Estatistíca para quem não é estatístico

Prévia do material em texto

ESTATÍSTICA PARA QUEM NÃO É ESTATÍSTICO – TRISHA GREENHALGH
COMO QUEM NÃO É ESTATÍSTICO 
AVALIA TESTES ESTATÍSTICOS?
Não é preciso saber construir um
carro para saber dirigi-lo. O que se precisa
saber dos testes estatísticos é qual deles é
melhor para usar em cenários comuns.
Você deve ser capaz de descrever em
palavras o que o teste faz e em que
circunstâncias ele não é válido ou
apropriado. Se os autores de um artigo
usam números e dizem que isso significa
algo, eles estão (ou deveriam estar)
usando um teste estatístico. 
OS AUTORES DESCREVERAM
CORRETAMENTE O CENÁRIO?
Foi determinado se seus grupos eram
comparáveis e, se necessário, ajustados
para diferenças na linha base? 
A maioria dos Ensaios clínicos
comparativos tem uma tabela mostrando as
características dos grupos que estão sendo
estudados, a famosa “Tabela 1”. Essa
tabela, tem como objetivo mostrar que
tanto o grupo intervenção quanto o grupo
controle possuem características similares
(distribuição de sexo, idade e de variáveis
prognósticas relevantes). Se existirem
diferenças importantes entre os grupos,
mesmo que tenham surgidas ao acaso, é
indicado realizar certos ajustes para tentar
controlar as diferenças, dessa forma, ao
avaliar a eficácia de um tratamento, por
exemplo, diminuímos a chance de que
aquela diferença influencie no resultado. 
Quais tipos de dados foram obtidos?
Foram usados testes estatísticos
adequados? 
Não basta coletar dados e sair
realizando cálculos sem saber o que eles
significam. Calcular a média de alturas e
pesos pode ser útil, porém, se alocamos
um número para a “Cidade de origem”
(1=Londres; 2=Manchester…), calcular a
média não faria sentido algum. 
Os testes estatísticos utilizados em
artigos geralmente são classificados como
paramétricos (assume que os dados foram
retirados de uma forma de distribuição,
como uma distribuição normal) ou não
paramétricos (não assume que os dados
foram retirados de um tipo particular de
distribuição).
Os não paramétricos verificam a
ordem de classificação dos valores (qual é
o menor, qual vem a seguir) e ignoram as
diferenças absolutas entre eles. A
significância estatística é mais difícil de ser
demonstrada, e isso faz com que
pesquisadores utilizem estatísticas como o
valor de r de forma inadequada, enquanto
deveriam ter usado o coeficiente de
correlação p (“rô”), produzindo uma
estimativa inteiramente espúria e enganosa
sobre a significância do resultado, a menos
que os dados sejam adequados ao teste
utilizado. 
Outra consideração a ser feita é
sobre o formato da distribuição dos dados
amostrados. Algumas variáveis podem se
apresentar de forma assimétrica e outras
em forma de distribuição normal. Às vezes,
os dados não normais, podem ser
transformados para produzir um gráfico
Bruno Henryque Marconato
ESTATÍSTICA PARA QUEM NÃO É ESTATÍSTICO – TRISHA GREENHALGH
com distribuição normal, para usar testes
estatísticos baseados na distribuição
normal. Se isso for possível de ser feito,
não é enganar, enganar é usar um teste
baseado na distribuição normal para
analisar dados que não estão em
distribuição normal. 
Se os testes estatísticos no artigo são
obscuros, por que os autores optaram
por eles? Foi incluída alguma
referência?
Se o artigo que você está lendo usa
um teste “estranho”que não está listado em
um livro-texto básico de estatística, você
deve desconfiar. Os autores devem, nessa
situação, dizer por que usaram esse teste e
fornecer uma referência para descrição
detalhada. 
Os dados foram analisados de acordo
com o protocolo original do estudo?
Da mesma forma que não é justo
parar de jogar moedas em um jogo de cara
e coroa apenas quando você ganhar, não é
justo parar um estudo assim que o
resultado seja favorável. O desenho inicial
do estudo deve ser seguido até o fim. Além
disso, voltar analisando
retrospectivamente, buscando resultados
“interessantes”, pode levar a conclusões
falsas. Por isso, deve-se ter cuidado com
as análises de subgrupo (leia o artigo “A
consumer’s guide to subgroup analysis”).
DADOS PAREADOS, CAUDAS E
VALORES EXTREMOS
Os testes pareados foram realizados
sobre dados pareados? 
Frequentemente, os estudantes
acham difícil decidir se devem usar um
teste pareado ou não pareado para analisar
seus dados. Se você medir algo duas
vezes em cada participante (p. ex. Pressão
arterial quando deitado e em pé),
provavelmente você não está interessado
apenas na média, mas também o quanto
cada medida variou conforme a posição.
Isso é o que chamamos de dados
pareados, pois cada mensuração prévia é
pareada com uma mensuração posterior.
Neste exemplo, o que forma o pareamento
é contar com a mesma pessoa em ambas
as ocasiões. 
Esperamos que dois valores
pareados selecionados ao acaso sejam
mais próximos do que dois valores não
pareados selecionados ao acaso (a minha
pressão nessa semana deve estar mais
próxima a minha pressão em algum
momento da minha vida do que de uma
pessoa desconhecida). Assim, se não
Bruno Henryque Marconato
ESTATÍSTICA PARA QUEM NÃO É ESTATÍSTICO – TRISHA GREENHALGH
realizamos testes pareados para dados
pareados, podemos tendenciar a nossa
estimativa a respeito da significância dos
dados. 
Foi realizado um teste bicaudal sempre
que o efeito de uma intervenção
pudesse ser negativo?
Realizar um teste estatístico
delineado para demonstrar um efeito pode
ser inadequado. Em outras palavras, não é
uma boa prática cientifica assumir que você
sempre conhece a direção do efeito da sua
intervenção. Se você está estudando o
efeito de um novo fármaco no controle da
pressão arterial, por exemplo, é melhor
realizar um teste bicaudal, que medirá se
aquele novo fármaco reduziu ou aumentou
a PA do paciente, ao invés de já definir a
direção do efeito. 
Os valores extremos foram analisados
com bom senso e com ajustes
estatísticos apropriados?
Resultados inesperados podem
refletir idiossincrasias no participante
(metabolismo incomum, p. ex.), erros de
medida, erros de interpretação ou erros de
cálculo. Somente o primeiro desses é um
resultado “real”e merece ser incluído na
análise. 
CORRELAÇÃO, REGRESSÃO E
CAUSAÇÃO
A correlação foi diferenciada da
regressão? O coeficiente de correlação
(“valor de r”) foi calculado e
interpretado corretamente?
A primeira coisa a saber é que
regressão e correlação são coisas
diferentes, termos estatísticos precisos com
funções específicas.
O valor de r (ou coeficiente de
Pearson) não é válido a menos que os
seguintes critérios sejam preenchidos:
• Os dados, ou melhor, a população a
partir do qual os dados foram
coletados, devem ter uma
distribuição normal. Caso contrário,
use um teste não paramétrico de
correlação (tab. 5.1)
• As variáveis devem ser
estruturalmente independentes.
Caso contrário, use um teste t
pareado ou outro teste pareado.
• Deve ser feito um único par de
medidas para cada participante, pois
medidas em participantes
sucessivos devem ser
estatisticamente independentes
umas das outras para obtermos
estimativas não enviesadas dos
parâmetros populacionais de
interesse.
• Cada valor de r deve ser
acompanhado por um calor de p,
que expressa qual a provabilidade
de uma associação dessa
magnitude ter surgido ao acaso, ou
por um intervalo de confiança, que
expressa a variação dentro da qual o
verdadeiro valor de R provavelmente
se situa (o R maiusculo representa o
coeficiente de correlação de toda a
população). 
Mesmo que seja apropriado calcular
o valor de r para um conjunto de dados,
lembre-se que ele não diz se essa relação
é causal. 
O termo regressão diz se uma
variável (a dependente)pode ser predita a
partir de outra variável (a independente). A
regressão múltipla, permite que uma
variável seja predita a partir de duas ou
mais variáveis independentes.
A regressão simples é a fórmula da
equação da reta, y = a + bx, y é a variável
dependente (eixo vertical) e x é a
independente (eixo horizontal), a é a
intersecção com y e b é uma constante. 
Bruno Henryque Marconato
ESTATÍSTICA PARA QUEM NÃO É ESTATÍSTICO – TRISHA GREENHALGH
Não são todas as variáveis que
podem ser descritas por uma equação tão
simples, peso e altura por exemplo,
depende de inúmeras outras coisas.
Foram feitas suposições sobre a
natureza e a direção da causalidade?
Para demonstrar que que A causou
B (e não B causou A, nem que A e B foram
ambos causados por C) você necessita
mais do que um coeficiente de correlação
que demonstre associação entre A e B.
Veja sobre os critérios de Bradford Hill. 
PROBABILIDADE E CONFIANÇA
Os valores de p foram adequadamente
calculados e interpretados?
Valor de p é a probabilidade de que
um desfecho qualquer tenha ocorrido ao
acaso. Arbitrariamente, atribuímos um
p<0,05 (equivalente a 1 chance em 20)
como estatisticamente significativo, e
p<0,01 (equivalente a 1 chance em 100)
como estatisticamente muito significativo. 
Assim, por definição, 1 associação
causal em 20 parecerá ser significativa
quando na verdade não é, e 1 em 100
parecerá altamente significativa quando na
verdade não é. Se for feito uma
comparação multipla, é necessário usar
uma correção para chegar a essas
probabilidades. O meio mais conhecido
para isso é o teste de Bonferroni.
Um resultado estatisticamente
significante, sugere que os autores devem
rejeitar a hipótese nula (a hipótese que não
há diferença real entre os dois grupos).
Entretanto, um valor de p na faixa não
significativa indica que ou não existe
diferença entre os grupos ou que há
poucos participantes para demonstrar se
essa diferença existe.
Por que usar um único ponto de
corte quando a escolha desse ponto é
arbitrária? Por que tornar a questão
dicotômica quando seria melhor encará-la
como contínua?
Para responder isso, necessitamos
de intervalos de confiança.
Os intervalos de confiança foram
calculados e as conclusões dos autores
os refletem?
Um intervalo de confiança é um
cálculo que permite fazer uma estimativa
do resultado, seja o estudo positivo ou
negativo, forte ou fraco, definitivo ou não. 
Se você repetir o mesmo ECR
centenas de vezes, não conseguiria
exatamente o mesmo resultado cada vez.
Porém, em média, você estabeleceria uma
diferença entre os dois braços do ensaio.
Quando aplicamos isso para um único
ECR, o intervalo de confiança de 95% nos
diz que existe 95% de chance de que
aquele resultado esteja dentro dessa
diferença média. Porém, se nessa
diferença média estiver contido o número
zero, em uma análise dicotômica
classificamos como estudo negativo (afinal,
se tiver o zero significa que a diferença
entre os grupos pode ser nula).
Dependendo da proximidade dos pontos
extremos do intervalo de confiança do zero,
pode-se argumentar que mesmo que passe
pelo zero, isso não o classifique como
negativo, mas talvez como um estudo com
poder de inferência fraco, dependendo da
probabilidade. 
EFEITOS FUNDAMENTAIS
Os autores expressaram os efeitos de
uma intervenção em termos de provável
Bruno Henryque Marconato
ESTATÍSTICA PARA QUEM NÃO É ESTATÍSTICO – TRISHA GREENHALGH
benefício ou dano que um paciente
individual pode esperar?
Na prática, saber apenas que um
resultado de eficácia de um medicamento é
estatisticamente significativo, não é útil. É
mais útil saber em quanto ao tomar esse
medicamento ele melhora os meus
sintomas em relação a não tomar. Três
cálculos respondem isso: Redução do risco
relativo (RRR), redução do risco absoluto
(RAR) e o número necessário para tratar
(NNT). Veja a tabela a seguir: 
O tratamento clinico da tabela acima
é o grupo controle, queremos saber a
chance de morte em 10 anos comparados
a cirurgia de revascularização (RCM). Os
pacientes do tratamento clínico tem chânce
de 404/1.325 = 0,305 ou 30,5% de estarem
mortos em 10 anos, vamos chamar esse
resultado de x. Os pacientes do RCM
possuem chance de 350/1.324 = 0,264 ou
26,4% de estarem mortos em 10 anos,
vamos chamar esse resultado de y. Os
resultados x e y são chamados de riscos
absolutos de morte de cada grupo.
O risco relativo (RR) de mortem em
pacientes de RCM, em comparação ao
controle é y/x, ou 0,264/0,305 = 0,87 (87%).
O RRR, que é a quantidade na qual
o tisco de morte é reduzido no grupo RCM
em comparação ao controle é de 100 –
87% ou 1-y/x = 13%.
O RRA (ou diferença de risco), ou
seja, a quantidade absoluta na qual a RCM
reduz o risco de morte em 10 anos é 30,5-
26,4% = 4,1% (0,041).
O NNT, ou seja, quantos pacientes
precisam de uma RCM para prevenir em
média uma morte a cada 10 anos, é a
recíproca do RRA, 1/RRA = 1/0,041 = 24.
Para saber qual desses é mais útil
em cada caso é preciso ler o artigo (Basic
statistics for clinicians: 3. Assessing the
effects of treatment: measures of
association).
Bruno Henryque Marconato