BIDS II

(Definio e avaliao de testes diagnsticos)

(Turma 7)

Hoje vamos tentar ver como que podemos formalizar, conceptualmente, essa incerteza, de uma
forma transversal em todo o processo que vai da observao at extrao do conhecimento biomdico
e depois, naturalmente sua aplicao na prtica.
Os objectivos para esta aula so: identificar estratgias de formalizao de conhecimento
incerto, reconhecer as representaes quantitativas de conhecimento biomdico, interpretar processos
de amostragem e inferncia na estimao de efeitos e sintetizar e analisar criticamente resultados de
sntese de evidncia.
O que vamos ver como, em cada um dos passos, ns formalizamos a incerteza associada s
estimativas que fazemos e interpetao que fazemos dessas estimativas. Vamos comear por
analizar a incerteza neste ciclo, informao conhecimento deciso; vamos ver como que a
probabilidade pode ser uma medida de interesse para formalizar a incerteza; a amostragem e
estimao na investigao clnica enquanto processo de explicitao da incerteza; a estatstica
inferencial no mbito da generalizao da incerteza- os processos de inferncia estatstica que
fazemos para generalizar esta incerteza-; vamos tambm falar sobre representao de conhecimento
de forma genrica e de que forma a estrutura de representao que ns escolhemos introduz um vis
na prpria representao e procura da incerteza; e por fim a sntese de evidncia que o nosso
objectivo final da gereo de conhecimento que poder redurzir a incerteza para ser aplicado na
prtica
Ento vamos falar o que isto da incerteza e preciso. J falaram de muitos tipos de incerteza
nas ltimas aulas...certamente que agora vamos ter um formalismo para estes termos. Naturalmente
isto nunca so trabalhos isolados, e portanto, muito daquilo que vocs vo ouvir aqui hoje fruto do
trabalho de outros colegas do departamento. Em relao incerteza, desde o sculo XIX ns ouvimos
falar e sabemos que mesmo na prtica cientfica, principalmente aquela que requer e recorre a
observaes de fenmenos, a medio e gesto de incerteza, um processo essencial. De facto,
normalmente esses fenmenos so medidos a partir de factos que so observaes de determinado
fenmeno que queremos dar algum contexto que lhe d algum significado e por isso que vocs j
viram esta pirmide dos dados at ao conhecimento, onde ns temos um processo de seleo e
organizao e raciocnio.
Mas a questo que nos interessa aqui a incerteza, muito mais do que a utilizao da
informao, perceber de que forma essa informao a intercede. E por isso ns temos normalmente
a seleo e organizao, temos por isso processos por exemplo de estimao, habitualmente usados
em anlise de dados, e depois temos como raciocnio processos de remodulao (lembram-se de falar
pelo menos da regresso linear no primeiro ano). E este processo gera-nos ento um plano, aquele
bocadinho de realidade do conhecimento do problema que queremos modular, que pode ser aplicado
depois em mtodos de apoio deciso. Se tudo correr bem, at ao final desta unidade curricular
vocs vo ter passado por todos estes processos e tero visto como se consegue chegar at ao apoio
deciso. Mas neste momento, vocs j sabem que a prtica clnica, aquilo que vos move aqui,
pressupe o uso da evidncia do conhecimento. O centro do paradigma novo a medicina baseada
na evidncia, em que ns temos de conjugar toda a melhor evidncia conjugada, quer ao nvel da
experincia clnica pessoal, quer ao nvel dos estudos da investigao, quer ao nvel dos valores,
necessidades e expectativas do doente.
Mas, ento de que forma a medicina baseada na evidncia pode ser colocada em prtica? H
muitas formas. Como eu gosto de a ver a funcionar tem a ver com um ciclo de informao,
conhecimento e deciso. Ento, esse ciclo parte do princpio que quando vocs esto na prtica com
algum doente, vocs vo gerar informao e essa informao depois gerada em evidncia que gera
conhecimento. Este o ciclo habitual, vocs tm um doente, h uma investigao gerada a partir da
informao gerada por esse doente e geram conhecimento e normalmente at divulgado como um
artigo cientfico. Depois h o outro lado do ciclo, que pegar neste conhecimento, e aplic-lo num
doente que gera uma determinada deciso que usada na prtica e assim fechamos o ciclo que ali
est. Mas a verdade que neste ciclo todo, que pode ser potenciado por diferentes tcnicas e
diferentes abordagens, todo ele tem incerteza em diferentes pontos. Ento onde que ns podemos
identificar a incerteza neste processo? Por exemplo, logo na prtica, h incerteza no que diz respeito
ao grupo de doentes observados, a prpria variabilidade do grupo de doentes que vocs observam vai
gerar incerteza em todo o processo. Mas no s a: quando eu vou medir a medida de interesse,
naturalmente a tambm vou ter alguma incerteza na medio. De igual forma, eu tenho os meu
mtodos de anlise sobre esses dados, e os prprios mtodos de anlise ho- -de ter incerteza e essa
incerteza h-de ter de ser formalizada de alguma forma. Por fim, nesta sequncia do ciclo, temos a
representao do conhecimento que na verdade ela mesmo, dependendo da representao que eu
escolher, eu posso ter melhor ou piores formas de formalizar a incerteza, e esse conhecimento pode
ser mais ou menos incerto. Portanto mesmo neste ciclo todo que ns achamos que um processo
habitual, que j h mecanismos tradicionais para chegar da prtica ao conhecimento, cada um destes
passos gera incerteza e ns temos de saber onde que ela est. Naturalmente, o ciclo de baixo no
livre de incerteza: por exemplo ns quando generalizamos este conhecimento ao aplicar num caso
concreto, habitualmente eu no sei se de facto eu deva generalizar aquele conhecimento para aquele
caso em concreto e mesmo se eu conseguir aplicar ao caso em concreto, eu no sei se a adequao
daquela concretizao daquela deciso, de facto, correta.
H, portanto, incerteza nos vrios pontos do processo. A minha ideia com esta aula tentar
destacar os pontos que identificam incerteza para podermos saber onde atacar e onde encontrar
essa incerteza. Deste modo, a medicina baseada na evidncia pretende reduzir a incerteza deste
passo (passo de baixo), usando guidelines, algoritmos, regras de deciso, sistemas de apoio
deciso como base do conhecimento a aplicar a um doente. Mas esta presume que no processo
anterior h um processo de formalizao de incerteza, e por isso que ns falamos de anlise de
deciso e de modelao estatstica, porque ns vamos tentar formalizar a incerteza que est dentro
daquele processo.
Neste processo h 2 momentos distintos: a deciso clnica (onde importa reduzir a incerteza na
deciso) e a modelao do problema (onde o que importa formalizar a incerteza da deciso). A
formalizao da incerteza passa pelo recurso probabilidade. A probabilidade uma forma formal de
representar a incerteza uma vez que define num valor exacto a incerteza sobre um determinado
binmio ou sobre um determinado evento. E a verdade que a probabilidade a melhor forma de
definirmos lgica, quando essa lgica no certa. Por exemplo: H determinada probabilidade de
algo acontecer porque tem um determinado factor de risco e essa probabilidade aumenta, para a
anlise deste problema podemos utilizar medidas simples de probabilidade, como sendo sensibilidade,
especificidade, valores preditivos positivos/negativos (matria da aula anterior Probabilidade
condicionada) e medidas de frequncia e associao (propores e rcios de propores).
De uma forma integrada, podemos definir modelos complexos como determinados factores de
risco, que influenciam determinadas doenas, que por sua vez influenciam o aparecimento de
determinados sintomas, ou podemos ainda modelar isto ainda de formas mais complexas como
quais os factores de risco de vrias hipteses em estudo, vrias observaes. Reparem, o que
estamos a modelar um problema mais complexo, no deixando de tentar perceber o que que
influenciou o qu. Ou seja, o que que modifica a incerteza de qu.
Este tipo de modelo pode ser definido por peritos, uma vez que so quem sabe quais so os
factores de risco ou condicionantes de uma determinada doena, os outcomes em estudo e os
sintomas mais relevantes para determinados outcomes. So estes que tambm sabem quais os
factores de risco que esto associados a que outcome e que outcome est associado a um
aparecimento de uma alterao. Mas tambm pode ser definido de forma automtica a partir dos
dados atravs de mtodos que nos levam a perceber o que as observaes nos esto de facto a dizer.
O que nos interessa perceber aqui, que por mais complexo que o modelo seja, ns
conseguimos sempre atribuir a cada parte do modelo um determinado grau de incerteza. E, portanto,
podemos definir neste caso probabilidades marginais, que definem a probabilidade conjunta. E estas
probabilidades, naturalmente uma viso quantitativa, tambm podem ser definidas pela melhor
evidncia disponvel, pode ser o perito, meta-anlises para um determinado valor quantitativo, ou num
estudo original que nos d a evidncia sobre a associao entre um determinado factor e o outcome.
O objetivo de tudo isto que eu possa com um determinado modelo, que me descreve a
incerteza sobre um determinado problema, responder a diferentes perguntas de investigao; eu
quero poder fazer perguntas do tipo de etiologia, de diagnstico, de prognstico, e naturalmente,
dependendo do tipo de pergunta, a prpria representao dos modelos pode ser diferente.
Genericamente, a questo de passar das observaes at a comunicao do conhecimento, envolve
especificar onde que ns estamos mais ou menos incertos sobre alguma coisa. Como vamos
formalizar a incerteza? Vamos comear pela primeira parte: a variabilidade dos doentes, a incerteza
do grupo observado, pois normalmente no conseguimos estudar a populao alvo, nunca tendo
acesso populao toda, tendo assim amostragem. Esta amostragem tem critrios de incluso e
excluso, o mtodo de procura dos indivduos elegveis pode ser aleatrio ou no, e depois o cuidado
no recrutamento dos indivdos para o estudo. Podemos ter amostragens aleatrias, tentando de
alguma forma controlar os erros sistemticos e aleatrios, pode ser uma amostragem simples, pode
ser uma amostragem estratificada, tentando que um determinado factor tenha uma distribuio de
propores equivalente na amostra. Temos amostragem por grupos, onde estes so selecionados
primeiramente em doentes ou no doentes e depois selecionam-se 5 elementos p.ex. Por vezes temos
que recorrer a amostragens consecutivas onde todos os doentes que aparecem tm que ser includos,
ou por quotas, onde temos a estratificao e tentamos preencher as vrias categorias com cada
indivduo. Outra muito comum a amostra por convenincia, onde os indivduos que temos passam a
ser a nossa amostra. Assim, cada uma delas vai permitir ser mais ou menos representativo da
populao, com maior ou menor grau de incerteza sobre aquilo que eu quero mostrar.
Quando passamos para a medio j sabemos que existe a incerteza, quanto mede e o que a
origina, para alm da natural variabilidade dos indivduos. H incerteza na qualidade dos dados pois
eu vou medir alguma coisa. Para se medir a incerteza dessa medio, recorremos a processos que
tentam minimizar os erros aleatrios, por exemplo serem medidas mais precisas, ou seja, medies
consistentes em medies repetidas, ou processos que tentam minimizar os erros sistemticos,
permitindo que aquilo que eu estou a medir seja de facto o fenmeno que estou a medir.
Mas temos vrias formas de analisar se de facto a nossa medio precisa ou nao , se
reprodutvel ou nao . Normalmente, para diminuir a incerteza, temos que lidar com vises de seleo
dos doentes, vises de seleo dos indivduos, vises de informao, vises de memria, vises
associados aos instrumentos de medida tudo o que possa originar erros sistemticos que vo
diminuir a capacidade de garantir a preciso da medio. Os mtodos de anlise tambm no so
necessariamente certos. H assumes que so tomadas no momento da anlise que, se incorrectas,
geram incerteza nos resultados, como tambm podero no ter sido contabilizados os efeitos de
factores de confundimento. Assim, toda a minha anlise poderia gerar um resultado perfeitamente
contraditrio, tal como o exemplo do EAM ajustado para os hbitos tabgicos que demonstrava, at
contrrio, aquele que inicialmente estava a ser demonstrado.
Hoje, interessa-me falar-vos nas incertezas associadas a representaoo, porque as diferentes
formas de representar o conhecimento vo gerar diferentes formalizaes. Genericamente, nao
precisamos de representar o conhecimento, mas se quisermos formalizar, se quisermos representar o
conhecimento, temos que formalizar. Formalizar e transformar em algo que o computador conseguiria
perceber. Usando o exemplo do xadrez, se a tarefa for que deverei mexer a pea para maximizar a
probabilidade de ganhar o jogo, temos computadores que conseguem ganhar aos melhores jogadores
humanos. Mas, se a tarefa for mexer uma pea numa qualquer direo, ento at uma criana de 5
anos realizaria uma melhor tarefa do que o robot, pela destreza com que realiza a tarefa. Portanto,
quando temos tarefas que so facilmente representveis, os computadores so teis. J quando a
representao no fcil ou possvel, deixamos de ter formas automticas para realizar a tarefa e,
portanto, tendemo a caminhar para processos de representao de conhecimento o mais simples
possvel. Por exemplo: Conhecimento certo: indivduos que ressonam tm apneia obstrutiva do sono
 conhecimento e certo e no estou a dar margem de manobras para que isto no seja desta forma.
Posso defini-lo de forma negativa, ou at, defini-lo de forma paradoxal como conhecimento
desconhecido: Indivduos que ressonam podem, ou no, ter apneia obstrutiva do sono. Ou seja, eu
no sei, no h nada que me diga se sim ou se no, mas eu sei que podem, ou no, ter. Eu sei
alguma coisa, mas desconhecida. Obviamente que at Vocs j chegaram a esta altura, sabem
que ns nunca usamos conhecimento certo, no ?! Ns damos sempre algum grau de incerteza ao
conhecimento. Por exemplo dizemos que os indivduos que ressonam tm 70% de probabilidade de
ter apneia obstrutiva do sono ou indivduos portugueses tm 3% de probabilidade de ter apneia
obstrutiva do sono, numa definio de, por exemplo, prevalncia da doena.
Na generalidade, o que fazemos o seguinte: ns temos um determinado problema, por
exemplo, para este caso era: ser que existe associao entre a roncopatia e a apneia obstrutiva do
sono? Temos um problema e queremos arranjar uma soluo para esse problema. Do ponto de
vista informal ns conseguimos arranjar muitas representaes mas, se ns queremos formalizar a
progresso do conhecimento, o que ns temos de fazer representar este problema, arranjar uma
representao do problema que depois saibamos calcular e atingir um determinado resultado e, por
fim, interpretar esse resultado como uma soluo do nosso problema original.
Por exemplo, todos vocs sabem calcular ou sabem interpretar o Odds ratio. Eu para ali queria
calcular o odds ratio entre a roncopatia e a apneia obstrutiva do sono: porque que eu estou a
representar o meu problema na forma de um odds ratio? Por que eu sei calcul-lo e depois sei
interpret-lo. Sei olhar para ele e ver o que ele me est a dizer. O que interessa eu perceber como
que eu vou representar o problema de forma a depois conseguir interpret-lo facilmente. E portanto,
enquanto que o nosso objectivo ao representar conhecimento representar um determinado conceito,
na verdade o que ns vamos acabar por ter uma descrio desse conceito. E a descrio desse
conceito pode ser feita de muitas e variadas maneiras j vimos aqui, por exemplo, estatstica de
frequncia e associao, certo? Tambm existem outras, por exemplo: rvores de deciso - por
exemplo, como viram na semana passada e vamos ver aqui o exemplo mais frente; ou modelo de
influncia da deciso probabilstica, ou outros, ainda mais complexos. Portanto o passo a dar como
que eu vou descrever o meu conceito que aquilo que pretendo representar para mais frente poder
usar no apoio deciso.
Ento, se eu pegar nestas duas principais fontes de incerteza: a variabilidade do grupo de
doentes observados, e a incerteza da representao escolhida, eu vou ter os dois principais focos
onde eu vou conseguir formalizar a incerteza de um determinado coincidente. Isto to mais
importante porque, se ns no formalizarmos de facto essa incerteza, se no tivermos uma medida da
incerteza, a nossa medida, a estimativa de efeito, completamente irrelevante. Qualquer estimativa
que no tenha associada uma medio da sua incerteza , de facto, pelo menos, intil, porque ns
no conseguimos associar uma fora, se quiserem, a essa estimativa que estamos a fazer. E por
isso que surgiram na estatstica processos de estatstica inferencial. Isto : de alguma forma, eu no
tenho apenas uma amostra e quero tirar concluses para uma populao, eu tenho de ter uma medida
de preciso, se quiserem, de incerteza sobre essa estimativa que eu estou a fazer. E nesse sentido
que ns temos os proceessos tradicionais de para uma determinada estimativa, por exemplo, neste
caso uma mdia amostral, ter um erro padro para essa mdia amostral que me indica uma estimativa
e que to mais precisa quanto mais pequeno for esse erro padro. Naturalmente que j sabemos
trabalhar com o erro padro, sabemos que at para as propores podemos seguir exatamente o
mesmo procedimento para calcular um erro padro custa da prpria varincia da amostra que
encontramos. E por fim, tendo em conta o teorema do Limite Central conseguimos fazer a tal
inferncia para a populao, gerando uma medida de incerteza sobre esta estimativa, que
normalmente feito calculando o intervalo de confiana (IC). Sabemos que podemos afirmar com 95%
de confiana, devido forma como fazemos os clculos, que a mdia da amostra observada encontra-
se no intervalo dado pela mdia da populao +/- duas vezes o erro padro. Tambm sabemos que
isto equivalente a dizer que com 95% de confiana podemos afirmar que a mdia da populao
observada se encontra no intervalo mdia amostral +/- duas vezes o erro padro. Portanto temos aqui
uma medida de incerteza para aquela mdia, por exemplo.
Neste momento tenho uma pergunta: Uma amostra de 100 bebs apresentava um peso ao
nascimento mdio de 3200g. Os investigadores reportaram igualmente que o intervalo de confiana a
95% para a mdia era IC95% = [3160,3240]g. Ou seja, com 95% de confiana, a verdadeira mdia da
populao est dentro daquele intervalo.

Podemos afirmar que (escolha a correcta):

A) Se realizarmos repetidamente amostragens desta populao, os intervalos de confiana assim

calculados contero a verdadeira mdia da populao 95% das vezes;
B) A verdadeira mdia da populao est com certeza entre 3160g e 3240g;
C) Existe 95% de probabilidade de a verdadeira mdia da populao estar entre 3160g e 3240g;
D) 95% dos bebs da minha amostra pesavam entre 3160g e 3240g pelo que tenho 95% de
probabilidade de encontrar a verdadeira mdia da populao nesse intervalo;

Aluno: a A.
Quem vota na A?12, 10, 12...ok, quem vota na B? Quem vota na C? 20 e qq coisa... Alnea D? Na
verdade, aquilo que vocs normalmente interpretam como IC a alnea C, que est errada. A alnea
correta a alnea A. A estatstica inferencial baseia-se no princpio de que a verdadeira mdia da
populao existe, tem um valor, um parmetro. Portanto, no pode haver uma probabilidade dela
estar ou no num stio. Ela existe, est l. O que ns sabemos que se repetirmos esta experincia
vrias vezes, em 95% das vezes, o intervalo calculado vai ter a verdadeira mdia da populao. E a
questo aqui est no termo confiana. Reparem que no um intervalo de probabilidade. um
intervalo de confiana. Porque ns no temos confiana naquele intervalo, ns temos confiana no
mtodo que gerou aquele intervalo. Portanto, ns temos confiana no mtodo. E portanto,
importante percebermos que esta uma estimativa, uma formalizao da incerteza, mas que
quando a vamos interpretar temos que a interpretar como deve ser. Ento, mas se ns temos
estimativas, temos estimativas para qu? Bom, habitualmente temos estimativas de frequncia, de
efeito, de impacto... Ns temos medidas de frequncia como por exemplo a prevalncia ou a
incidncia. Na prevalncia temos, por exemplo, o nmero de casos numa determinada amostra da
populao. uma proporo. D-nos uma estimativa da prevalncia. Temos a incidncia, que j nos
representa o nmero de casos novos num determinado grupo de pessoas em risco, o que nos d uma
noo de risco, para aquele grupo, de desenvolver uma determinada doena. Por exemplo, neste
caso, cerca de 5% desenvolvem cancro da prstata em 1000 homens que foram seguidos durante 10
anos. Para todas as medidas temos (??) que so taxas que so necessrias quando ns no temos o
seguimento completo para todos os indivduos ao longo do perodo de seguimento. E temos de levar
em linha de conta o tempo de seguimento de cada indivduo tambm. Existem estimativas e, para
cada estimativa, existem naturalmente os correspondentes erros padres, intervalos de confiana, que
l est, d estimativa de preciso. Vocs dizerem que a prevalncia 5% no me diz nada se no me
disserem qual o intervalo de confiana, qual a estimativa da incerteza da vossa estimativa que
vocs associam estimativa que me esto a dar. Normalmente temos mais do que isso. Temos
medidas de associao. E ento, para as medidas de associao, temos diferenas de riscos, ou seja,
risco atribuvel, temos medidas absolutas que me do ... , tambm temos medidas relativas como o
risco relativo, a razo de taxas, etc.. Todas elas so calculadas ou como propores ou como rcios
de propores. Portanto, d-nos a probabilidade que estar l a ser metida. Todas as medidas que at
alguns de vocs j tiveram que analisar no artigo desta semana, outros vo analisar s na prxima
semana. Noo relativa de risco, number needed to treat, etc. so tudo estimativas muito simples.
Portanto, se ns no tivermos uma noo da incerteza associada a esta estimativa, de facto temos
muito pouco conhecimento aqui metido. Mas se tivermos a tal medida de incerteza, ento a sim temos
uma representao muito mais poderosa. Naturalmente que para estas tambm temos os
correspondentes erros padres e intervalos de confiana.
Uma nota s em termos de medidas de impacto populacional: ns podemos em termos de
medidas de efeito traduzi-las em impacto populacional. Por exemplo, em relao ao risco atribuvel, se
ns tivermos em linha de conta a prevalncia da doena, se ns tivermos uma estimativa relativa para
a prevalncia da doena, podemos ter uma noo do impacto na populao que uma determinada
teraputica pode ter, tendo em conta o risco atribuvel que ns obtemos num determinado estudo. Mas
isto, naturalmente, tem problemas. Nem sempre as contas podem ser to simples. Por exemplo,
quando os estudos no so prospetivos j no podemos calcular risco, j no h bem a noo de risco
se o estudo for, por exemplo, estudo caso-controlo. J no podemos calcular o risco. Estimamos a
partir do odds ratio e naturalmente vamos tambm calcular as percentagens de risco atribuvel e de
risco atribuvel populacional custa do odds ratio. O odds ratio uma estimativa, logo, tem erro
padro, tem formas de calcular o intervalo de confiana. Mas depois pegamos nisto e transpomos para
a deciso. essa a parte que vos interessa... temos uma determinada estimativa, como que
fazemos? J ouviram nas duas ltimas aulas, aqui est s um exemplo para recordar. Temos por
exemplo uma mulher de 30 anos que est grvida de 7 meses com dor do lado direito do peito, tem
respirao, tem tambm o pulso acelerado e h uma suspeita de embolia pulmonar, a perfuso no
conclusiva, portanto a deciso : dou ou no dou anticoagulante. Tenho de gerir o risco da morte por
embolia ou da morte por hemorragia pelo anticoagulante. Como que ns fazemos isso? Vamos
buscar as representaes do conhecimento, que ns vamos usar a mais simples para j: temos a
prevalncia da embolia pulmonar em idade, estes so os sintomas, temos o risco de morte associado
a cada possibilidade: dou anticoagulante, tem ou no tem embolia pulmonar. O que eu preciso de
calcular o risco de morte em cada uma das polticas de atuao - com e sem anticoagulante. E
basicamente vocs aprenderam a fazer isto na ltima aula: para 2 casos, calculo a probabilidade
condicional, chego a um risco de morte de 0,84% para este caso, 4,75 para no dar anticoagulante,
portanto a deciso aqui ser (alunos respondem dar) se a deciso for minimizar o risco de morte.
Depende sempre da utilidade que estamos procura, mas aqui neste caso sugeriam o qu? Uma
forma de representar o conhecimento um bocadinho mais interessante foi aquela que vocs j
aprenderam que o uso de rvores de deciso, onde est exatamente a mesma conta que foi ali
efetuada. Ela pode ser feita na rvore de deciso, chegando ao final com a deciso de dar
anticoagulante. Ns podemos ter por exemplo outras representaes, neste caso, probabilsticas,
onde ns vemos (?) aleatrio: ter ou no ter embolia pulmonar e a mortalidade, e ns tomamos a
deciso: eu dou ou no dou anticoagulante, e isso vai ter influncia nas probabilidades, vai haver
modelos... o formalismo de representao diferente, mas os valores so exatamente os mesmos. Ou
seja, a probabilidade est l sempre por trs a guiar-nos o caminho, se quisermos Ok, diferentes
representaes, o que que eu escolho? Bom, cada representao vai ter mais ou menos
conhecimento l guardado. Por exemplo, um nmero tem certamente menos conhecimento guardado
do que uma rvore de deciso, mas tambm ele mais fcil de interpretar e, portanto, dependendo do
tipo de interpretabilidade que ns queremos, podemos escolher mais uma representao ou outra.
Quanto mais interpretveis forem as representaes, se calhar menos quantidade de conhecimento
tm; quanto mais conhecimento tiverem, menos interpretveis sero. Algum se lembra da resposta a
esta pergunta? H uma representao que o Pi, que tem o conhecimento todo, no ? O Pi no
um nmero natural, o Pi um nmero irracional. O que que isso quer dizer? Com a combinao de
nmeros que est l dentro, se fizermos uma traduo de nmeros para letras, qualquer um dos
nossos nomes est l contido algures no pi, todos os lusadas esto l escritos, qualquer um dos
vossos livros de texto est l escrito dentro do Pi. Portanto, todo o conhecimento est l. til para
alguma coisa? No! E a questo mesmo essa. Ns podemos ter representaes com muito
conhecimento, mas se no conseguirmos interpretar esse conhecimento luz tambem da incerteza
que l est no nos serve de muito.
Ento, como que eu posso fazer esta tentativa, que algo que nss tentamos sempre fazer?
Eu quero saber tudo sobre alguma coisa, quero representar tudo sobre alguma coisa. Por isso posso
usar o pi, certo? Eu quero representar alguma coisa que seja de forma til. Onde que vocs vo
buscar neste momento conhecimento biomdico para tomarem a vossa deciso? Aos trabalhos, aos
estudos desenvolvidos, aos artigos cientificos. Se eu quiser saber tudo sobre algum problema, eu vou
ter de encontrar todos os artigos cientficos que falam sobre alguma coisa. Ento, para isso eu vou ter
de ter uma representao agregada do conhecimento que est espalhado por vrios locais e nesse
sentido ns vamos tentar combater o vis de publicao. Medicina baseada na evidncia. Esta noo
que ns temos que, de facto, os resultados publicados so normalmente os positivos, se tiverem
resultados de no efeito por exemplo, com baixa preciso, com intervalos de confiana muito baixos,
dificilmente um resultado desses publicado, a no ser que esteja associado a outro que de facto
significativo e acaba por ser publicado na mesma, mas dificil ter a evidncia de todo o conhecimento.
Mas vamos tentar,ok? E a nossa melhor forma de tentar de facto aplicar os mtodos de sntese,
tentar combater o aumento da proliferao da evidncia sobre determinado problema usando um
mtodo, que por um lado sinttico e por outro analtico, de tentar agregar a evidncia numa s
representao. Para isso necessrio, obviamente, extrair vrias informaes sobre os estudos, mas
antes disso preciso seguir um processo de reviso sistemtica, isto , seguir um processo
abrangente, explcito e reprodutvel, para a pesquisa dos estudos, a seleo dos estudos, a avaliao
dos estudos, a apresentao dos estudos, a sntese da evidncia e a anlise final dessa evidncia.
Este tipo de estudo como vocs j sabem considerado o estudo com maior nvel de evidncia, se for
uma reviso sistemtica de ensaios clnicos randomizados, porque principalmente tem estes dois
objetivos: primeiro sintetizam a evidncia toda de forma a reduzir a incerteza. Ns queremos reduzir a
incerteza, mas tambm tm uma perspectiva analtica. De facto, vo fazer anlise sobre todos os
dados que tm. Vantagens: 1) Ler uma meta-anlise, reviso sistemtica, muito mais eficiente do
que tentar encontrar todos os artigos; 2) tm os tais objetivos analticos; 3) as estimativas que advm
da meta-anlise tm maior poder e preciso, logo menos incertezas; 4) a abordagem sistemtica e
padronizada, logo reprodutvel, eu posso reproduzir aquilo que foi a escolha dos artigos dos autores
de uma reviso sistemtica e por isso posso generalizar os resultados dessa reviso . Naturalmente
no vou ultrapassar as limitaes dos estudos em que se baseiam. Se isto for uma reviso sistemtica
de RCT, naturalmente tem um nvel mais elevado, mas se for uma reviso sistemtica de estudos
coorte naturalmente a evidncia j menor, se for de estudos caso-controle ainda mais baixo o valor
da evidncia.
Como que a reviso se processa? Genericamente, tem uma fase de formulao da questo
(a pergunta de investigao, via PICO); depois definem a estratgia de pesquisa ( onde que vo
procurar os artigos e como); definem os critrios de seleco; selecionam os estudos; extraem os
dados; avaliam a qualidade dos estudos; processam e analisam os dados; e finalmente, divulgam os
resultados. Este o processo genrico.
O que nos interessa aqui a parte da sntese, que a parte da diminuio da incerteza. Como
que eu fao isso? Imaginando ter uma reviso sistemtica que encontrou 3 estudos, eu pego nesses
estudos e descrevo as suas caractersticas metodolgicas, os critrios de qualidade para cada
estudo, que resultados que encontraram. Estou assim a fazer a sntese da vria evidncia que est
espalhada pelos vrios estudos. Neste caso temos s 3 estudos, no havendo nenhum limite para o
nmero de artigos necessrios para publicar uma resviso sistemtica, podendo fazer-se com apenas
dois estudos uma reviso sistemtica com meta-anlise porque o que interessa o mtodo, o
processo que vos levou a chegar at a esses dois estudos. Depois fazemos uma sntese quantitativa,
que aqui que vamos reduzir a incerteza. Como? Identificando e registando as medidas de efeito
(p.ex. OR dos estudos), indo ver o valor de estimativa pontual de cada estudo e a sua medida de
preciso, neste caso o IC e vou pegar nisso e vou fazer meta-anlise, vou analizar cada um destes
valores de forma agregada. Como que isto se faz? Vamos ver este exemplo:
Numa praa:
5 amigos conversam sobre a temperatura ambiente.
3 outras pessoas discutem exactamente o mesmo.
Como habitual, gostamos de discutir sobre o tempo mas nunca concordamos com nada, no h
consenso. Ento decidiram calcular a mdia:
Grupo A: 23 (5 estimativas)
Grupo B: 21 (3 estimativas)
A pergunta de sntese que fao Qual a temperatura na praa? O que vocs respondem?
22, a mdia dos dois grupos? Mdia ponderada, como a mdia de curso ponderada em ECTS? Nesse
caso ficaria 22.25, dando mais peso ao grupo com 5 estimativas do que o de 3. Haver alguma forma
mais inteligente de fazer isto? Imaginem que (e na meta-anlise normalmente no sabemos) no
sabemos as medidas de cada pessoa, sabemos apenas a estimativa da incerteza, o IC de cada
estudo ou o erro padro associado a esse.
Neste caso os valores e disperso dentro de cada grupo:
Grupo A: 23, 21, 20, 27, 24.; : dp = 2.74
Grupo B: 21, 22, 20.; dp = 1
Se eu calcular a disperso dentro de cada grupo, a disperso aqui 2,74 e a disperso aqui
1. O desvio padro... Certo? Em qual das estimativas que confiamos mais agora? Na B. Uma forma
grosseira de fazer a agregao dos efeito ponderar agora pelo inverso desta varincia, certo? Pelo
inverso da incerteza. Quanto mais incerto for uma estimativa menos peso eu lhe vou dar. E
chegaramos neste caso a um valor de 21,5 que menos que a mdia simples dos dois valores. Estou
a dar mais peso ao grupo que tinha uma preciso maior. Isto uma forma grosseira de por as coisas.
Dvida: Sr. Professor, mas fcil em grupos pequenos agregar a preciso...
Resposta: Claro, por isso que tambm quando h um aumento da amostra isso vai significar um
aumento da preciso que ns damos a essa amostra, para tentar compensar tambm esse caso.
Ento normalmente o que que ns fazemos? Vamos agregar as medidas de efeito pela
incerteza associada a cada uma das estimativas. Como que fazemos isso? Vocs encontram na
literatura, na meta-anlise, modelos de efeitos fixos e modelos de efeitos aleatrios. Certamente quem
j teve aula prtica sabe do que que eu estou a falar, quem no teve, sabe na mesma...Ento o que
que ns fazemos no modelo de efeitos fixos? Assumimos que todos os estudos estudam a mesma
populao. A mesma populao de estudos, portanto a variabilidade em que eu me encontro tem que
ser s devida aleatoriedade da escolha dos estudos, e portanto eu vou s ponderar o inverso da
varincia, a variabilidade desse estudo... vamos falar em disperso, de uma forma genrica, certo?
No modelo de efeitos aleatrios eu tenho que ter em conta que os estudos tem alguma
heterogeneidade, e ento vou ponderar tambm de forma genrica pela heterogeneidade dos estudos.
A forma de clculo exata no tem que saber, no vamos falar sobre isso aqui, no tem interesse para
o caso. Interessa-me saber que h dois tipos de anlise, quando ns assumimos que no h
heterogeneidade dos estudos ou quando assumimos que de facto h heterogeneidade dos estudos, e
isso pode ser visto analisando os forest plot.
Forest plot so aqueles grficos em que ns temos uma estimativa pontual e uma linha para
cada estudo e temos a medida agregada no final; por exemplo temos aqui um forest plot para doentes
com colite ulcerosa, um trabalho que publicamos para a extenso da doena como preditor da
colectomia. E temos uma anlise que de subgrupos (colectomia devido no resposta ao tratamento
ou colectomia por outras razes dependentes da doena) e podemos ver aqui as medidas agregadas
para cada subgrupo. Cada estudo aparece com a sua indicao da disperso e a estimativa pontual.
O tamanho do quadradinho o peso que aquele estudo que tem na medida agregada final, e temos a
medida agregada final de cada subgrupo (diamante) e a medida agregada final de todos os grupos.
Por exemplo, neste caso podemos ver que eles so um bocadinho mais homogneos que neste caso,
certo? E de facto, olhando ali para as medidas de heterogeneidade, vemos o i2 (i quadrado) ainda
abaixo dos 50, s acima disso que est de alguma forma associado heterogeneidade, mas este
est claramente acima. O teste qui-quadrado, neste caso est significativo, neste caso no, assumindo
uma significncia de 5%. Havendo heterogeneidade, ns temos que identificar porque que h
heterogeneidade, o que originou essa
heterogeneidade, e se ns a podemos compensar por anlise de efeitos aleatrios. Esta
heterogeneidade pode advir do simples facto de usarmos diferentes metodologias, ou haver
heterogeneidade apenas devido a termos encontrado uma amostra um bocadinho mais estranha, que
um dos pontos de incerteza da heterogeneidade da amostragem. Para vermos melhor de que forma
que tudo isto tem impacto na medida de agregao de efeito, os funnel plot so uma medida, um
grfico muito interessante, que nos permite ver onde que cada estudo se resume.
Aqui na linha do meio temos o efeito da medida agregada do nosso estudo. Se no houvesse
heterogeneidade, estariamos espera que os meus estudo que eu encontrei estivessem aqui volta,
no ? Nos estudos com maior preciso, vo estar mais prximos da medida agregada, os com
menos preciso estariam mais afastados, portanto deviam estar dentro do funil. Reparem que no h
apenas estudos fora do funil, como tem aqui uma tendncia para os estudos com maior preciso
estarem mais prximo do ponto de no efeito. Portanto h aqui algum vis tambm. medida que eu
vou tendo mais preciso nos estudos, menos incerteza, eles do-nos menos efeito. Olhando para aqui,
ento parece-me que esto a faltar aqui alguns estudos. Deveriam existir aqui alguns estudos para
compensar estes, deste lado, que obteriam prximo do no efeito e muita incerteza, so os tais
estudos que normalmente nem so publicados. Eu consigo olhar para este grfico e perceber que
faltam estudos que no foram publicados ou no os encontrei, no consigo distinguir. Mas se vocs
forem ver na aula desta semana por exemplo, uma meta-analise, e os autores procuram, no s em
artigos publicados, mas em atas de conferncia porque, por exemplo, ns nas conferncias podemos
publicar dados no to relevantes, que depois at acabam por no ser publicados nas revistas, mas
ns podemos ter acesso aos dados, podemos contactar os autores e com isso tentar compensar este
vis de publicao que se nota aqui. Naturalmente, este daqueles casos que deve ficar registado,
porque um dos poucos casos em que os hbitos tabgicos so protetores para alguma coisa, no
caso da colite ulcerosa. Nesta meta-analise ns chegamos a um odds ratio menor do que 1.
S para terminar, h ali heterogeneidade, eu disse-vos que havia estudos que tinham ficado
fora, ser que ns conseguimos quantificar que impacto que cada estudo pode ter, at que ponto
pode estar a desviar a medida agregada? Podemos, vamos ver como. Reparem neste forest plot que
representa o impacto dos sistemas de apoio deciso clinica na morbilidade dos doentes. Chega
concluso pelo modelo de efeitos aleatrios que significativo e protetor, com um risk ratio de 0,82.
Eu olho para ali e parece-me haver alguma heterogeneidade no estudo, uns para um lado e outros
para o outro, e quero ver exatamente como essa heterogeneidade, se h algum estudo de facto a
modificar alguma coisa. O que fao? Calculo a medida agregada, tirando vez cada um dos estudos e
mostro-vos na mesma num forest plot; ou seja, aqui eu tenho a medida agregada e se eu tirasse aqui
este estudo da minha anlise, aqui retiro este estudo da anlise, aqui retiro este,ok? consigo olhar
para aqui e ver se h algum estudo que me modifique a estimativa de incerteza que eu tenho em
relao minha medida agregada. De facto, aqui h vrios que quando so retirados, os resultados
deixam de ser estatisticamente significativos, ou seja, h de facto ali alguns estudos que, por estarem
l ou no, me esto a criar heterogeneidade nos dados, logo tenho mais incerteza de que de facto,
esta medida agregada semelhante ou aproximada da que na verdade existe ou que estou espera
que exista. Este o processo tradicional que devemos seguir para depois de formalizar a incerteza em
estimativas de preciso: tentar reduzi-la para depois entrar no ciclo (na parte inferior do ciclo) onde
vamos correlacionar a incerteza da generalizao da aplicao e a incerteza da aplicao da
concretizao da deciso. Mas isso um passo mais frente porque ja um passo de reduzir
incerteza de que vamos falar depois.
Para terminar, falar de algo que no se aplica apenas incerteza nas medies mas
incerteza sobre tudo o que nos rodeia, e de facto, no ter medo da incerteza! Ns no temos de ter a
certeza de tudo temos de formalizar a incerteza.