Malkin, Thompson, et al., 2000). O viés pode ser um desafio nos estudos de controle de caso, pois as pessoas 
podem não se lembrar das coisas corretamente. Além disso, o “viés de informação” pode levar os pesquisadores a registrar 
informações diferentes de entrevistas ou registros de pacientes, se souberem quais participantes são casos e quais são controles 
(Callas & Delwiche).
Outro estudo longitudinal que precisa combater o viés de informação é um estudo de coorte. Este tipo de estudo se Outro estudo longitudinal que precisa combater o viés de informação é um estudo de coorte. Este tipo de estudo se Outro estudo longitudinal que precisa combater o viés de informação é um estudo de coorte. Este tipo de estudo se 
concentra prospectivamente em um grupo de pessoas que foram expostas a uma condição e outro grupo que não foi. Por exemplo, 
as pessoas que vivem em uma cidade podem ser colocadas em uma coorte e as de outra cidade em uma segunda coorte - a cidade 
em que moravam seria o critério de seleção. Todos os participantes seriam acompanhados ao longo de vários anos para identificar 
diferenças entre as duas coortes que poderiam estar associadas a diferenças entre as cidades e resultados específicos (por 
exemplo, fatores ambientais e câncer de mama).
Os estudos de coorte também podem ser conduzidos selecionando um grupo de pessoas e monitorando-os ao longo dos 
anos. As coortes de comparação são selecionadas com base nos dados coletados durante o estudo. Por exemplo, o maior estudo de 
coorte sobre saúde da mulher é o Estudo de Saúde das Enfermeiras. Mais de 121.000 enfermeiros foram inscritos no estudo em 1976 e 
foram enviados questionários a cada 2 anos. Várias correlações foram identificadas através deste estudo. Por exemplo, mulheres que 
dormem 7 horas por noite têm o menor risco de morte, enquanto aquelas que dormem mais ou menos horas apresentam maior risco de 
mortalidade (Patel, Ayas, Malhotra, et al., 2004). As coortes foram selecionadas no Estudo de Saúde das Enfermeiras com base nas 
respostas a uma pergunta sobre a duração do sono (por exemplo, 7 horas por noite, mais de 7 horas por noite e menos de 7 horas por 
noite) e seguidas por 14 anos.
Em estudos longitudinais, a perda de participantes no acompanhamento também pode contribuir para o viés de mensuração. 
Não relatar perdas no acompanhamento pode mascarar o motivo real das diferenças observadas entre os grupos de intervenção e 
controle experimental dos pacientes. Possíveis razões para a perda de participantes (ou seja, atrito no estudo) podem incluir efeitos 
colaterais imprevistos da intervenção ou procedimentos de coleta de dados onerosos. Tais perdas podem levar a grupos não comparáveis 
​​e resultados enganosos. O capítulo 17 contém mais informações sobre esses desenhos quantitativos e viés de redução.
A contaminação é outra forma de viés de medição. Isso ocorre quando os participantes alocados originalmente a um 
grupo ou braço de um estudo específico são expostos à intervenção do grupo alternativo (ou seja, a intervenção de comparação). Por 
exemplo, em um estudo de crianças asmáticas que compara a retenção de informações sobre gerenciamento de asma fornecidas às 
crianças de forma escrita e por vídeo, os resultados podem ser comprometidos se os participantes do grupo de vídeos emprestarem 
seus vídeos aos do grupo de informações escritas. Outro exemplo seria se os pacientes em um estudo controlado por placebo de 
alguma forma perceberem que foram designados para o placebo
Melnyk_Chap05.indd 85 Melnyk_Chap05.indd 85 3/3/2010 9:47:18 AM 3/8/2010 9:47:18 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
86
grupo e, acreditando que deveriam estar no braço de intervenção do estudo, encontre uma maneira de acessar a intervenção.
Na avaliação crítica de um estudo de pesquisa, devem ser feitas perguntas específicas sobre o relatório para identificar 
se o estudo foi bem projetado e conduzido ou se os riscos de viés foram introduzidos em pontos diferentes. O Apêndice D contém 
listas de verificação de avaliação crítica rápida para desenhos de estudos quantitativos, bem como estudos qualitativos que fornecem 
critérios padronizados a serem aplicados a cada metodologia de estudo para determinar se é um estudo válido.
Resultados confusos do estudo
Ao interpretar os resultados apresentados em trabalhos de pesquisa quantitativa, os médicos sempre devem considerar que pode 
haver várias explicações para um efeito de intervenção relatado em um estudo. Os resultados de um estudo podem ser confundidos 
quando um relacionamento entre duas variáveis ​​é realmente devido a um terço, variável conhecida ou desconhecida (ou seja, uma 
variável confusa). A variável de confusão refere-se à intervenção (isto é, à exposição) e ao resultado, mas não é diretamente uma 
parte do caminho causal (isto é, a relação) entre os dois. Variáveis ​​confusas são frequentemente encontradas em estudos sobre estilo 
de vida e saúde. Por exemplo, os médicos devem considerar a possibilidade de confundir variáveis ​​quando os pesquisadores 
relataram uma ligação entre a incidência de dores de cabeça entre os trabalhadores do hospital que jejuavam pelo Ramadã e a 
ingestão de cafeína (Awada & al Jumah, 1999). Quem sofre de dor de cabeça consome significativamente mais cafeína em bebidas 
como chá e café em comparação com aqueles que não sofrem de dor de cabeça. A redução no consumo de cafeína durante o jejum 
no Ramadã levou à retirada da cafeína, que os pesquisadores afirmaram ser a causa mais provável das dores de cabeça. 
Intuitivamente, isso pode parecer provável; noentanto, se a população do estudo incluir pessoas envolvidas em turnos de trabalho, o 
que é muito provável, já que os participantes eram funcionários do hospital, o horário de trabalho irregular ou uma combinação de 
variáveis ​​pode ter facilitado as dores de cabeça, e não apenas a retirada de cafeína. Figura 5. 2 demonstra como variáveis ​​confusas 
podem levar a resultados confusos. O trabalho por turnos está relacionado à exposição (ou seja, redução da alta ingestão de cafeína e 
abstinência subsequente) e aos resultados (ou seja, dores de cabeça). No entanto, não é diretamente causal (ou seja, o horário de 
trabalho irregular não causa dores de cabeça).
Ao avaliar criticamente um estudo, os médicos devem avaliar se os pesquisadores consideraram a 
possibilidade de confundir variáveis ​​no desenho original do estudo, bem como em 
figura 5.2 Modelo de possíveis variáveis ​​de confusão em um estudo examinando a associação entrefigura 5.2 Modelo de possíveis variáveis ​​de confusão em um estudo examinando a associação entre
entre a ingestão e os sintomas de cafeína
Dores de cabeça 
relacionadas ao jejum 
Alta ingestão de 
cafeína seguida de 
retirada de cafeína 
Trabalho por turnos 
Associado
Causal
? Causal
Melnyk_Chap05.indd 86 Melnyk_Chap05.indd 86 3/3/2010 9:47:18 AM 3/8/2010 9:47:18 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
87
a análise e interpretação de seus resultados. Minimizar o possível impacto de variáveis ​​de confusão nos resultados de um estudo é 
melhor abordado por um desenho de pesquisa que utiliza um processo de randomização para atribuir participantes a cada grupo de 
estudo. Dessa maneira, espera-se que variáveis ​​confusas, conhecidas ou desconhecidas, influenciem igualmente os resultados dos 
diferentes grupos do estudo.
Variáveis ​​confusas ainda podem influenciar os resultados de um estudo, apesar dos melhores esforços dos pesquisadores. 
Eventos não planejados que ocorrem ao mesmo tempo que o estudo podem ter um impacto nos resultados observados. Isso geralmente é 
chamado de história. Por exemplo, é lançado um estudo para determinar os efeitos de um programa educacional sobre nutrição infantil (ou 
seja, o grupo de intervenção experimental). O grupo controle recebe as informações usuais sobre crescimento e desenvolvimento infantil 
fornecidas nas visitas de saúde materna e infantil. Desconhecido para os pesquisadores, o departamento regional de saúde inicia 
simultaneamente uma ampla campanha na mídia para promover a saúde infantil. Esse evento histórico confuso pode impactar os resultados 
e, portanto, dificultar atribuir diretamente quaisquer resultados observados apenas à intervenção experimental (ou seja, informações sobre 
nutrição infantil). Finalmente, os critérios de inclusão e exclusão devem ser usados ​​para selecionar os participantes e devem ser 
pré-especificados (ou seja, a priori). Frequentemente, esses critérios podem ser controles para possíveis variáveis ​​de confusão (consulte o 
Apêndice D).
Quais são os resultados? (Confiabilidade)
Estudos quantitativos usam estatísticas para relatar seus achados. Tendo avaliado a validade dos resultados de um estudo, os 
resultados numéricos do estudo precisam ser examinados. Os médicos que planejam usar os resultados de estudos quantitativos 
precisam de uma compreensão geral de como interpretar os resultados numéricos. As principais preocupações são o tamanho do efeito 
de intervenção relatado e a precisão com que esse efeito foi estimado. Juntos, eles determinam a confiabilidade dos resultados do 
estudo. A preocupação aqui não é simplesmente entender os resultados do estudo, mas avaliar a probabilidade de a intervenção ter o 
mesmo resultado quando os médicos a usarem em suas práticas. Na avaliação crítica, é aqui que os dados numéricos relatados na 
seção de resultados de um estudo são examinados.
Nada no mundo pode substituir a persistência ... Somente a 
persistência e a determinação são onipotentes. O slogan 'Press On' 
resolveu e sempre resolverá os problemas da raça humana.
C alvin C oolidge
Relatando os resultados do estudo: os números se somam?
Em todos os estudos, o número total de participantes abordados e o número que consentiu em participar do estudo devem ser relatados. 
Além disso, nos ECRs, o número total em cada grupo ou braço de um estudo (por exemplo, grupo de intervenção ou comparação) deve Além disso, nos ECRs, o número total em cada grupo ou braço de um estudo (por exemplo, grupo de intervenção ou comparação) deve Além disso, nos ECRs, o número total em cada grupo ou braço de um estudo (por exemplo, grupo de intervenção ou comparação) deve 
ser relatado, pois esses valores geralmente formarão o denominador nas análises críticas subsequentes dos resultados do estudo 
(consulte a Tabela 5.1).
Na seção de resultados e nas análises subsequentes, o número de participantes com vários resultados de interesse é 
relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a relatado como n. O clínico deve avaliar se a soma de todos os n valores é igual ao original N ( isto é, amostra total) relatada (consulte a 
Tabela 5.1). Isso é particularmente importante, pois uma discrepância representa a perda de sujeitos para acompanhamento (isto é, 
atrito). Os participantes podem se retirar de um estudo por vários motivos, alguns dos quais são muito relevantes para a validade dos 
resultados do estudo. Independentemente das razões, os pesquisadores devem responder por qualquer diferença na
Melnyk_Chap05.indd 87 Melnyk_Chap05.indd 87 3/3/2010 9:47:18 AM 3/8/2010 9:47:18 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
88
número final de participantes em cada grupo em comparação com o número de pessoas que iniciaram o estudo. Por exemplo, um 
estudo relatando a eficácia do gerenciamento da depressão que utiliza consultas individuais frequentes com um profissional pode 
relatar menos participantes no final do estudo do que o originalmente inscrito. A alta taxa de atrito pode ter ocorrido porque os 
participantes acharam difícil comparecer às consultas frequentes. Um estudo bem conduzido tentaria descobrir as razões para a 
retirada dos participantes. Esses fatores são importantes a serem considerados porque, algumas vezes, mesmo que as 
intervenções sejam eficazes no estudo, podem ser impraticáveis ​​de serem implementadas em um ambiente clínico.
Magnitude do efeito
Estudos quantitativos são freqüentemente realizados para descobrir se há uma diferença importante e identificável entre 
dois grupos. Alguns exemplos podem ser: (a) por que um grupo é diagnosticado com câncer de mama e não o outro, (b) a 
qualidade de vida dos idosos que vivem em casa em comparação com os que vivem em casas de repouso, ou (c) 
resultados de medicamento A comparado ao uso do medicamento B. Um estudo selecionará um ou mais resultados para 
determinar se há diferenças importantes entre os grupos. A magnitude do efeito refere-se ao grau de diferença ou falta de 
diferença entre os vários grupos (isto é, experimental e controle) no estudo. O efeito é a taxa de ocorrência em cada um 
dos grupospara o resultado de interesse. É útil ao tentar determinar a magnitude do efeito para usar o que é chamado de 
tabela dois por dois, como a Tabela 5.2, na qual são listados em uma coluna aqueles que tiveram o resultado e, na outra 
coluna, os que não tiveram o resultado. A exposição à intervenção / condição e a comparação entre aqueles com o 
resultado e aqueles sem o resultado são apresentadas ao longo das linhas.
Testes estatísticos, conduzidos por pesquisadores para determinar se os efeitos diferem significativamente entre os grupos, 
geralmente são incluídos nessas tabelas. Embora seja importante para os médicos entenderem o que essas estatísticas significam, eles 
não precisam carregar fórmulas estatísticas em suas cabeças para avaliar criticamente a literatura. Algum conhecimento de como 
interpretar testes estatísticos comumente usados ​​e quando devem ser utilizados é adequado para o processo de avaliação. No entanto, 
manter um livro de estatísticas das ciências da saúde por perto ou usar a Internet para refrescar a memória pode ser útil na avaliação de 
um estudo.
Nota: a + b é o denominador, N (ou seja, o número total de participantes do estudo no braço de intervenção do estudo). a é o numerador, n (isto é, os 
participantes expostos à intervenção que tiveram o resultado esperado). b é o numerador, n (isto é, os participantes expostos à intervenção que não tiveram o 
resultado esperado). c + d é o denominador, N (ou seja, o número total de participantes do estudo no ramo não exposto ou de comparação do estudo). c é o 
numerador, n (isto é, os participantes não expostos à intervenção que, no entanto, tiveram o resultado esperado). d é o numerador, n (isto é, os participantes 
não expostos à intervenção e que tiveram o resultado esperado). a + c é o número total de participantes do estudo, expostos e não expostos à intervenção, que 
tiveram o resultado esperado.
b + d é o número total de participantes do estudo nos grupos controle e intervenção que não tiveram o resultado esperado.
Resultado esperado ocorrido
Exposição à 
Intervenção sim Não Total
sim uma b a + b
Não c d c + d
Total a + c b + d a + b + c + d
tabela 5.1 Medidas de efeitotabela 5.1 Medidas de efeito
Melnyk_Chap05.indd 88 Melnyk_Chap05.indd 88 3/3/2010 9:47:18 AM 3/8/2010 9:47:18 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
89
A Tabela 5.2 apresenta dados para ajudar a entender como usar esse tipo de tabela. O resultado escolhido aqui é 
dicotômico, significando que o resultado está presente ou ausente (por exemplo, você fuma? É necessária uma resposta "sim" ou 
"não"). Os dados também podem ser contínuos em uma faixa de valores (por exemplo, 1 a 10). Exemplos de dados contínuos 
incluem idade, pressão arterial ou níveis de dor. Os dados dicotômicos e contínuos são analisados ​​usando diferentes testes 
estatísticos. Por exemplo, o efeito medido no estudo hipotético foi se fumantes ou não fumantes desenvolveram ukillmeousus ou 
não (ou seja, dados dicotômicos, com um resultado de "sim" ou "não").
Outra abordagem para avaliar a resposta de uma população a uma doença específica está relatando o risco de desenvolver uma 
doença (por exemplo, qual a probabilidade de um fumante desenvolver a doença em algum momento). Outros termos usados ​​para descrever 
resultados são: incidência ( ou seja, com que frequência o resultado ocorre ou o número de casos diagnosticados recentemente durante um resultados são: incidência ( ou seja, com que frequência o resultado ocorre ou o número de casos diagnosticados recentemente durante um resultados são: incidência ( ou seja, com que frequência o resultado ocorre ou o número de casos diagnosticados recentemente durante um 
período específico) ou prevalênciaperíodo específico) ou prevalência
(ou seja, o número total de pessoas em risco pelo resultado ou o número total de casos de uma doença em uma determinada população em 
um determinado período de tempo). Para os fins desta discussão sobre a compreensão da magnitude de um efeito do tratamento, o foco 
estará no risco. As pessoas geralmente se preocupam em reduzir o risco de um mau resultado percebido (por exemplo, desenvolver câncer 
de cólon), geralmente escolhendo o tratamento, a triagem ou a mudança no estilo de vida que melhor minimiza o risco da ocorrência do 
resultado.
Força da Associação
No contexto do exemplo da Tabela 5.2, o risco é a probabilidade de um fumante atualmente livre de ukillmeousus desenvolver 
a doença em algum momento. Esse risco pode ser expresso de algumas maneiras diferentes. O risco absoluto de fumantes 
desenvolverem ukillmeousus, geralmente chamado de probabilidade (ou seja, risco) do resultado no grupo exposto (Re), é de 
3 em 100 (ou seja,
0,03, 1 em 33 ou 3%). Isso é obtido dividindo-se o número de pessoas que tiveram o resultado pelo número total de pessoas que 
poderiam ter o resultado (isto é, 3/100). O risco de não fumantes desenvolverem ukillmeousus (ou seja, a probabilidade de 
ocorrência do resultado no grupo não exposto [Ru]) é de 2 em 100. Esse risco também pode ser expresso em proporção, 1 em 50 
(0,02) ou porcentagem, 2 % A Tabela 5.3 contém as fórmulas gerais para essas e outras estatísticas. O uso da Tabela 5.1 com a 
Tabela 5.3 ajudará na aplicação das fórmulas nos resultados dos estudos ou nas situações clínicas.
Ao comparar grupos, seja testando uma intervenção ou examinando o impacto de um fator ou política de estilo de vida, as 
pessoas geralmente se preocupam com os riscos. Alguns exemplos de preocupações comuns sobre risco incluem (a) triagem do cólon para 
reduzir o risco de mortes por câncer de cólon; (b) dietas ricas em fibras e com baixo teor de gordura para reduzir o risco de doença 
cardiovascular; (c) programas de intervenção do ensino médio para reduzir o risco de suicídio em adolescentes; e (d) medicamentos 
lipídicos que reduzem o risco de uma doença cardiovascular. Muitas vezes, estamos interessados ​​na diferença de riscos de um resultado 
entre um grupo que possui uma intervenção específica e um que não possui. Quando os grupos diferem em seus riscos de obter um 
resultado, isso pode ser expresso de várias maneiras diferentes. Uma maneira de relatar isso é a diferença absoluta de riscos entre os 
grupos. o redução absoluta de riscogrupos. o redução absoluta de risco
(ARR) para um resultado indesejável é quando o risco é menor para o grupo experimental / condição 
quadro 5.2 Tabela 2 a 2 de incidência de fumantes e não fumantes de ukillmeousus *quadro 5.2 Tabela 2 a 2 de incidência de fumantes e não fumantes de ukillmeousus *
Fumantes 3 97 100
Não fumantes 2 98 100
* Ukillmeousus é uma doença hipotética
Resultado: Incidência de Ukillmeousus
Doença sim Não Total
Melnyk_Chap05.indd 89Melnyk_Chap05.indd 89 3/3/2010 9:47:18 AM 3/8/2010 9:47:18 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
90 
do que o grupo controle / comparação. o aumento absoluto do risco ( ARI) para um resultado indesejável é quando o risco é maior do que o grupo controle / comparação. o aumento absoluto do risco ( ARI) para um resultado indesejável é quando o risco é maior do que o grupo controle / comparação. o aumento absoluto do risco ( ARI) para um resultado indesejável é quando o risco é maior 
para o grupo experimental / condição do que para o grupo controle / comparação. Esses valores também podem ser chamados de 
diferença de risco (RD).
No exemplo anterior, o risco para o resultado indesejável do ukillmeousus é maior no grupo de fumantes (ou seja, 
condição) do que no grupo de comparação (ou seja, não fumantes). Portanto, o IRA é calculado como 3% (risco [ou 
probabilidade] de ukillmeousus para fumantes) -2% (risco de ukillmeousus para não fumantes) = 1% (ou, em proporções, 0,03 - 
0,02 = 0,01). Para colocar em uma frase, o risco absoluto de desenvolver ukillmeousus para fumantes é 1% maior do que o 
risco para não fumantes.Os riscos entre dois grupos também podem ser comparados usando o que é chamado risco relativo ou razão de Os riscos entre dois grupos também podem ser comparados usando o que é chamado risco relativo ou razão de Os riscos entre dois grupos também podem ser comparados usando o que é chamado risco relativo ou razão de 
risco (RR). Isso indica a probabilidade (ou seja, risco) de que o resultado ocorra em um grupo comparado ao outro. O grupo com 
a condição específica ou intervenção de interesse geralmente é o foco do estudo. No exemplo, a condição é fumar. O risco 
relativo é calculado dividindo os dois valores absolutos de risco (condição do grupo de interesse / intervenção dividido pelo grupo 
de controle). No exemplo, o RR é AR para fumantes / AR para não fumantes: 0,03 / 0,02 =
1.5 Para usá-lo em uma frase, os fumantes têm 1,5 vezes mais chances de desenvolver ukillmeousus do que os não fumantes. O 
risco relativo é freqüentemente usado em estudos prospectivos, como ensaios clínicos randomizados e estudos de coorte. Se o 
resultado for algo que queremos, um RR maior que 1 significa que o tratamento (ou condição) é melhor que o controle. Se o 
resultado for algo que não queremos (ukillmeousus), um RR maior que 1 significa que o tratamento (ou condição) é pior que o 
controle. No exemplo, o resultado do ukillmeousus não é desejável e o RR é maior que 1; portanto, a condição de um fumante é pior 
que a condição de controle de um não-fumante.
Uma maneira relacionada de expressar esse termo é a redução do risco relativo ( RRR). Isso expressa a Uma maneira relacionada de expressar esse termo é a redução do risco relativo ( RRR). Isso expressa a Uma maneira relacionada de expressar esse termo é a redução do risco relativo ( RRR). Isso expressa a 
proporção do risco no grupo intervenção / condição em comparação com a proporção de risco no grupo controle. Pode ser 
calculado como uma porcentagem assumindo o risco da condição (3%) menos o risco do controle (2%), dividindo o resultado 
pelo risco do controle e multiplicando por 100; ([0,03 - 0,02] / 0,02) × 100 = 50%. Para afirmar isso em uma frase, ser um 
não-fumante
Estatística Fórmula Exemplo de Ukillmeousus
Risco absoluto (RA) Risco em e xposed (Re) = a / (a + b) Risco em e xposed (Re) = a / (a + b) Risco em e xposed (Re) = a / (a + b) Risco em e xposed (Re) = a / (a + b) Risco em e xposed (Re) = a / (a + b) 3 / (3 + 97) = 3/100 = 0,03
Risco em un exposto (Ru) Risco em un exposto (Ru) Risco em un exposto (Ru) 
= c / (c + d) = c / (c + d) = c / (c + d) 
2 / (2 + 98) = 2/100 = 0,02
Redução absoluta de risco (ARR) Ru - Re = ARR Não apropriado
Aumento de risco absoluto (IRA) Re - Ru = ARI 0,03 - 0,02 = 0,01
0,01 × 100 = 1%
Risco relativo (RR) RR = Re / Ru 0,03 / 0,02 = 1,5
Redução de risco relativo (RRR) RRR = {| Re-Ru | / Ru} × 100% {| 0,03–0,02 | / 0,02} = 
0,01 / 0,02 = 0,5 × 100 = 50%
Odds ratio (OR) Probabilidades de expostas = a / b Probabilidades de fumantes 
3/97 = 0,03
Probabilidades de não expostas = c / d Probabilidades de não-fumantes 
2/98 = 0,02
OU = (a / b) / (c / d) OR 0,03 / 0,02 = 1,5
quadro 5.3 Estatísticas para auxiliar na interpretação dos resultados da pesquisa em saúdequadro 5.3 Estatísticas para auxiliar na interpretação dos resultados da pesquisa em saúde
Melnyk_Chap05.indd 90 Melnyk_Chap05.indd 90 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
91
diminui a probabilidade (RRR) de desenvolver ukillmeousus em 50% em relação a ser fumante.
Observe aqui a importância de entender o que esses termos significam. Um RRR de 50% parece mais impressionante que 
um RD de 1% (ou seja, ARR). No entanto, esses dois termos foram derivados dos mesmos dados. Outros fatores devem ser levados em 
consideração. Por exemplo, um ARR de 1% pode não ser muito significativo se a doença for relativamente leve e de vida curta. No 
entanto, pode ser muito significativo se a doença for freqüentemente fatal. Se as diferenças entre os grupos são devidas às opções de 
tratamento, a natureza e a incidência de efeitos adversos também precisam ser levadas em consideração (consulte o Exemplo Um mais 
adiante neste capítulo).
Ao tentar prever resultados, a terminologia "probabilidades" surge com frequência. Em estudos quantitativos, calcular as 
chances de um resultado fornece outra maneira de estimar a força da associação entre uma intervenção e um resultado. As chances de 
o resultado ocorrer em um grupo específico são calculadas dividindo-se o número de pessoas expostas à condição ou tratamento que 
tiveram o resultado pelo número de pessoas sem o resultado, não o número total de pessoas no estudo (consulte a Tabela 5.3 ) No 
exemplo da comparação entre fumantes e não fumantes, as chances de um fumante contrair a doença são 3/97 = 0,031. As chances de 
um não-fumante receber ukillmeousus são 2/98 = 0,020. o razão de probabilidade ( OR) são as chances dos fumantes (0,031) divididas um não-fumante receber ukillmeousus são 2/98 = 0,020. o razão de probabilidade ( OR) são as chances dos fumantes (0,031) divididas um não-fumante receber ukillmeousus são 2/98 = 0,020. o razão de probabilidade ( OR) são as chances dos fumantes (0,031) divididas 
pelas chances dos não fumantes (0,020) = 1,5. Para usá-lo em uma frase, os fumantes têm chances 1,5 vezes maiores de desenvolver 
ukillmeousus do que os não fumantes. Como visto neste exemplo, o OR e o RR podem ser muito semelhantes em valor. Isso acontece 
quando o número de eventos de interesse (ou seja, quantos desenvolveram o resultado observado) é baixo; À medida que a taxa de 
eventos aumenta, os valores podem divergir.
Interpretar resultados que são apresentados como ARR, ARI, RR ou OR às vezes pode ser difícil, não 
apenas para o clínico, mas também para o consumidor - um contribuinte essencial para o processo de tomada de 
decisão em assistência médica. Uma maneira mais significativa de apresentar os resultados do estudo é através do 
cálculo das número necessário para tratar ( NNT). O número necessário para tratar (NNT) é um valor que pode cálculo das número necessário para tratar ( NNT). O número necessário para tratar (NNT) é um valor que pode cálculo das número necessário para tratar ( NNT). O número necessário para tratar (NNT) é um valor que pode 
permitir que todos os envolvidos na decisão clínica compreendam melhor a probabilidade de desenvolver o resultado 
se um paciente tiver uma dada intervenção ou condição. O NNT representa o número de pessoas que precisariam 
receber a terapia ou intervenção para evitar um resultado ruim ou causar um bom resultado adicional. Se o NNT para 
uma terapia fosse 15, isso significaria que 15 pacientes precisariam receber essa terapia antes que você pudesse 
esperar que mais uma pessoa se beneficiasse. Outra maneira de colocar isso é que a chance de uma pessoa se 
beneficiar da terapia é de 1 em 15. O NNT é calculado tomando o inverso da RRA (ou seja, 1 / RRA). Por exemplo, se 
o aconselhamento para cessação do tabagismo é o tratamento, o resultado é a cessação do tabagismo e a RRA para 
a cessação do tabagismo é 0,1,
Um parâmetro relacionado ao NNT é o número necessário para prejudicar ( NNH). Esse é o número de Um parâmetro relacionado ao NNT é o número necessário para prejudicar ( NNH). Esse é o número de Um parâmetro relacionado ao NNT é o número necessário para prejudicar ( NNH). Esse é o número de 
pessoas que precisariam receber uma intervenção antes que uma pessoa adicional fosse prejudicada (ou seja, tenha um 
resultado ruim). É calculado como o inverso do ARI (ou seja, 1 / ARI). No exemplo do ukillmeousus, o IRA para a condição de 
fumar versus não fumar foi de 0,01; o NNH é 1 / 0,01 = 100. Para cada 100 pessoas que continuam a fumar, haverá um caso 
de ukillmeousus. Embora um caso de ukillmeousus em 100 fumantes possa parecer pequeno, se considerarmos que esta 
doença é fatal, os médicos podem optarpor colocar mais esforço e recursos para ajudar as pessoas a parar de fumar. A 
interpretação de uma estatística deve ser feita no contexto da gravidade do resultado (por exemplo, ukillmeousus) e do custo 
e viabilidade da remoção da condição (por exemplo, tabagismo) ou da entrega da intervenção (por exemplo,
Interpretando os resultados de um estudo: exemplo um. Você é um clínico que trabalha com pacientes que desejam parar Interpretando os resultados de um estudo: exemplo um. Você é um clínico que trabalha com pacientes que desejam parar 
de fumar. Eles têm amigos que conseguiram parar de usar chiclete de nicotina e se perguntam se isso também pode funcionar 
para eles. Você encontra um ensaio clínico que mediu a eficácia da goma de mascar de nicotina em comparação com um 
placebo (Tabela 5.4). Entre
Melnyk_Chap05.indd 91 Melnyk_Chap05.indd 91 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
92
aqueles que usam chiclete de nicotina, 18,2% param de fumar (ou seja, risco do resultado no grupo exposto [Re]). Ao mesmo 
tempo, alguns participantes do grupo controle também deixaram de fumar (10,7%; ou seja, risco do resultado no grupo não 
exposto [Ru]). O RD para o resultado entre esses grupos (ou seja, essas duas porcentagens subtraídas um do outro) é de 
7,5% (ou seja, o ARR é
0,075). O NNT é o inverso do ARR, ou 13.3. Em outras palavras, 13 fumantes precisam usar a gengiva para mais uma pessoa 
deixar de fumar. A goma de nicotina é um tratamento relativamente barato e fácil de usar, com poucos efeitos colaterais. 
Dados os custos do tabagismo, é razoável tratar 13 fumantes para ajudar a parar de fumar.
O tamanho do NNT influencia a tomada de decisão sobre se o tratamento deve ou não ser usado; no 
entanto, não é o único fator de tomada de decisão. Outros fatores influenciarão o processo de tomada de 
decisão e devem ser levados em consideração, incluindo as preferências do paciente. Por exemplo, alguns 
fumantes que estão determinados a parar de fumar podem não ver o tratamento com uma chance de 1 em 13 
de sucesso como suficientemente bom. Eles podem querer uma intervenção com um NNT mais baixo, mesmo 
que seja mais caro. Em outras situações, um tratamento com NNT baixo também pode ter um alto risco de 
efeitos adversos (isto é, um NNH baixo). Os médicos podem usar o NNT e o NNH na avaliação dos riscos e 
benefícios de uma intervenção; no entanto, simplesmente determinar que um NNT é baixo é insuficiente para 
justificar uma intervenção específica (Barratt, Wyer, Hatala, et al., 2004).
Energia e persistência conquistam todas as coisas.
B enjamin F ranklin
Medidas de significância clínica
É muito importante que o clínico envolvido no processo de avaliação crítica considere os resultados de um estudo no contexto da 
prática, fazendo a pergunta: Os resultados relatados são de real significado clínico? Ao avaliar um estudo, os médicos que tentam 
interpretar a importância dos resultados do estudo precisam estar cientes de que a maneira pela qual os resultados são relatados 
pode ser enganosa. Por exemplo, o ARR relatado nos resultados do estudo é calculado de uma maneira que considera a 
suscetibilidade subjacente de um paciente a um resultado e, portanto, pode distinguir entre efeitos de tratamento muito grandes e 
muito pequenos. Por outro lado, a RRR não leva em consideração o risco de linha de base existente e, portanto, falha em 
discriminar os efeitos de tratamento grandes e pequenos.
Interpretando os resultados de um estudo: Exemplo dois. Em um exemplo hipotético, suponha que os pesquisadores tenham realizado vários Interpretando os resultados de um estudo: Exemplo dois. Em um exemplo hipotético, suponha que os pesquisadores tenham realizado vários 
ensaios clínicos randomizados avaliando o mesmo medicamento anti-hipertensivo e descobriram que ele apresentava uma RRR de 33% em três 
anos (Barratt et al., 2004). Um clínico está cuidando de duas pessoas de 70 anos
Resultado
Exposição Sair, n (%)Sair, n (%) Não parou, n (%)Não parou, n (%) Total
Goma de nicotina 1.149 (18,2) 5.179 (81,8) 6.328
Placebo 893 (10,7) 7.487 (89,3) 8.380
Total 2.042 12.666
quadro 5.4 A eficácia da goma de mascar de nicotinaquadro 5.4 A eficácia da goma de mascar de nicotina
Melnyk_Chap05.indd 92 Melnyk_Chap05.indd 92 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
93
mulheres: (a) Pat, que tem pressão arterial estável e normal e seu risco de derrame é estimado em 1% ao ano; e (b) Dorothy, 
que teve um derrame e, embora sua pressão arterial seja normal, seu risco de outro derrame é de 10% ao ano. Com uma taxa 
de AVC de 33%, o medicamento anti-hipertensivo parece ser uma boa opção. No entanto, o risco subjacente não é incorporado 
ao RRR, portanto, ao tomar decisões clinicamente relevantes, o ARR deve ser examinado. No primeiro estudo realizado em uma 
amostra de pessoas com baixo risco de AVC, o ARR para este medicamento foi de 0,01 ou 1%. No segundo estudo, realizado 
em uma amostra de indivíduos com alto risco de AVC, o ARR foi de 0,20 ou 20%.
Sem tratamento, Pat tem um risco de 1% por ano de acidente vascular cerebral, ou 3% de risco ao longo de 3 anos. Um ARR 
de 1% significa que o tratamento com este medicamento reduzirá seu risco para 2% em 3 anos. No estudo de baixo risco (ou seja, os 
participantes se pareciam mais com Pat), 100 pacientes precisariam ser tratados antes que um AVC fosse evitado (ou seja, NNT). Sem 
tratamento, Dorothy tem um risco de 10% de AVC a cada ano, ou 30% ao longo de 3 anos. No segundo estudo (ou seja, os participantes se 
pareciam mais com Dorothy), com uma taxa de ARR de 20%, o medicamento reduziria seu risco para 10% em três anos e cinco pacientes 
precisariam ser tratados para reduzir a incidência de acidente vascular cerebral por um (ou seja, NNT). Nesse caso, parece que esse 
medicamento pode ser benéfico para as duas mulheres; no entanto, Dorothy receberá mais benefícios que Pat. O significado clínico deste 
tratamento é muito maior quando usado em pessoas com um risco basal mais alto. O ARR e o NNT revelam isso, mas o RRR não.
Para ambos os pacientes, o risco de efeitos adversos deve ser levado em consideração. Nesses ensaios 
clínicos randomizados hipotéticos, os pesquisadores descobriram que o medicamento aumentou em 3% a RR de 
sangramento gástrico grave. Estudos epidemiológicos estabeleceram que as mulheres nessa faixa etária têm um risco 
inerente de 0,1% ao ano de sangramento gástrico grave. Em 3 anos, o risco de sangramento seria de 0,3% sem 
tratamento (ou seja, Ru) e 0,9% com o medicamento (ou seja, Re), resultando em uma ARI de 0,6%. Se Pat tomar este 
medicamento por 3 anos, ela terá um benefício relativamente pequeno (RRA de 1%) e um risco aumentado de 
sangramento gástrico (IRA de 0,6%). Se Dorothy tomar o medicamento por 3 anos, ela terá um benefício maior (RRA de 
20%) e o mesmo risco aumentado de sangramento gástrico (IRA de 0,6%). A conclusão sustenta que Dorothy é mais 
provável que se beneficie do tratamento do que Pat;
Precisão na medição de efeito
Erro aleatório. A avaliação crítica avalia o erro sistemático ao verificar se há viés e variáveis ​​de confusão. Isso aborda a Erro aleatório. A avaliação crítica avalia o erro sistemático ao verificar se há viés e variáveis ​​de confusão. Isso aborda a 
validade e a precisão dos resultados. No entanto, o erro também pode ser introduzido por acaso (ou seja, erro aleatório). 
Variações devido ao acaso ocorrem em quase todas as situações. Por exemplo, um estudo pode inscrever mais mulheres do 
que homens por nenhuma outra razão além do puro acaso. Se um estudo chegasse a alguma conclusão sobre o resultado 
em relação ao que ocorre em homens ou mulheres, a interpretação teria que considerar que as variações no resultado 
poderiam ter ocorrido devido ao erro aleatóriodo número desproporcional não planejado de homens para mulheres na 
amostra. Se os participantes não fossem divididos aleatoriamente em grupos, pessoas muito doentes poderiam se matricular 
em um grupo apenas por acaso e isso poderia impactar os resultados. Um hospital pode estar particularmente ocupado 
durante o período de realização de uma pesquisa no local, o que pode distorcer os resultados. O erro aleatório pode levar a 
efeitos relatados menores ou maiores que o efeito real (ou seja, o impacto real de uma intervenção que os pesquisadores 
fazem o máximo para determinar, embora nunca possam ter 100% de certeza de que a encontraram). O erro aleatório afeta a 
precisão de uma descoberta de estudo. As chances de erro aleatório impactando os resultados podem ser reduzidas até certo 
ponto por fatores de design do estudo, como aumentar o tamanho da amostra ou aumentar o número de vezes que as 
medições são feitas (ou seja, evitar medições que são instantâneas no tempo). Quando medidas repetidas do mesmo 
resultado são semelhantes em um estudo, presume-se que haja um baixo erro aleatório. p valores) ou por intervalos de resultado são semelhantes em um estudo, presume-se que haja um baixo erro aleatório. p valores) ou por intervalos de resultado são semelhantes em um estudo, presume-se que haja um baixo erro aleatório. p valores) ou por intervalos de 
confiança (ICs).
Melnyk_Chap05.indd 93 Melnyk_Chap05.indd 93 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
94
Significância estatística. O objetivo da análise estatística é determinar se um efeito observado surge da intervenção do estudo ou se Significância estatística. O objetivo da análise estatística é determinar se um efeito observado surge da intervenção do estudo ou se 
ocorreu por acaso. Ao comparar dois grupos, a questão de pesquisa pode ser formulada como uma hipótese (isto é, o que achamos 
que vai acontecer) e os dados coletados para determinar se a hipótese é confirmada. Por exemplo, a hipótese pode ser que um 
medicamento experimental alivia a dor melhor que um placebo (isto é, o medicamento tem efeitos além dos sugeridos ou das 
interações pessoais entre os envolvidos no estudo). Geralmente para um estudo, os pesquisadores descrevem o que eles esperam 
que aconteça como sua hipótese de estudo. A hipótese nula (ou seja, que existe
sem diferença em vigor entre o medicamento e o placebo) é a contra-posição da hipótese primária. Quando um estudo de intervenção é sem diferença em vigor entre o medicamento e o placebo) é a contra-posição da hipótese primária. Quando um estudo de intervenção é 
realizado e a análise estatística é realizada nos dados do estudo (ou seja, teste de hipóteses), um p é calculado um valor que indica a realizado e a análise estatística é realizada nos dados do estudo (ou seja, teste de hipóteses), um p é calculado um valor que indica a realizado e a análise estatística é realizada nos dados do estudo (ou seja, teste de hipóteses), um p é calculado um valor que indica a 
probabilidade de a hipótese nula ser verdadeira. Quanto menor o p valor, menor a probabilidade de a hipótese nula ser verdadeira (ou seja, probabilidade de a hipótese nula ser verdadeira. Quanto menor o p valor, menor a probabilidade de a hipótese nula ser verdadeira (ou seja, probabilidade de a hipótese nula ser verdadeira. Quanto menor o p valor, menor a probabilidade de a hipótese nula ser verdadeira (ou seja, 
a menor probabilidade de que os resultados do estudo tenham ocorrido por acaso); portanto, é mais provável que o efeito observado seja 
devido à intervenção. Por convenção, um p um valor de 0,05 ou menos é considerado um resultado estatisticamente significativo na devido à intervenção. Por convenção, um p um valor de 0,05 ou menos é considerado um resultado estatisticamente significativo na devido à intervenção. Por convenção, um p um valor de 0,05 ou menos é considerado um resultado estatisticamente significativo na 
pesquisa em saúde. Isso significa que geradores e consumidores de pesquisas em saúde concordam que é aceitável que os resultados do 
estudo ocorram por acaso 1 em 20 vezes.
Enquanto p Como os valores são comumente relatados na literatura sobre saúde, eles são debatidos há muitos anos (Rothman, Enquanto p Como os valores são comumente relatados na literatura sobre saúde, eles são debatidos há muitos anos (Rothman, Enquanto p Como os valores são comumente relatados na literatura sobre saúde, eles são debatidos há muitos anos (Rothman, 
1978). Muito pequeno p valores podem surgir quando pequenas diferenças são encontradas em estudos com grandes amostras. Esses achados 1978). Muito pequeno p valores podem surgir quando pequenas diferenças são encontradas em estudos com grandes amostras. Esses achados 1978). Muito pequeno p valores podem surgir quando pequenas diferenças são encontradas em estudos com grandes amostras. Esses achados 
podem ser interpretados como estatisticamente significativos, mas podem ter pouco significado clínico. Por outro lado, estudos com amostras 
pequenas podem ter resultados fortemente associados a grandes p valores, que podem ser descartados como estatisticamente não pequenas podem ter resultados fortemente associados a grandes p valores, que podem ser descartados como estatisticamente não pequenas podem ter resultados fortemente associados a grandes p valores, que podem ser descartados como estatisticamente não 
significativos, mas podem ser clinicamente significativos. Parte do problema é que p os valores levam a uma conclusão “ou-ou” (isto é, significativos, mas podem ser clinicamente significativos. Parte do problema é que p os valores levam a uma conclusão “ou-ou” (isto é, significativos, mas podem ser clinicamente significativos. Parte do problema é que p os valores levam a uma conclusão “ou-ou” (isto é, 
estatisticamente significante ou não significante) e não auxiliam na avaliação da força de uma associação (Carley & Lecky, 2003). Além disso, o 
"ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os "ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os "ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os "ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os "ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os "ponto de corte" de p £ 0,05 é definido arbitrariamente e contribui para a tomada de decisão dicotômica. Portanto, estudos relatando apenas p os 
valores tendem a ser classificados como estatisticamente significantes (isto é, um resultado positivo) ou estatisticamente não significantes (isto 
é, um resultado negativo do estudo). A impressão é de que a intervenção é útil ou inútil, respectivamente. Em contextos clínicos, é mais ou 
menos provável que os resultados do estudo sejam úteis, dependendo de vários outros fatores que os médicos devem levar em consideração 
quando esperam obter resultados semelhantes com seus pacientes. Considere o exemplo destacado na Tabela 5.5 (Brower, Lanken, 
MacIntyre, et al., 2004).
Resultado (Morte)
Exposição sim Não Total
PEEP alta 76 200 276
PEEP baixa 68 205 273
Risco absoluto 
(RA) 
Re = a / (a + b) Re = a / (a + b) Re = a / (a + b) Re = 76 / (76 + 200) = 0,28 Ru = 
68 / (68 + 205) = 0,25
Ru = c / (c + d)Ru = c / (c + d)Ru = c / (c + d)
Aumento de risco 
absoluto (IRA) 
Re - Ru = ARI 0,28 - 0,25 = 0,03 × 100 = 0,03 
± 1,96 √ { 0,28 (100 - 0,28) / ± 1,96 √ { 0,28 (100 - 0,28) / ± 1,96 √ { 0,28 (100 - 0,28) / 
276} + {0,25 (100 - 0,25) / 
273}
Aumento de 3% no 
risco de morte comPEEP alta
IC para IRA IRA ± 1,96 Ö { Re (100-Re) IRA ± 1,96 Ö { Re (100-Re) IRA ± 1,96 Ö { Re (100-Re) 
/ a + b} + {Ru (100-Ru / c 
+ d})
0,03 ± 1,96 √ { 0,10 + 0,09}0,03 ± 1,96 √ { 0,10 + 0,09}0,03 ± 1,96 √ { 0,10 + 0,09}
0,03 ± √ 0,190,03 ± √ 0,190,03 ± √ 0,19
0,03 ± / - 0,44
IC95%: −0,41 a 
0,47
tabela 5.5 Tabela 2 a 2 da incidência de óbitos na comparação de PEEP alta com PEEP tabela 5.5 Tabela 2 a 2 da incidência de óbitos na comparação de PEEP alta com PEEP 
baixa
Melnyk_Chap05.indd 94 Melnyk_Chap05.indd 94 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
95
Os pacientes podem necessitar de ventilação mecânica devido a diferentes lesões e doenças. No entanto, a própria ventilação 
mecânica pode causar mais danos aos pulmões, especialmente se forem usados ​​volumes correntes altos. A Tabela 5.5 apresenta os 
resultados de um ECR em que os pacientes foram designados para pressão expiratória final positiva (PEEP) baixa ou alta. O IRA para óbito 
no grupo com alta PEEP foi de 13%. Quando os pesquisadores investigaram se havia ou não uma diferença nos grupos, eles descobriram 
que a probabilidade da hipótese nula (ou seja, nenhuma diferença nos grupos) ser verdadeira era verdadeira.
p = 0,48. Portanto, os pesquisadores concluíram que não havia diferenças significativas na mortalidade entre os dois níveis de PEEP. No p = 0,48. Portanto, os pesquisadores concluíram que não havia diferenças significativas na mortalidade entre os dois níveis de PEEP. No 
entanto, se o estudo for simplesmente classificado como "estatisticamente não significativo", outras informações importantes poderão 
ser perdidas.
Interpretando os resultados de um estudo: Exemplo três. Outro problema em potencial com p Os valores ocorrem se os pesquisadores Interpretando os resultados de um estudo: Exemplo três. Outro problema em potencial com p Os valores ocorrem se os pesquisadores Interpretando os resultados de um estudo: Exemplo três. Outro problema em potencial com p Os valores ocorrem se os pesquisadores Interpretando os resultados de um estudo: Exemplo três. Outro problema em potencial com p Os valores ocorrem se os pesquisadores 
coletam muitos dados sem objetivos claros (ou seja, hipóteses) e depois os analisam procurando correlações significativas. Nessas 
situações, é mais provável que apenas o acaso tenha levado a resultados significativos. Quando o nível de significância estatística para o p Se situações, é mais provável que apenas o acaso tenha levado a resultados significativos. Quando o nível de significância estatística para o p Se situações, é mais provável que apenas o acaso tenha levado a resultados significativos. Quando o nível de significância estatística para o p Se 
o valor for definido em 0,05, a probabilidade de dizer que a intervenção funcionou quando não obteve (ou seja, obtendo um resultado falso 
positivo) pode ser calculada como (1 - 0,95) ou 0,05 (ou seja, 1 em 20 resultados positivos será encontrada por chance). O teste de múltiplas 
hipóteses é um exemplo comumente encontrado de projeto de pesquisa ruim (Goodacre, 2008b). Quando duas hipóteses são testadas, a 
probabilidade de encontrar uma chance é aumentada para [1 - (0,95 × 0,95)] ou 0,0975 (ou seja, cerca de 1 em cada 10 resultados positivos 
será encontrado por acaso). Com cinco testes, a probabilidade passa para 0,23 (ou seja, quase uma em quatro chances de que um resultado 
positivo seja encontrado por acaso).
Há circunstâncias em que testar várias hipóteses pode ser legítima (por exemplo, quando se sabe que vários fatores afetam um 
resultado). Nesses casos, existem análises estatísticas que podem evitar os problemas do teste de múltiplas hipóteses (por exemplo, Correção de 
Bonferonni; Bono & Tornetta, 2006). Os pesquisadores geralmente selecionam um resultado primário; no entanto, resultados secundários também 
podem ser apropriados quando surgem da base conceitual e dos objetivos do estudo. Por outro lado, “expedições de pesca” ou “dragagem de 
dados” ocorre quando o único objetivo da coleta de dados é encontrar resultados estatisticamente significativos. Freqüentemente, uma pista para a 
dragagem de dados é quando subgrupos são criados sem nenhuma base conceitual e esses grupos diferem significativamente em um resultado. 
Os subgrupos devem ser planejados antes do início do estudo (ou seja, a priori) e deve ser formado com base na estrutura conceitual subjacente 
ao estudo. Por exemplo, um grande ECR de altas doses de esteróides para tratar lesões na medula espinhal tem sido criticado por seus múltiplos 
testes estatísticos (Bracken, Shepard, Holford, et al., 1997). Mais de 100 p Os valores foram apresentados no relatório sem especificar qual deles foi testes estatísticos (Bracken, Shepard, Holford, et al., 1997). Mais de 100 p Os valores foram apresentados no relatório sem especificar qual deles foi testes estatísticos (Bracken, Shepard, Holford, et al., 1997). Mais de 100 p Os valores foram apresentados no relatório sem especificar qual deles foi 
planejado como análise primária (Bono & Tornetta). Por exemplo, a tabela de resultados principal forneceu 24 p valores para vários resultados em planejado como análise primária (Bono & Tornetta). Por exemplo, a tabela de resultados principal forneceu 24 p valores para vários resultados em planejado como análise primária (Bono & Tornetta). Por exemplo, a tabela de resultados principal forneceu 24 p valores para vários resultados em 
diferentes intervalos de tempo, dos quais um foi estatisticamente significante. Com a convenção de probabilidade definida em p < 0,05, 1 teste diferentes intervalos de tempo, dos quais um foi estatisticamente significante. Com a convenção de probabilidade definida em p < 0,05, 1 teste diferentes intervalos de tempo, dos quais um foi estatisticamente significante. Com a convenção de probabilidade definida em p < 0,05, 1 teste 
positivo em cada 20 testes provavelmente será encontrado por acaso; portanto, 1 teste positivo dos 24 testes no exemplo de estudo provavelmente 
seria devido ao acaso. Um resultado positivo foi que os pacientes obtiveram melhores resultados estatisticamente neurológicos quando tratados 
com esteróides intravenosos dentro de 8 horas após uma lesão na medula espinhal. No entanto, não foram encontradas diferenças significativas 
nos resultados neurológicos para toda a população do estudo. Um problema foi que o ponto de corte de 8 horas não foi identificado antes da 
realização do estudo, nem havia evidências de pesquisas básicas sobre por que o tratamento antes de 8 horas faria uma diferença significativa 
(Coleman, Benzel, Cahill, et al. 2000). Pesquisadores, incluindo um envolvido no estudo original, expressaram preocupações de que múltiplos 
testes estatísticos foram executados até que uma diferença estatisticamente significativa fosse descoberta, resultando em um subgrupo criado 
artificialmente (Lenzer, 2006). Isso tem implicações clínicas importantes, pois este estudo continua a determinar o padrão de atendimento, embora 
muitos clínicos e pesquisadores tenham questionado a confiabilidade de sua conclusão (Lenzer & Brownlee, 2008). A significância estatística não 
pode ser o único marcador para determinar se um resultado de estudo é ou não valioso para a prática. O significado clínico (ou seja, o clínico pode 
obter resultados semelhantes ao estudo) é outro mecanismo que pode ajudar o profissional a avaliar o valor dos resultados de um estudo para o 
atendimento ao paciente. Isso tem implicações clínicas importantes, pois este estudo continua a determinar o padrão de atendimento, embora 
muitos clínicos e pesquisadores tenham questionado a confiabilidade de sua conclusão (Lenzer & Brownlee, 2008). A significância estatística não 
pode ser o único marcador para determinar se um resultado de estudo é ou não valioso para a prática. O significado clínico (ou seja, o clínico pode 
obterresultados semelhantes ao estudo) é outro mecanismo que pode ajudar o profissional a avaliar o valor dos resultados de um estudo para o 
atendimento ao paciente. Isso tem implicações clínicas importantes, pois este estudo continua a determinar o padrão de atendimento, embora 
muitos clínicos e pesquisadores tenham questionado a confiabilidade de sua conclusão (Lenzer & Brownlee, 2008). A significância estatística não 
pode ser o único marcador para determinar se um resultado de estudo é ou não valioso para a prática. O significado clínico (ou seja, o clínico pode 
obter resultados semelhantes ao estudo) é outro mecanismo que pode ajudar o profissional a avaliar o valor dos resultados de um estudo para o atendimento ao paciente.
Melnyk_Chap05.indd 95 Melnyk_Chap05.indd 95 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
96
Intervalos de confiança. Um IC descreve o intervalo em que o verdadeiro efeito está em um determinado grau Intervalos de confiança. Um IC descreve o intervalo em que o verdadeiro efeito está em um determinado grau 
de certeza. Em outras palavras, o IC fornece aos médicos uma gama de valores nos quais eles podem estar 
razoavelmente confiantes (por exemplo, 95%) de que encontrarão um resultado ao implementar os achados do 
estudo. Os dois valores mais importantes para os médicos são a estimativa do ponto de estudo e o IC. A 
estimativa pontual, dada a amostra do estudo e variáveis ​​potencialmente confusas, é a melhor estimativa da 
magnitude e direção do efeito da intervenção experimental em comparação com o controle (Higgins & Green, 
2008). Os médicos precisam saber em que grau a intervenção do estudo trouxe o resultado e precisam saber 
quão confiantes podem ser que podem alcançar resultados semelhantes ao estudo. Em geral, os pesquisadores 
apresentam um IC de 95%,
Embora um IC possa ser calculado facilmente, não é o cálculo que os médicos precisam lembrar; em vez disso, 
eles precisam entender quais informações o IC fornece. Um intervalo de confiança é apropriado para fornecer significado 
clínico para o efeito medido de (a) uma intervenção em um grupo, (b) a diferença que a intervenção fez entre dois grupos ou 
(c) o efeito da intervenção com várias amostras reunidas em um meta-análise. O intervalo de um intervalo de confiança pode (c) o efeito da intervenção com várias amostras reunidas em um meta-análise. O intervalo de um intervalo de confiança pode (c) o efeito da intervenção com várias amostras reunidas em um meta-análise. O intervalo de um intervalo de confiança pode 
ser expresso numericamente e graficamente (veja a Figura 5.3).
A largura do IC é a chave para sua interpretação. Em geral, os ICs mais estreitos são mais favoráveis ​​que os ICs 
mais amplos. Quanto mais restrito o IC em torno da estimativa do ponto de estudo, menor a margem de erro do clínico que optar 
por implementar os resultados do estudo. Na figura
5.3, o IC é mais amplo; portanto, os clínicos não teriam muita confiança nos resultados do estudo. Quando o IC contém a linha 
sem diferença (também chamada de linha sem efeito), a diferença entre os grupos (isto é, a estimativa do ponto de estudo) não é 
estatisticamente significativa. O IC na Figura 5.3 cruza a linha central que indica nenhum efeito (ou seja, contém o valor 
numérico); portanto, os resultados não são estatisticamente significantes. O valor numérico real para esta linha pode variar 
dependendo da estatística usada (por exemplo, para OR ou RR, sem efeito = 1; para tamanho de efeito, sem efeito = 0).
Representação gráfica de um IC e estimativa de estudofigura 5.3
Resultado Desejável (por exemplo, 
cicatrização de feridas cirúrgicas) 
Linha sem efeito 
CI numérico 
superior
Limite 
CI numérico 
inferior 
Limite 
Estimativa Numérica 
do Estudo 
Favorece a Intervenção Favorece o controle
Melnyk_Chap05.indd 96Melnyk_Chap05.indd 96 8/3/2010 9:47:19 AM 3/8/2010 9:47:19 AM
u
n
i
d
a
d
e
 
d
o
i
s
Criticamente, uma evidência quantitativa de valorização para a decisão estratégica
97
A largura do intervalo de confiança pode ser influenciada pelo tamanho da amostra. Amostras maiores tendem a fornecer 
estimativas mais precisas dos efeitos (ou seja, IC mais estreito) e tendem a produzir efeitos estatisticamente significativos. Na Figura 5.4, 
as estimativas de resultados para os grupos de intervenção e controle e os ICs correspondentes são mostrados para dois estudos. No 
segundo estudo, o tamanho da amostra é dobrado e os mesmos valores são encontrados. Embora os valores médios permaneçam os 
mesmos, o IC 95% é definido de maneira mais restrita. Os médicos podem ter mais confiança nos resultados do segundo estudo. Para 
resultados contínuos (por exemplo, pressão arterial), além do tamanho da amostra, a largura do IC também depende da variabilidade 
natural nas medições de resultados. Por causa das limitações de p Em geral, os periódicos de saúde solicitam o relatório de análises natural nas medições de resultados. Por causa das limitações de p Em geral, os periódicos de saúde solicitam o relatório de análises natural nas medições de resultados. Por causa das limitações de p Em geral, os periódicos de saúde solicitam o relatório de análises 
estatísticas dos ICs (Goodacre, 2008b).
As informações fornecidas por um IC acomodam a incerteza inerente à prática clínica do mundo real. Essa 
incerteza não é refletida quando as intervenções são descritas apenas como estatisticamente significantes ou não. Embora 
nunca possamos ter certeza absoluta de que uma intervenção ajudará ou não nossos pacientes, podemos estar razoavelmente 
confiantes no resultado quando tivermos um IC estreito e uma intervenção efetiva.
Interpretando os resultados de um estudo: Exemplo quatro. Examine os dados encontrados na Tabela 5.5, do estudo que Interpretando os resultados de um estudo: Exemplo quatro. Examine os dados encontrados na Tabela 5.5, do estudo que 
comparou a incidência de morte com PEEP alta e PEEP baixa em ventilação mecânica (Brower et al., 2004). A estimativa do ponto 
de estudo indica que os participantes com PEEP baixa apresentaram menores taxas de mortalidade. Embora a diferença na taxa de 
mortalidade entre os dois grupos não tenha sido estatisticamente significante (o IC cruza a linha de nenhum efeito com IRA = 0; p = 0,48), mortalidade entre os dois grupos não tenha sido estatisticamente significante (o IC cruza a linha de nenhum efeito com IRA = 0; p = 0,48), mortalidade entre os dois grupos não tenha sido estatisticamente significante (o IC cruza a linha de nenhum efeito com IRA = 0; p = 0,48), 
o IC 95% fornece informações adicionais clinicamente significativas para o atendimento ao paciente. O IC95% para IRA é estreito 
(-0,41 a 0,47), indicando que os médicos podem ter certeza de que eles também podem obter um aumento muito pequeno nas taxas 
de mortalidade usando PEEP alta em pacientes sob ventilação mecânica (ver Figura 5.5). No entanto, mesmo um pequeno aumento 
na morte não é desejável. Esta informação é clinicamente significativa, apesar de não ser estatisticamente significativa. No entanto, 
embora os resultados do estudo sejam clinicamente significativos, não seria sensato concluir se deve ou não usar PEEP alta com 
base apenas nas melhores ou piores taxas de mortalidade encontradas neste único estudo. Para chegar a uma conclusão mais 
definitiva, seriam necessários ensaios com mais sujeitos para estabelecer que esses achados não foram por acaso (por exemplo,
Influência do tamanho da amostra nos ICsfigura 5.4
Grupo Controle 1 
Grupo 
Experimental 1
Grupo Controle 2 
Grupo 
Experimental 2
1 1 2 3 4 5 6
Valor médio com intervalos de confiança de 95%
7 8 9 10 11 12
Melnyk_Chap05.indd 97Melnyk_Chap05.indd 97 8/3/2010 9:47:20 AM 3/8/2010 9:47:20 AM
c
a
p
í
t
u
l
o
 
5
S tres tres: C riticamente Uma evidência de valorização
98
Além disso, como o resultado é a morte, seria aconselhável