VALIDAÇÃO, INTEGRIDADE E MONITORAMENTO DAS DOENÇAS
Download
1 / 47

valida o, integridade e monitoramento das doen as nigel paneth - PowerPoint PPT Presentation


  • 201 Views
  • Uploaded on

VALIDAÇÃO, INTEGRIDADE E MONITORAMENTO DAS DOENÇAS NIGEL PANETH. MEDIDAS DE INTEGRIDADE TERMINOLOGIA INTEGRIDADE é análoga à precisão. VALIDAÇÃO é análoga à segurança da exatidão. INTEGRIDADE é como um observador classifica melhor o mesmo indivíduo sob diferentes circunstâncias.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'valida o, integridade e monitoramento das doen as nigel paneth' - sandra_john


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

Slide2 l.jpg

MEDIDAS DE INTEGRIDADE

TERMINOLOGIA

INTEGRIDADE é análoga à precisão.

VALIDAÇÃO é análoga à segurança da exatidão.

INTEGRIDADE é como um observador classifica melhor o mesmo indivíduo sob diferentes circunstâncias.

VALIDAÇÃO é como uma prova reproduz melhor um resultado comparado à outra prova de maior segurança conhecida.


Slide3 l.jpg

  • INTEGRIDADE E VALIDAÇÃO

  • INTEGRIDADE inclui:

  • avaliações feitas pelo mesmo observador em diferentes períodos de tempo – INTEGRIDADE INTRAOBSERVADOR.

  • avaliações feitas por observadores diferentes ao mesmo tempo –

  • INTEGRIDADE INTEROBSERVADOR.

  • INTEGRIDADE presume que todas as provas e observadores sejam iguais.

  • VALIDAÇÃO presume que haja um padrão de ouro com o qual a prova e o observador serão comparados.


Slide4 l.jpg

AVALIANDO INTEGRIDADE

Como avaliamos a integridade?

Uma maneira é observar simplesmente a percentagem de concordância.

- Percentagem de concordância é a proporção de todos os diagnósticos classificados da mesma maneira por dois observadores.


Slide5 l.jpg

EXEMPLO

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


Slide6 l.jpg

integridade nos diagnósticos?

A percentagem de concordância é suficiente para indicar integridade?

95% de concordância entre os dois médicos e a ausência ou presença da doença em uma amostra de 100 pacientes sempre indica boa concordância?

Você se sentiria tranqüilo se seu hospital fizesse um constante trabalho de leitura de Raios X do tórax, e se elas apresentassem 95% de integridade?


Slide7 l.jpg

COMPARE AS DUAS TABELAS ABAIXO:

TABELA 1 TABELA 2

Em ambos os exemplos, os médicos concordaram em 95% de vezes. Os dois médicos são igualmente íntegros nas duas tabelas?


Slide8 l.jpg

  • QUAL A DIFERENÇA ESSENCIAL ENTRE AS DUAS TABELAS?

  • O problema surge da facilidade de concordância em eventos comuns (Ex: não existindo pneumonia na primeira tabela).

  • Uma medida de concordância deverá levar em consideração a “facilidade” de concordância devida somente ao acaso.


Slide9 l.jpg

USO DE KAPPA PARA AVALIAR INTEGRIDADE

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


Slide10 l.jpg

KAPPA VARIA DE +1 à -1

+1 significa que os dois observadores concordaram perfeitamente. Eles classificaram a todos exatamente da mesma forma.

0 significa que não existe nenhuma relação entre as classificações dos dois observadores, acima da concordância de acasos que seriam esperadas.

-1 significa que os dois observadores classificaram exatamente o oposto. Se um observador diz SIM, o outro sempre diz NÃO.


Slide11 l.jpg

GUIA PARA USO DE KAPPA EM EPIDEMIOLOGIA E EM MEDICINA:

KAPPA  0,80 é considerado excelente.

KAPPA 0,60 – 0,80 é considerado bom.

KAPPA 0,40 – 0,60 é considerado regular.

KAPPA  0,40 é considerado ruim


Slide12 l.jpg

  • PRIMEIRA MANEIRA DE CALCULAR KAPPA:

  • Calcule a concordância observada (células nas quais os observadores concordaram/totais de células). Em ambas as TABELAS 1 e 2 são de 95%.

  • Calcule a concordância esperada(acaso de concordância) baseada nas marginais totais.



Slide14 l.jpg

Como calculamos o N 1 SÃO:esperado por acasos (azar) em cada célula?

Supondo que cada célula reflete as distribuições marginais, ex: as proporções das respostas SIM e NÃO deverão ser as mesmas dentro de uma tabela de quatro células como os totais marginais.


Slide15 l.jpg

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


Slide16 l.jpg

Por subtração, todas as outras células serão preenchidas automaticamente, e cada distribuição de células SIM/NÃO refletirá a distribuição marginal. Qualquer célula poderá ser usada para fazer o cálculo, uma vez que, se cada célula é especificada numa tabela 2X2 com distribuições marginais fixadas, todas as outras células também, serão especificadas.


Slide17 l.jpg

Agora você pode ver que somente por operação de automaticamente, e cada distribuição de células SIM/NÃO refletirá a distribuição acaso, 93,24 das 100 observações deveriam ser concordantes para os dois observadores (93,12 + 0,12)


Slide18 l.jpg

Agora comparemos a concordância atual com a concordância esperada: A concordância esperada é 6,76% distante da concordância completa de 100%, (100% - 93,24% = 6,76%). 

A concordância atual foi de 5,0% da concordância completa de 100%, (100% – 95%). 

Assim, nossos dois observadores foram 1,76% melhores que o acaso (azar), mas se eles tivessem concordado completamente, deveriam ter sido 6,76% melhores que o acaso (azar). Logo, eles são melhores em somente cerca de 0,26% que o acaso (azar) ou seja, 1,76/6,76 ¼.


Slide19 l.jpg

ABAIXO ESTÁ A FÓRMULA PARA O CÁLCULO DE KAPPA DA CONCORDÂNCIA (C) ESPERADA:

C. observada – C. esperada

1 – Concordância esperada

95% - 93,24% = 1,76 = 0,26%

1 – 93,24%6,76


Slide20 l.jpg

UM KAPPA DE 0,26% É BOM? KAPPA DA CONCORDÂNCIA (C) ESPERADA:

KAPPA  0,80 é considerado excelente.

KAPPA 0,60 – 0,80 é considerado bom.

KAPPA 0,40 – 0,60 é considerado regular.

KAPPA  0,40 é considerado ruim.


Slide21 l.jpg

No segundo exemplo, a concordância observada foi também, de 95%, mas os totais marginais foram muito diferentes.


Slide22 l.jpg

Calculamos a concordância esperada N, para qualquer célula, usando o mesmo procedimento anterior baseado nos totais marginais. Ex: a célula de valor mais baixo à direita é 54% de 55, que é 29,7.


Slide23 l.jpg

E, por subtração as outras células que estão abaixo. As células que indicam concordância estão ressaltadas em amarelo e somam 54,4%.


Slide24 l.jpg

ENTRE AS DUAS CONCORDÂNCIAS (C) NA FÓRMULA: células que indicam concordância estão ressaltadas em

C. observada – C. esperada

1 – Concordância esperada

95% - 50,4% = 44,6% = 0,90

1 – 50,4% 49,6%

Neste exemplo, os observadores têm a mesma % de concordância, mas agora eles são muito diferentes do acaso (azar). O KAPPA de 0,90 é considerado excelente.


Slide25 l.jpg

OUTRA FORMA DE CALCULAR KAPPA: células que indicam concordância estão ressaltadas em

2(AD – BC)

N1N4 + N2N3

Onde, os valores Ns são totais marginais, assim denominados:


Slide26 l.jpg

VEJA NOVAMENTE NA TABELA DO SLIDE 7. células que indicam concordância estão ressaltadas em

Para a TABELA 1:

2 (94 x 1 – 2 x 3) = 176 = 0,26

4 x 97 + 3 x 96 676

Para a TABELA 2:

2 (52 x 43 – 3 x 2) = 4460 = 0,90

46 x 55 + 45 x 54 4960


Slide27 l.jpg

NOTE O PARALELISMO ENTRE: células que indicam concordância estão ressaltadas em

A ODDS RATIO - RAZÃO DE PROBABILIDADES

O QUI-QUADRADO ESTATÍSTICO

O KAPPA ESTATÍSTICO

Note que são centrais nas três expressões os produtos cruzados das tabelas de quatro células e suas relações com os totais marginais.


Slide28 l.jpg

VALIDAÇÃO E MONITORAMENTO células que indicam concordância estão ressaltadas em

AS TRÊS MEDIDAS CHAVES DA VALIDAÇÃO:

SENSIBILIDADE

ESPECIFICIDADE

VALORES PREVISTOS



Slide30 l.jpg

SENSIBILIDADE TESTE-DOENÇA

Ela nos indica o quanto um teste positivo detecta a doença.

É definida como a fração dos doentes com resultados positivos nos testes.

Seus complementos são as taxas dos testes falso negativos, definidas como a fração de doentes que dão resultados negativos nos testes.

A sensibilidade e a taxa de falsos negativos somam UM.


Slide31 l.jpg

ESPECIFICIDADE TESTE-DOENÇA

Nos indica o quanto um teste negativo é bom para detectar nenhuma doença.

É definida como a fração dos não-doentesque deram testes negativos.

Seu complemento é a taxa de falsos positivos definida como a fração dos não-doentes cuja prova foi positiva.

Especificidade mais a taxa de falsos positivos dão UM.


Slide32 l.jpg

VALORES PREVISTOS TESTE-DOENÇA

VALOR PREVISTO POSITIVO é a proporção de todas as pessoas com resultados positivos que têm a doença.

VALOR PREVISTO NEGATIVO é a proporção de todas as pessoas com resultados negativos que não têm a doença.

Em geral, o valor previsto positivo é o mais utilizado. O valor previsto positivo e a sensibilidade são talvez, os dois parâmetros mais importantes para o entendimento da utilização de um teste sob as condições de campo.


Slide33 l.jpg

PONTOS CHAVES PARA RELEMBRAR TESTE-DOENÇA

Sensibilidade, especificidade, falsos positivos e falsos negativos são todos os denominadores comuns para doentes e não doentes (utilizamos no total das colunas).

Ao contrário, os valores previstos são denominadores para o status do teste, positivo ou negativo (utilizamos no total das seqüências).

Sensibilidade e especificidade não variam de acordo com a prevalência da doença na população. Os valores previstos de um teste, sem dúvida, são ALTAMENTE DEPENDENTES sob a prevalência da doença na população.


Slide34 l.jpg

CALCULANDO SENSIBILIDADE, ESPECIFICIDADE E OS VALORES PREVISTOS Um teste é utilizado em 50 pessoas com uma doença e 50 pessoas sem a doença. Estes são os resultados:


Slide35 l.jpg

Sensibilidade = 48/50 x 100 = 96% PREVISTOS

Especificidade = 47/50 x 100 = 94%.

Valor previsto positivo = 48/51 x 100 = 94%.

Valor previsto negativo = 47/49 x 100 = 96%.


Slide36 l.jpg

Agora, vamos aplicar este teste numa população onde 2% das pessoas têm a doença, não os 50% como no exemplo anterior. Suponha que existem 10.000 pessoas, e a mesma sensibilidade e especificidade anterior, com valores de 96% e 94% respectivamente.


Slide37 l.jpg

AGORA, QUAL O VALOR POSITIVO PREVISTO? 192/780 X 100 = 24,6%.

Quando a prevalência de uma doença é de 50%, 94% dos testes positivos indicam a doença. Mas quando a prevalência é de somente 2%, menor que 1 em quatro nos resultados dos testes, estes indicam uma pessoa com a doença, e que atualmente 2% deveriam apresentar uma doença comum. Os resultados falsos positivos tendem a esconder-se em verdadeiros positivos nas populações, devido a que muitas doenças que testamos são raras.


Slide38 l.jpg

MUDANDO O LIMITE DE UM TESTE

Quando a doença é definida por um limiar num teste contínuo, as características do teste podem ser alteradas mudando-se o limite ou o PONTO DE CORTE (CUT-OFF).

Diminuir o limite melhora a sensibilidade, mas muitas vezes a custo de diminuir a especificidade (ex: mais falsos positivos).

Aumentar o limite melhora a especificidade, a custo da diminuição da sensibilidade (ex: mais falsos negativos).

Isto é especificamente importante quando a distribuição de uma característica é UNIMODAL, como a pressão arterial, colesterol, peso, etc (devido à zona cinza – borderline - ser muito ampla).


Slide39 l.jpg

  • PROBLEMAS DE MONITORAMENTO

  • Temos um correto limiar?

  • Há um tratamento verdadeiramente efetivo disponível para a doença diagnosticada?

  • Este tratamento é mais efetivo nos casos monitorados que nós não monitorados?

  • Quais são os efeitos adversos do processo de monitoramento?

  • O quanto eficiente é o monitoramento?

  • Ex: Quantas pessoas têm que ser monitoradas para se encontrar um caso?


Slide40 l.jpg

EXEMPLO:

Um ensaio randomizado (aleatório) é implementado para se avaliar um programa de monitoramento para o câncer de colon.

O grupo da intervenção tem monitoramento regular, o grupo controle é deixado a mercê de seus próprios recursos.


Slide41 l.jpg

APÓS CINCO ANOS ENCONTRAMOS QUE: 

Mais casos são descobertos no grupo monitorado que no grupo controle.

Os casos são descobertos com antecedência aos estágios do câncer no grupo monitorado.

A sobrevida a cinco anos é maior nas pessoas com câncer monitoradas.

Podemos concluir que este programa de monitoramento é necessariamente efetivo?


Slide42 l.jpg

NÃO, O PROGRAMA NÃO É

NECESSARIAMENTE EFETIVO.

Os benefícios aparentes só demonstram os efeitos do RISCO DEPENDENTE DO TEMPO.

Sendo possível diagnosticar uma condição de forma antecipada, isso não melhorará a sobrevida depois do diagnóstico; o programa de monitoramento terá uma super representação de casos diagnosticados mais cedo, cuja sobrevida será aumentada por exatamente o tempo em que seu diagnóstico foi feito de forma mais antecipada pelo programa de monitoramento.

Assim, eles não serão beneficiados, mas a quantidade de tempo que eles saberão que têm câncer terá aumentado.


Slide43 l.jpg

CONSIDERE COMO O TEMPO DO DIAGNÓSTICO MUDA COM O MONITORAMENTO NO CENÁRIO ABAIXO:

GRUPO SEM MONITORAMENTO:

Dx MORTE

IDADE 50 51 52 53 54 55

GRUPO MONITORADO:

Dx MORTE

IDADE 50 51 52 53 54 55


Slide44 l.jpg

  • OUTROS RISCOS (BIAS) NO MONITORAMENTO: RISCO (BIAS) DE AMPLITUDE DE TEMPO

  • Muitas doenças crônicas, especialmente cânceres, não progridem com a mesma rapidez em todos os pacientes.

  • Qualquer grupo de doentes incluirá alguns para os quais a doença se desenvolve mais lentamente e em outros se desenvolve mais rápido.

  • Preferencialmente, o monitoramento incluirá doenças de desenvolvimento lento (com maior oportunidade de serem monitoradas) e que normalmente terá melhor prognóstico.


Slide45 l.jpg

No cenário anterior, a incidência de doença é inicialmente mais alta, o diagnóstico é feito mais cedo, o estagio do diagnóstico é mais antecipado e a duração da sobrevida desde o diagnóstico é mais ampla.

Todos eles nos dão a impressão de benefícios do monitoramento.

Todavia o paciente não é beneficiado, visto que a morte não é adiada.

A única evidência de efetividade no programa de monitoramento é uma redução da morbidade ou mortalidade específica por total de idade, idealmente demonstrado num ensaio randomizado (aleatório).


Slide46 l.jpg

Exercício de mamografia (Mamógrafo) inicialmente

1. Menos de 50 anos, a sensibilidade é de 75%; acima dos 50 anos, a sensibilidade é de 90%.

2. Menos de 50 anos, 640 mamografias anormais foram confirmadas com 17 cânceres, a razão FP/TP é 623/17 = 36,7.

Acima dos 50 anos, 100 mamografias anormais, foram confirmadas 14 cânceres; a razão FP/TP é 86/14 = 6,1. Expressando-os como valores previstos positivos, teremos respectivamente: 17/640 x 100 = 2,7% e 14/100 x 100 = 14%.  


Slide47 l.jpg

Exercício de mamografia (Mamógrafo) (continuação) inicialmente

3. Menos de 50 anos, a incidência é de 1,42/1000/ano (baseado em 37 mortes em 10000 em 10 anos).

Acima dos 50 anos, a incidência é de 2,5/1000/ano (baseado em 1/40/10 anos). MORTALIDADE – 0,67/1000/ano (baseado em 1/150 em 10 anos).


ad