vi ses e fatores de confus o n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Viéses e Fatores de Confusão PowerPoint Presentation
Download Presentation
Viéses e Fatores de Confusão

Loading in 2 Seconds...

play fullscreen
1 / 36

Viéses e Fatores de Confusão - PowerPoint PPT Presentation


  • 94 Views
  • Uploaded on

Viéses e Fatores de Confusão. George W. Rutherford, M.D. Sexta-feira 07/11/03 CEARGS. Erros na Pesquisa Ameaçam o seu Estudo. Erros ameaçam a possibilidade de generalização dos resultados Erros no desenho e implementação

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 'Viéses e Fatores de Confusão' - powa


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
vi ses e fatores de confus o

Viéses e Fatores de Confusão

George W. Rutherford, M.D.

Sexta-feira 07/11/03

CEARGS

erros na pesquisa amea am o seu estudo
Erros na Pesquisa Ameaçam o seu Estudo
  • Erros ameaçam a possibilidade de generalização dos resultados
  • Erros no desenho e implementação
  • Uma função do investigator é minimizar os erros e aumentar a possibilidade de generalização dos resultados
cinco raz es que podem explicar uma associa o epidemiol gica
Cinco Razões que Podem Explicar uma Associação Epidemiológica
  • Chance (erro aleatório)
  • Viés (erro sistemático)
  • Efeito-causa
  • Confusão
  • Causa-efeito
duas fontes de associa es esp rias
Duas Fontes de Associações Espúrias
  • Erro aleatório = chance (a)
    • A variável não tem sempre o mesmo valor quando é medida várias vezes
  • Erro sistemático = viés
    • A variável não representa um valor que é verdadeiro
a rela o entre erros precis o e exatid o
Erros aleatórios ameaçam precisão

Contribuídos por

O observador

O participante

O instrumento

Erros sistemáticos ameaçam exatidão

Contribuídos por

O observador

O participante

O instrumento

A Relação entre Erros, Precisão e Exatidão
a diferen a entre precis o e exatid o
A Diferença entre Precisão e Exatidão

Erro sistemático é o resultado da falta de exatidão

  







Boa precisão Má precisão Boa precisão Má precisão

Má exatidão Boa exatidão Boa exatidão Má exatidão

erros sistem ticos em pesquisa e como evit los
Erros Sistemáticos em Pesquisa e como Evitá-los
  • Erro aleatório = chance (a)
    • Melhorar o desenho do estudo
    • Aumentar o tamanho da amostra
    • Aumenta a precisão (precision)
  • Erro sistemático = viés
    • Melhorar o desenho do estudo
    • Aumentar exatidão (accuracy)
chance
Chance
  • Problema comum a todos estudos quando se utiliza uma amostra
  • Duas posibilidades
    • Falta achar uma associação que já existe (Erro do tipo II)
    • Achar uma associação que não existe (Erro do tipo I)
  • A mesma solução para ambos - aumentar o tamanho de amostra!
erro sistem tico
Erro sistemático
  • Erro sistemático é quando se acha um resultado incorreto por causa de viés
  • Erro sistemático diminui a exatidão dos resultados do estudo
  • Erros sistemáticos podem ocorrer na amostra (erro de amostragem) ou nas medidas (erro de medida)
fontes de erro sistem tico
Fontes de Erro Sistemático
  • Amostragem
    • Quando a amostra não representa a população alvo
    • Viés de participação
      • Alguns participantes são excluidos sistematicamente
generalizabilidade sele o de participantes
Generalizabilidade: Seleção de participantes
  • A amostra do estudo não é bem representativa da população alvo

População Alvo

População

de Estudo

vi s na amostragem
Viés na Amostragem
  • Soluções
    • Amostragem aleatória
    • Evite amostras não aleatórias (como amostra de conveniência)
    • Minimização dos critérios de exclusão (limite a generalizabilidade)
vi s de amostragem exemplos
Viés de AmostragemExemplos
  • Em um estudo de prevalência do HIV em uma população de trabalhadores de sexo, os participantes são escolhidos exclusivamente de uma prisão
  • É representativa? É generalizável?
  • Como tornar a amostra mais representativa?
vi s de amostragem exemplos1
Viés de AmostragemExemplos
  • Um estudo de HSH tem a idade de mais de 30 anos como um critério de exclusão
  • Um outro estudo recruta HSH somente de clubes de HSM jovens
  • São os resultados generalizáveis a toda a população de HSH?
fontes de erro sistem tico medidas
Fontes de Erro Sistemático: Medidas
  • As medidas não refletem as variáveis de interesse
  • Problemas com
    • Os instrumentos
    • Os questionários
    • Os entrevistadores
vi s de medidas exemplos
Viés de Medidas:Exemplos
  • Um balança é 1 kg mais pesada por cada participante
  • Os participantes não entendem uma pergunta do questionário
  • Um entrevistador pergunta um item incorretamente, consistentemente
casos especiais de vi s estudos de caso controle
Casos Especiais de Viés:Estudos de Caso-controle
  • Viés de amostragem
    • Os casos são amostrados somente de pacientes com a doença diagnosticada
      • Ex: amostras de pacientes com HIV diagnosticado não são representativas de todos os pacients com HIV
    • Encontrar controles da mesma população que os casos
      • Ex: Recrutar controles da mesma clínica que os casos
casos especiais de vi s estudos de caso controle1
Casos Especiais de Viés:Estudos de Caso-controle
  • Viés de medida diferencial
    • Os casos podem lembrar os fatores de risco melhor que os controles
    • Duas soluções:
      • Utilize dados registrados antes do desfecho
      • Cegando
casos especiais de vi s estudos experimentais
Casos Especiais de Viés:Estudos Experimentais
  • Cegamento correto reduz os erros sistemáticos
  • Tipos de cegamento
    • Do investigador, que designa o grupo de intervenção
    • Do participante
    • Do observador, que mede o desfecho
a import ncia de cegamento exemplos
A importância de Cegamento:Exemplos
  • Um investigador designa participantes que ele sabe ser mais doentes que o grupo de intervenção
  • Os participantes designados ao grupo placebo aprendem a seu designação e param o tratamento porque acreditam que não vai beneficiá-los
  • Os investigadores sabem o grupo de intervenção quando eles designam o desfecho
estudos observacionais
Estudos Observacionais
  • Porque os fazemos?
  • Quando ensaios randomizados não são factíveis ou práticos
    • Não éticos
      • Exposição dos controles a desfechos ruins
    • Não práticos
      • Caros
      • Demasiado longos em tempo
      • A pergunta de pesquisa é demasiado estreita
  • Precisamos estabelecer a relação temporal entre causa e efeito e controlar confusão
evid ncia de causalidade em estudos observacionais
Evidência de Causalidade em Estudos Observacionais
  • Força da associação
  • Consistência de resultados em vários estudos de vários desenhos
  • Causa precede efeito
  • Força da associação aumenta com a exposição (dose-resposta)
  • Plausividade biológica

Critérios de Bradford-Hill

efeito causa
Efeito-Causa
  • Quando a variável de desfecho precede a variável de predição
  • Problema com estudos transversais
  • Soluções
    • Estudos de cohorte
    • Estudos de caso-controle
slide28

Comporamentos

sexuais de risco

HIV

Os compartamentos de risco causam infecção com HIV?

ou

O conhecimento da disponibilidade do tratamento para

o HIV causa comportamentos de risco?

confus o
Confusão
  • Variáveis de confusão estão associadas tanto com a variável de predição quanto a variável de desfecho
  • Uma terceira variável medida ou não medida
slide30

Uso de drogas injetáveis

Comporamentos

sexuais de risco

HIV

O uso de drogas injetáveis está associado com

comportamentos sexuais de risco

(como um resultado da desinibição) e

infecção com HIV

estrat gias para controlar confus o
Estratégias para Controlar Confusão
  • Na fase de desenho
    • Especificação
    • “Matching”
  • Na fase de análise
    • Estratificação
    • Ajuste estatístico
estrat gia 1 especifica o
Estratégia #1: Especificação
  • O desenho do estudo exclui participantes que tenham potenciais variáveis de confusão
    • Ex: Exclusão de fumantes
  • Risco de perda da generalizabilidade
  • Usar frugalmente
estrat gia 2 matching
Estratégia 2: “Matching”
  • Eliquibra variáveis potenciais de confusão entre os casos e os controles
    • “Matching” de participantes individuais ou “matching” por grupo
  • Ex: “match” para idade ou sexo
  • Limitações
    • Às vezes ineficiente
    • Precisa identificar as variáveis de confusão na fase de desenho
estrat gia 3 estratifica o
Estratégia 3: Estratificação
  • Separação de participantes em subgrupos (estratos) com a variável de confusão e sem a variável de confusão
  • Ex: Comparar desfechos entre HSH <25 anos e ≥25 anos de idade
  • Problemas
    • Precisa medir a variável de confusão
    • O tamanho da amostra diminui com cada estrato
estrat gia 4 ajuste estat stico
Estratégia 4: Ajuste Estatístico
  • Abordagem comum que controla múltiplas variáveis de confusão simultaneamente
    • Regressão logística para desfechos dicotômicos
    • Regressão linear para desfechos contínuos
  • Ex: Incluir idade, números de parceiros sexuais, uso de preservativos em um modelo multivariado
  • Problemas
    • Precisa medir a variável de confusão