Sonia Vieira

Um pouco de Filosofia (1)

2009-06-30T06:20:00.001-07:00

Toda discussão sobre História e Filosofia da Ciência perpassa, obrigatoriamente, nos trabalhos de Thomas Samuel Kuhn (1922-1996) que, entre outros livros, escreveu A Estrutura das Revoluções Científicas (2), traduzido para o português e reconhecido como uma das mais importantes contribuições para a área. Na filosofia de Kuhn, o conhecimento científico não se forma como um imenso quebra-cabeça – as peças não são juntadas para depois serem cuidadosamente encaixadas. Ao contrário: o conhecimento científico cresceria linearmente por longos períodos e, repentinamente, ocorreriam grandes mudanças que ele chamou de “revoluções científicas”.

Para Kuhn, a prática científica se alternaria entre períodos de “ciência normal” e períodos de “revolução científica”. Nos períodos de “ciência normal”, os cientistas compartilhariam dos mesmos conhecimentos e do mesmo modo de pensar, além de estarem comprometidos com a mesma maneira de fazer ciência. Portanto, ciência normal implica pesquisa fundamentada em conquistas científicas consagradas por determinada comunidade de cientistas.

Todos nós aprendemos – seja em laboratório, nos livros ou em manuais como solucionar problemas desde o início de nossa educação científica, Os exemplos modelares seriam as que. Mostrariam o bom uso da teoria científica e estabeleceriam o consenso entre os cientistas, servindo como guias para as pesquisas. A busca de solução para novos problemas, que Kuhn chamou de enigmas (em inglês, puzzles), se faria por meio de técnicas apresentadas nos exemplos modelares (em inglês, exemplar).

A pesquisa científica seria orientada, então, não apenas por teorias, no sentido tradicional desse termo (coleção de leis e conceitos), mas por algo mais amplo, o paradigma. Mas o que é paradigma?

Em 1970 (3), Kuhn conceituou paradigma (4) como “um conjunto inteiro de crenças, valores, técnicas e tudo o mais que é compartilhado pelos membros de uma dada comunidade”. , mas, mais adiante, explicou que “paradigmas (são) soluções reais de enigmas que, usadas como modelos ou exemplos, podem ser tratadas como se fossem regras explícitas e servir de base para a solução dos demais enigmas da ciência normal”.

Para entender o que é paradigma, talvez seja importante reconhecer que esse conceito está associado ao conceito do que é ciência normal e o que é revolução científica. Se uma conquista científica foi suficientemente original para atrair um grupo de bons cientistas, a ponto de fazê-los abandonar o paradigma anterior, e se essa conquista tem espaço para motivar a busca de soluções para problemas que não tinham solução satisfatória no paradigma anterior, então você está diante de uma “revolução”: rompeu-se um paradigma e, a partir daí, a ciência evoluirá normalmente por certo tempo, dentro de novo paradigma. O paradigma deve trazer, em seu bojo, espaço para novas descobertas, pois é disso que depende seu sucesso. A ciência normal se encarrega, depois, de tais descobertas.

Um exemplo de mudança de paradigma é a que ocorreu quando foi feito o primeiro transplante de coração, órgão que mexe com a imaginação das pessoas porque é símbolo das emoções. Quando Christian Barnard (5) substituiu o coração de um homem pelo coração de outro, mostrou ao mundo que uma pessoa pode viver com o coração de outra. Exibiu não apenas um resultado – mas abriu espaço para muita controvérsia e, depois, para inúmeras pesquisas sobre transplantes de órgãos. Rompeu-se um paradigma – não é preciso morrer quando o coração morre – e, em seu lugar, surgiu outro: órgãos podem ser transplantados.

A palavra paradigma criou, porém, vida própria. Aliás, Kuhn reconheceu que o conceito sobre paradigma escapou ao que ele próprio havia, de início, pensado. Mais recentemente, a palavra paradigma tem sido usada para nomear um conjunto de práticas que definem o comportamento dos cientistas durante determinado período de tempo. Em determinada ciência você tem um paradigma quando sabe exatamente:
• As verdades estabelecidas.
• O que pode ser observado e examinado.
• Quais são os tipos de questões que podem ser feitas e pesquisadas para obter respostas sobre o assunto.
• Como essas questões devem ser estruturadas.
• Como os resultados das pesquisas científicas devem ser interpretados.

São exemplos famosos de paradigmas: as leis de Newton, que explicam a atração e o movimento dos corpos; a teoria de Einstein, que estabeleceu a lei da relatividade; a astronomia de Ptolomeu com seus modelos de planetas girando em torno da Terra e a astronomia de Copérnico, com seus modelos de planetas girando em torno do Sol.

Essas teorias serviram como modelos para a pesquisa científica de suas épocas, ditando as leis que seriam válidas, o tipo de questão que poderia ser levantada, o tipo de solução que poderia ser proposta; o método de pesquisa que poderia ser usado. O paradigma é, portanto, uma “visão de mundo” da comunidade científica em determinada época (6).

É grande a força de um paradigma, isto é, do que Kuhn chamou de “conjunto inteiro de crenças, valores, técnicas e tudo o mais que é compartilhado pelos membros de uma dada comunidade científica”. Isto explicaria porque as revoluções científicas são raras. Na maior parte do tempo, a ciência exibe aderência ao paradigma. Os enigmas propostos para os cientistas resolverem estão circunscritos ao paradigma, que fornece as ferramentas para solução. Só quando é perdida a confiança na capacidade de o paradigma resolver casos discrepantes – chamados “anômalos” – a ciência entra em crise. Abre-se, então, caminho para uma revolução científica e para a construção de um novo paradigma.

Mas quando isto acontece – a mudança de um paradigma – muita coisa também muda: a forma de um cientista ver o mundo; os critérios para selecionar os problemas importantes; as técnicas de pesquisa; a maneira de interpretar fenômenos; os critérios para avaliar teorias. E como podem ser comparados paradigmas, se cientistas que aderem a paradigmas diferentes têm visões diferentes do mesmo fenômeno (enquanto um vê o Sol girando em torno da Terra, o outro vê a Terra girando em torno do Sol)?

Quando emerge um novo paradigma, a estrutura de toda a comunidade de cientistas é afetada. A aceitação de um novo paradigma – pelo menos por algum tempo – não se deve apenas aos recursos lógicos ou às evidências, experimentais ou não. Às vezes, chega ser impossível justificar a preferência de um cientista, ou de um grupo de cientistas, por determinado paradigma. Os que defendem o novo paradigma podem fazer propaganda e buscar novos adeptos pela conversão ou, simplesmente, esperar que os mais renitentes morram. Mas sempre haverá um tempo de acomodação.

Por outro lado, há quem reconheça uma mudança de imediato. Por exemplo (7), o dentista Horace Wells (1815-1848) foi, indubitavelmente, quem primeiro usou anestesia em intervenções cirúrgicas. Na época, não foi reconhecida a importância da proposta. Mas – para demonstrar o efeito anestésico do éter sulfúrico – um aluno de Medicina de Harvard, que era dentista e praticava a Odontologia para pagar seus estudos, pediu ao professor de Cirurgia para anestesiar um paciente que seria submetido a uma amputação da perna no Hospital Geral de Massachussets. Isto foi feito em 1846. O paciente não demonstrou qualquer sinal de dor durante a operação, mas a história diz que o professor de Cirurgia John Warren Collins (1778-1856) se emocionou até as lágrimas. Reconheceu de imediato a mudança de rumo na história da cirurgia.

A atividade científica é crítica. Ser crítico implica admitir a probabilidade de erro. Então, dado que é possível que estejamos errados, é preciso procurar evidências para nossos juízos acerca dos fatos. Mais ainda, é preciso saber que o que é considerando evidência hoje pode não ser evidência amanhã. Afinal de contas, estamos circunscritos dentro de um tempo e de um lugar, para dizer o mínimo.

(1) Leia mais em Vieira, S. Como escrever uma tese. São Paulo: Atlas. 6ªed. 2007.

(2) Kuhn, T. S. The Structure of scientific revolutions. 3ª ed. The University Chicago Press, 1996.

(3) Kuhn, T S. The Structure of Scientific Revolutions. 2nd Ed., Univ. of Chicago Press, Chicago & London, 1970, p.175.

(4) Talvez seja importante lembrar que, na tradução brasileira , o conceito de paradigma ficou assim: “realizações (sic) científicas universalmente reconhecidas que, durante algum tempo, fornecem (sic) problemas e soluções modelares para uma comunidade de praticantes de uma ciência”.

(5) KATZ, J. Experimentation with human beings. New York: Russel Sage Foundation. 1973

(6) Não se muda de paradigma facilmente, porque mudar de paradigma significa “adquirir” novos valores (um esforço) e “deletar” valores antigos. Mudar de paradigma não é apenas mudar a técnica, mudar de texto, mudar de aparelho, como pensam alguns – mas ter uma “nova visão do mundo”, que possa ser compartilhada por toda uma comunidade de cientistas.

(7) VIEIRA, S. e HOSSNE, W. S. Experimentação com seres humanos. São Paulo: Moderna, 1986.

Pesquisa

2009-05-14T04:53:00.000-07:00

Quando se fala em pesquisa, a maioria das pessoas pensa, mesmo, nas pesquisas feitas para aferir a intenção de votos em eleições, ou seja, as prévias eleitorais que aparecem exaustivamente anunciadas e discutidas nos períodos que antecedem eleições. Essas pesquisas parecem, porém, fadadas ao questionamento. Há quem pense que elas não informam o eleitor – antes, determinam o voto.
Alguns acham que a maioria dos eleitores não consegue ter opinião própria sobre os candidatos devido ao constante bombardeio das estatísticas. Segundo essas pessoas, o cidadão comum em geral decide votar no candidato com mais chance de vencer – escolhe “votar certo”, ou “votar para ganhar”. A literatura da área já deu até nome para essa possibilidade: é o efeito bandwagon (que significa carro-chefe). Efeito do carro-chefe é, portanto, o aumento na probabilidade de vencer do candidato que, nas pesquisas, desponta, de começo, em primeiro lugar.
Por outro lado, há quem argumente que alguns eleitores, francamente decepcionados com as muitas denúncias de corrupção que sempre aparecem, votariam no candidato com menor chance de vencer – para não ter responsabilidade no que der e vier. Seria o efeito underdog (que significa “lanterninha”). Efeito do lanterninha é, portanto, o aumento na probabilidade de vencer do candidato que, nas pesquisas, desponta, de começo, em último lugar.
Outros levantam a teoria do voto tático ou voto estratégico, conhecido no Brasil como “voto útil”. O eleitor entende o ato de votar como uma maneira de escolher o governante. Se ele perceber, pelos resultados das pesquisas, que o candidato que rejeita deve vencer as eleições, pode escolher votar no segundo colocado, nas prévias, para diminuir a chance do candidato que rejeita.
Mas o eleitor brasileiro talvez coloque a satisfação de suas necessidades básicas em primeiro lugar, na hora de escolher seu candidato . Na expressão dos americanos para a maneira de, eles próprios, escolherem seus governantes, eleitores “votam com a mão no bolso” – e não com a cabeça ou o coração.
As prévias eleitorais são pesquisas de opinião. Outras questões - como avaliação administrativa de governos, imagem dos políticos fora do período eleitoral, aprovação ao governo ou a determinado governante, posicionamento perante um tema de interesse nacional - também são abordadas pelas pesquisas de opinião. Elas são importantes e deveriam ser levadas em conta para a tomada de decisão, na administração pública . Uma pesquisa que ponha a questão “Em sua opinião, qual é o problema que mais urgentemente precisa ser resolvido em nosso país?” pode revelar áreas de preocupação que, eventualmente, seriam apenas vagamente percebidas pelos governantes. Um governo democrático leva em conta as pesquisas de opinião – não apenas a gritaria de alguns grupos.
Mas no Brasil muita gente repete a mesma frase: “Como vou acreditar nos resultados das pesquisas de opinião se eu nunca fui consultado?”. As pessoas se esquecem de que não somos tão diferentes uns dos outros, como às vezes pensamos – sempre pertencemos a alguma tribo. Antes da década de 90 – é verdade - houve vários erros. Por exemplo, em 1974 houve eleições para senador da República. As prévias eleitorais mostravam muito mais votos para os candidatos do governo do que eles realmente receberam. Dada à ditadura militar da época, o erro das prévias eleitorais possivelmente se explica pelo fato de as pessoas entrevistadas terem tido medo de dizer que pretendiam votar contra o governo.
Também ocorreram muitos erros nas prévias feitas por ocasião das eleições para as prefeituras das capitais, em 1985. Tais erros provavelmente se explicam pela grande quantidade de indecisos que apareciam em todas as prévias – talvez porque os candidatos não fossem muito conhecidos. Não tem sentido prever o resultado de uma eleição pressupondo que os votos dos indecisos e dos não querem opinar se distribuirão, pelos candidatos, da mesma forma como o daqueles que, por ocasião das prévias, já se decidiram.
Hoje, porém, a média de acerto dos quatro grandes institutos brasileiros de pesquisa (Ibope, Datafolha, Vox Populi e Sensus), considerando os números referentes às eleições presidenciais a partir de 1989, está em padrões internacionais: é superior a 90% .

Precisão na medição

2009-03-31T10:06:00.000-07:00

A maioria das pessoas pressente apenas vagamente que medições têm precisão limitada. Mas o que significa precisão?

Precisão de uma medida refere-se ao número de algarismos significativos ou ao número de casas decimais com que o operador registra o resultado.

Cálculos baseados em medições são válidos apenas dentro do intervalo especificado. Mesmo que a pessoa meça tão precisamente quanto possível, o resultado não poderá ter precisão maior do que as limitações impostas pelo instrumento de medida e pelas condições em que a medição é feita.

Questão: Três pessoas mediram os lados de uma folha de papel comum com uma régua de plástico, para calcular a área. Veja os resultados que elas obtiveram. O que você acha?

● A primeira pessoa obteve as medidas: 23 cm por 16 cm. Área: 368 cm2.

● A segunda pessoa obteve as medidas: 23,3 cm por 16,2 cm. Área: 377,46 cm2.

● A terceira pessoa obteve as medidas: 23,28 cm x 16,17 cm. Área: 376,4376 cm2.

Resposta: Se o pedaço de papel for comum e a régua for de plástico, graduada em centímetros e com marcações largas, não se espera que uma pessoa meça com aproximação de centésimo de centímetros. Portanto, o resultado apresentado pela terceira pessoa não é razoável – nem pense em julgá-lo preciso. A área calculada pela segunda pessoa é altamente duvidosa: com uma régua de plástico graduada em centímetros, é possível ler décimos de centímetro? A primeira resposta é a melhor.

Importante: Quando medimos, é preciso ter em mente a precisão do instrumento. Portanto, se um operador afirma que a medida é 15,4 centímetros, está dizendo que a medida real é maior do que 15,35000... cm e menor do que 15,45000.... cm. Se for necessário dizer isto explicitamente, deve escrever:
15,4 ± 0,05 cm.
Precisão no resultado da multiplicação

O que acontece quando números são multiplicados? Existe uma tendência de as pessoas assumirem, sem pensar muito sobre o assunto, que mais casas decimais em um produto significam que a área calculada é mais precisa do que as próprias medidas usadas para calculá-la.

Questão: Um retângulo tem 13,3 ± 2,0cm de comprimento por 6,2 ± 2,0cm de largura. Qual é a área?

Resposta: Os valores mínimos para as medidas feitas seriam 13,1cm de comprimento e 6,0 cm de largura. Considerando esses valores, a área seria:

Os valores máximos para as medidas feitas seriam 13,5 cm de comprimento e 6,4 cm de largura. Considerando esses valores, a área seria:

A média dos dois valores calculados para a área do reetângulo é:

A diferença entre a área máxima e a média é 3,9cm2. Então a área deve ser escrita como segue:
82,5 ± 3,9 cm2.

Algarismos significativos

Se os cálculos forem feitos levando em conta os algarismos significativos, tudo fica mais fácil. Assim, as medidas 5 cm, 5,0 cm e 5,00 cm têm 1, 2 e 3 dígitos significativos, respectivamente. É fácil entender a idéia.

Questão: Os lados de um retângulo medem 123,3 cm por 46,2 cm. A precisão das medidas é dada pelos dígitos significativos, quatro e três, respectivamente. Com quantos algarismos significativos deve ser dada a área?

Resposta: O produto 5.696,46 deve ser arredondado para o número de dígitos significativos da medida feita com menor precisão, ou seja, três dígitos. O resultado é 5.700 cm2 para três dígitos significativos. Isto precisa ser dito explicitamente porque não há maneira de saber, olhando o número 5700, se ele tem 2, 3 ou 4 dígitos significativos. Por outro lado, se for possível escrever 0,570 m2, é melhor, porque esse número tem, evidentemente, precisão de três dígitos significativos.

Questão: Como saber quantos algarismos significativos tem a medida 5000 cm? 1, 2, 3 ou 4?

Resposta: O problema fica eliminado se for usada notação científica. Se isso não for feito, é impossível saber quantos algarismos significativos tem uma medida como 5000 cm, a menos que a precisão seja indicada por extenso: 5000 cm para três dígitos significativos.

O que é p-valor?

2008-12-01T05:46:00.000-08:00

As pesquisas são feitas com o objetivo de responder perguntas. Para responder perguntas, são necessárias informações que, em geral, são obtidas por meio de amostras. Mas os pesquisadores querem generalizar seus achados para toda a população de onde a amostra foi retirada. Isto pode ser feito, desde que a generalização seja fundamentada em um teste de hipóteses.
Para fazer o teste, a pergunta do pesquisador é transformada em duas hipóteses, ou seja, é escrita na forma de duas afirmativas que se contradizem – como nos testes de falso/verdadeiro. A idéia de construir hipóteses fica bem entendida com um exemplo da área jurídica. Um réu está sendo julgado. Quais são as hipóteses possíveis?

• O réu é inocente do ato que o acusam.
• O réu é culpado do ato que o acusam.

Construídas as hipóteses, passa-se à análise dos dados para tomar decisão por uma das hipóteses. No caso do exemplo, quais são as decisões possíveis?

• Considerar o réu culpado.
• Considerar o réu inocente.

As decisões são tomadas com base em conhecimento de parte dos fatos, ou seja, com base em uma amostra dos fatos. Então a decisão tomada pode estar errada. Quais são os erros associados às decisões possíveis no caso do exemplo?

• Dizer que o réu é culpado, quando é inocente.
• Dizer que o réu é inocente, quando é culpado.
Toda inferência está sujeita a erro porque se baseia em apenas uma amostra do universo e – por puro azar – podem ter sido observada uma amostra pouco representativa desse universo. Quais são os tipos de erro?
• Erro tipo I: rejeitar a hipótese da nulidade quando essa hipótese é verdadeira
• Erro tipo II: não rejeitar a hipótese da nulidade quando essa hipótese é falsa.
Na pesquisa científica considera-se grave o erro de rejeitar a hipótese da nulidade quando ela é verdadeira. Por quê? Porque isso significa mudar padrões e comportamentos sem necessidade (só porque um centro de pesquisas, apressadamente, apontou como verdadeira uma diferença que não existe). Veja alguns exemplos de erro tipo I:
Dizer que uma nova droga é melhor que a tradicional, quando isso não for verdade. Dizer que uma dieta aumenta a longevidade, quando isso não for verdade.
Dizer que um produto muito usado é cancerígeno, quando isso não for verdade.
Dizer que uma vitamina faz atletas, quando isso não for verdade.

Para ter maior segurança na decisão, o pesquisador aplica um teste de hipóteses. O teste não elimina a probabilidade de erro, mas fornece o p-valor (valor de probabilidade) que permite decidir se existe evidência suficiente para rejeitar a hipótese da nulidade. O p-valor diz quão provável seria obter uma amostra tal qual a que foi obtida, quando a hipótese da nulidade é verdadeira.

Logo, os pesquisadores se sentem seguros para rejeitar a hipótese da nulidade (assumir que existe a diferença procurada) quando o p-valor é pequeno. Isto porque seria muito pouco provável obter o resultado obtido, se a diferença não existisse. Mas quem rejeita H0 não tem certeza absoluta (não tem 100% de confiança) de que a decisão tomada está correta – sabe que existe a probabilidade de erro.

Por convenção, se o p-valor for menor do que 0,05 (p < 0,05), concluí-se que a hipótese da nulidade deve ser rejeitada. É comum dizer, nos casos em que p < 0,05, que os resultados são estatisticamente significantes. Calcular o p-valor é extremamente difícil e isso só é feito, hoje em dia, usando programas de computador.

Amostragem

2008-10-20T08:55:00.000-07:00

A quantidade enorme de amostras mal feitas faz com que muitas pessoas fiquem descrentes das pesquisas. O questionamento sobre a validade dos resultados obtidos por meio de amostragem aumenta muito quando prévias eleitorais prevêem erradamente o resultado de determinada eleição. Aliás, algumas autoridades pouco afeitas às lides das pesquisas de opinião apressam-se em excomungar gregos e troianos quando os resultados das tais pesquisas lhes são desfavoráveis. Alguns acadêmicos também são mal informados. Já ouvi de alguns alunos de cursos de pós-graduação a mesma frase: “como vou acreditar no resultado de pesquisas de opinião, se eu nunca fui consultado?”.

A idéia de que toda a população deva ser avaliada para que bons resultados possam ser alcançados constitui a base dessas opiniões. Verdade seja dita: se a população for pequena, o censo dá melhores resultados. Por exemplo, se um professor quiser saber o histórico de emprego dos alunos formados nos últimos cinco anos na escola em que trabalha, seria melhor tentar contatar todos esses ex-alunos. Se todos responderem ao mesmo questionário, não haverá erro de amostragem – simplesmente porque foi feito um censo. No entanto, pode haver erro na pesquisa porque as questões não foram bem feitas ou porque alguns ex-alunos não forneceram a resposta verdadeira. Agora, se alguns alunos não devolverem o questionário, os resultados podem ser tendenciosos por conta dos não-respondentes. De qualquer forma, os grandes problemas dos censos são a não-cobertura de determinados segmentos da população e a não resposta.

Em geral, os pesquisadores trabalham com amostras. E existem razões para se recorrer a uma amostra – e não a toda a população. A primeira razão para estudar uma amostra é a questão do custo e da demora dos censos. Por exemplo, qual é a taxa de desemprego no Brasil, neste mês? Avaliar toda a população pode ser impossível para o pesquisador, porque seria muito caro e levaria muito tempo.

Outra razão para estudar amostras é o fato de existirem populações tão grandes que, estudá-las por inteiro seria impossível. Por exemplo, quantos peixes tem o mar? Esse número é, em determinado momento, matematicamente finito, mas tão grande que pode ser considerado infinito para qualquer finalidade prática. Então, quem faz pesquisas sobre peixes do mar trabalha, necessariamente, com amostras.

Outras vezes é impossível estudar toda a população porque o estudo destrói as unidades. Por exemplo, o pão fabricado por uma empresa precisa ser destruído (na verdade, pulverizado) para que se determine a quantidade de gordura, açúcar e outros ingredientes nele contidos.

Finalmente, o valor científico de uma pesquisa baseada em uma amostra pode ser maior do que o estudo de toda a população. Os censos de populações exigem estrutura administrativa e muitas pessoas para coletar os dados – e essas pessoas nem sempre são bem treinadas. A complexidade organizacional propicia o aparecimento de erros. Já os dados obtidos por amostragem têm maior qualidade porque são obtidos por pessoal com bom treinamento, que podem até estudar os não-respondentes. Como exemplo, imagine que um pesquisador proponha estudar os hábitos de consumo de bebidas alcoólicas entre adolescentes de uma grande cidade. É melhor que o pesquisador faça a avaliação criteriosa de uma amostra – do que a avaliação sumária de toda a população de adolescentes da cidade.

Finalmente, se você ainda não está convencido de que basta uma amostra representativa para que se possa fazer inferência para toda a população, não custa lembrar a estória daquele professor de estatística que, irritado com a teimosia do aluno que não se deixava convencer de que as amostras dão informação que pode ser generalizada para toda a população, saiu-se com esta: “Muito bem, quando precisar fazer um exame de sangue, não aceite fornecer apenas uma amostra - peça que todo o seu sangue seja retirado para exame...”.

ENSAIO CLÍNICO

2008-09-19T13:06:00.000-07:00

BIOESTATÍSTICA

Leia da autora:

Introdução à Bioestatística
Bioestatística: Tópicos Avançados
Metodologia Científica para Área da Saúde
Elementos de Estatística
Análise de variância
O que é Estatística
Como escrever uma tese
Primeiro a gente chora

Ensaios clínicos.

Ensaio clínico é um tipo de pesquisa que envolve a administração de um tratamento em teste para uma unidade experimental, com a finalidade de avaliar o tratamento.

Unidade experimental é, usualmente, uma pessoa que provém da população em estudo. Isso significa que a unidade experimental pode ser usada para indicar a população para a qual se pode fazer inferência. A unidade experimental de um ensaio clínico pode ser, por exemplo, diabético com doença instalada há pelo menos dez anos. Os resultados desse ensaio só podem ser aplicados para a população de onde essa unidade foi retirada (população de diabéticos com doença instalada há pelo menos dez anos).

Você sabe resolver?

Especifique a unidade experimental utilizada em um ensaio clínico para estudar o efeito de dosagem alta de ácido fólico combinado com vitamina B12 e vitamina B6, em desfechos cardiovasculares ateroscleróticos em receptores de transplantes renais crônicos estáveis.

Tratamento em teste é qualquer intervenção que possa ser avaliada em seres humanos, não importa se a intervenção é nova, de efeitos ainda não bem conhecidos, ou se a intervenção é convencional e está sendo usada como base para comparação. Em um estudo na área de Oncologia, o tratamento em teste poderia ser quimioterapia combinada com cirurgia. Em um estudo na área de Radiologia, o tratamento em teste poderia ser a imagem por ressonância magnética (comparada com imagem obtida por tomografia).

Você sabe resolver?

Especifique o tratamento em teste num ensaio clínico conduzido para estudar o efeito de dosagem alta de ácido fólico combinado
com vitamina B12 e vitamina B6, em desfechos cardiovasculares ateroscleróticos em receptores de transplantes renais crônicos estáveis.

Avaliar um tratamento implica medir uma variável. A variável em análise (condição ou característica medida ou observada no ensaio) pode ser uma medida linear, uma medida de peso, uma medida de área etc. ou variáveis que quantifiquem a qualidade de vida, o impacto em fatores genéticos, o custo mínimo. Por exemplo, pode ser conduzido um ensaio clínico para comparar dois tipos de escovas de dente na diminuição de placas bacterianas em crianças de dez anos. O que está em observação, nesse caso, é a diminuição das placas. Logo, é essa a variável em análise.

Você sabe resolver?

Especifique a variável em análise num ensaio clínico conduzido para estudar o efeito de dosagem alta de ácido fólico combinado com vitamina B12 e vitamina B6, em desfechos cardiovasculares ateroscleróticos em receptores de transplantes renais crônicos estáveis.

Muitos ensaios clínicos são conduzidos para estudar o efeito de um tratamento. Nesse caso, o pesquisador deve comparar um grupo de pessoas que recebe o tratamento em teste – grupo tratado – com um grupo de pessoas que não recebe o tratamento – grupo controle. O grupo controle pode ser constituído por unidades que não recebem tratamento ou recebem placebo (uma substância inerte). Esses ensaios são referidos como placebo-controlados. Para saber se determinado produto faz nascer cabelos em pessoas calvas um médico pode fazer um ensaio clínico: um grupo de pessoas calvas recebe o tratamento em teste – grupo tratado – enquanto outro grupo de pessoas calvas recebe um placebo – grupo controle.

A constituição de um grupo controle (que não recebe tratamento) depende, basicamente, do que está em estudo. Nos testes de novas drogas para tratamento de doenças graves como câncer, que têm tratamento convencional, o uso de placebo pode não apenas ser falta de ética, mas também caracterizar omissão de tratamento.

Nos casos em que não se pode deixar um grupo sem tratamento, usa-se um controle positivo, isto é, um grupo recebe o tratamento padrão ou convencional para servir como base de comparação. Por causa do chamado controle positivo, o grupo que não recebe tratamento é muitas vezes referido como controle negativo. Por exemplo, pode ser feito um ensaio clínico para avaliar a eficácia de uma nova droga indicada para pacientes com distúrbio do pânico. O pesquisador fornece a nova droga para um grupo de pacientes (grupo tratado) e outro grupo recebe tratamento padrão, isto é, a droga normalmente indicada nesses casos (controle positivo)
Nos ensaios clínicos comparam-se grupos, não apenas unidades. As unidades experimentais do mesmo grupo recebem, em estatística, o nome de repetições ou réplicas. Mas quantas repetições um ensaio clínico deve ter? Do ponto de vista do estatístico, é sempre desejável um grande número de repetições. Quanto mais dados estão disponíveis, mais confiáveis são os resultados. Veja um exemplo. Em uma cidade existem dois hospitais: no primeiro nascem, em média, 120 bebês por dia e, no segundo, nascem 12. Nos dois hospitais, a razão de meninos para meninas é de, aproximadamente, 50%. Uma vez nasceu, em um dos hospitais, duas vezes mais meninos do que meninas. Em qual dos hospitais é mais provável que isso tenha ocorrido? Para o estatístico, a resposta é óbvia: é mais provável que o fato tenha ocorrido no hospital em que nasce menor número de crianças. Quando o número de observações é pequeno, os resultados são pouco confiáveis, exatamente porque variam muito.

É possível calcular o número de repetições que devem ser usadas em determinado ensaio. As fórmulas que os estatísticos usam para calcular o número de repetições exigem, entre outras coisas, que o pesquisador conheça a variabilidade (medida pela variância) da variável em análise. Quanto mais similares são as unidades, menor é o número de repetições que podem mostrar, com clareza, o efeito de um tratamento.

Na prática, o número de repetições é limitado pelos recursos disponíveis. O pesquisador sempre deve levar em conta (quando estabelece o número de repetições no seu ensaio) o que é usual na área.

O pesquisador que dispõe de unidades similares para conduzir seu ensaio deve designar os tratamentos às unidades por puro e simples sorteio. Faz, então, um ensaio randômico (randomized trial). Por exemplo, para avaliar a eficácia de uma nova droga indicada para pacientes com distúrbio do pânico, pode ser feito um ensaio clínico. O pesquisador sorteia a nova droga para metade dos pacientes – o grupo tratado. A outra metade recebe tratamento padrão (grupo controle positivo). Se, no final de duas semanas, o pesquisador verificar que pacientes que receberam a nova droga tiveram menor número de ataques de síndrome do pânico, poderá concluir que a nova droga é mais eficaz. A conclusão é confiável porque houve randomização.
Para comparar dois grupos – o tratado e o controle – a randomização pode ser feita da seguinte forma: toma-se uma unidade e joga-se uma moeda: se ocorrer “cara”, a unidade é designada para o grupo tratado e se ocorrer “coroa” a unidade é designada para o grupo controle.
Existem outras técnicas de randomização. Pode-se atribuir um número para cada unidade experimental, colocar fichas numeradas numa urna, misturar e sortear as unidades que irão constituir determinado grupo. As unidades restantes são designadas para o outro grupo. Esta técnica, embora muito usada na prática, pode conduzir a erros graves porque as fichas nem sempre são bem misturadas.

A randomização também pode ser feita através de tabelas de números ao acaso (random digits), obtidas em livros de estatísticas ou em computador. O uso de tabelas de números ao acaso pode parecer sugestão mais séria do que o jogo de moedas, mas a lógica é a mesma. De qualquer forma, a técnica de randomização deve ser escolhida pelo pesquisador. O que importa é o fato de os tratamentos serem designados às unidades por processo aleatório.

Do ponto de vista da Estatística, é melhor que todos os tratamentos tenham igual número de repetições: a análise se torna mais exata. No entanto, os ensaios com número diferente de repetições são indicados na experimentação com seres humanos, quando o uso de grupo controle tem restrições de natureza ética. Recomenda-se, então, que o grupo controle tenha menor número de repetições do que o grupo tratado. Por exemplo, para comparar uma nova droga com um controle, o pesquisador poderia fazer um ensaio 3: 1, isto é, para cada três pacientes submetidos à droga submete-se somente um ao placebo.

Às vezes o pesquisador não constitui dois grupos, mas usa a mesma unidade duas vezes. Nesses casos, é preciso muito cuidado na interpretação dos resultados. Diz-se, em benefício desses ensaios, que cada unidade é usada como seu próprio controle. O pesquisador precisa, porém, estar alerta para o fato – que é possível – de a unidade se modificar por qualquer outro motivo, que não o tratamento em teste. Imagine que para comparar dois métodos de diagnóstico, um médico pretende usar os dois métodos em cada paciente. Neste caso, cada paciente é usado como unidade duas vezes. É verdade que a doença não se modifica pelo fato de ter sido diagnosticada. Mas se o médico souber – quando aplicar o segundo método – o diagnóstico obtido pelo primeiro método, o ensaio é passível de crítica ou, até mesmo, de descrédito.

Você sabe resolver?

Para comparar dois testes de inteligência, um psicólogo pretende submeter cada participante da pesquisa aos dois testes. Neste caso,
cada participante é tomado como unidade experimental duas vezes. Você faria alguma crítica?

É importante que o pesquisador pese, meça ou observe cada unidade sem saber a que grupo pertence essa unidade. Isto evita qualquer tipo de tendência, por parte do pesquisador. Esse tipo de ensaio é conhecido como ensaio cego (blind). Mas a experimentação cega (blindness) vai além.
Nos ensaios feitos com pessoas, recomenda-se não informar à pessoa que participa do ensaio o grupo para o qual foi designada; ainda, e o pesquisador deve fazer observações ou medições sem saber a que grupo pertence quem examina. Esse tipo de ensaio é denominado duplamente cego – ou, na terminologia mais usada – duplo cego (double blind). No entanto, ensaios que envolvem certos tipos de tratamento – como prótese e cirurgia – não podem, por razões óbvias – ser do tipo cego ou duplamente cego.

Hoje também já se fala em ensaios triplamente cegos – ou triplo-cegos. Nesses casos, os grupos não são identificados nem para o participante da pesquisa, nem para quem o examina, nem para quem analisa os dados – geralmente um estatístico. Os ensaios triplo-cegos são mais usados na indústria farmacêutica (teste de drogas terapêuticas).

Você sabe resolver?

Explique como pode ser feito um ensaio clínico randomizado duplo-cego, placebo-controlado, para comparar CP-690 versus placebo, administrados por via oral duas vezes ao dia por seis semanas, no tratamento de sinais e sintomas de artrite reumatóide ativa.

BIOESTATÍSTICA II

2008-07-15T11:15:00.000-07:00

BIOESTATÍSTICA

Leia da autora:

Introdução à Bioestatística
Bioestatística: Tópicos Avançados
Metodologia Científica para Área da Saúde
Elementos de Estatística
Análise de variância
O que é Estatística
Como escrever uma tese
Primeiro a gente chora

A Organização Mundial da Saúde (OMS) preconiza o registro dos ensaios clínicos, antes de serem iniciados. Esse registro, universalizado, daria conhecimento a todos os interessados dos ensaios clínicos em andamento e permitiria, posteriormente, a divulgação sucinta dos resultados, que nem sempre são publicados1.
Os editores de revistas científicas2 também receberam a orientação do International Committee of Medical Journal Editors (ICMJE) para que seja exigido dos autores, no momento em que submetem seus artigos para publicação, o número de registro do ensaio clínico, de acordo com a Plataforma Internacional para Registro de Ensaios Clínicos (ICTRP) da OMS e da ICMJE.
A Agência Nacional de Vigilância Sanitária (ANVISA) publicou, a 5 de junho de 2008, a Resolução da Diretoria Colegiada (RDC nº 39) que aprova o Regulamento para a realização de pesquisa clínica e dá outras providências. Mas o que seria, exatamente, um ensaio clínico? De acordo com a Agência Nacional de Vigilância Sanitária (ANVISA)3, “qualquer investigação em seres humanos, objetivando descobrir ou verificar os efeitos farmacodinâmicos, farmacológicos, clínicos e/ou outros efeitos de produto(s) e/ou identificar reações adversas ao produto(s) em investigação, com o objetivo de averiguar sua segurança e/ou eficácia.” (EMEA, 1997).
O Instituto Nacional de Saúde dos Estados Unidos entende como ensaio clínico4 toda pesquisa que tem a finalidade de responder perguntas específicas sobre vacinas, novas terapias ou formas novas de usar tratamentos conhecidos. Os ensaios clínicos (também referidos como pesquisas clínicas ou pesquisas médicas) são feitos para estabelecer se novas drogas ou novos tratamentos são tanto seguros como efetivos.
Vamos então colocar aqui alguns exemplos, que ajudam a entender o jargão de estatística usado nessa área de pesquisa.
Um ensaio clínico envolve a administração de um tratamento em teste para uma unidade experimental, com a finalidade de avaliar ou comparar tratamentos.
Unidade experimental é, usualmente, uma pessoa que provém da população em estudo. Critério de inclusão, ou critério de elegibilidade para o ensaio é a descrição da unidade experimental. Fica, assim, explicada a população para a qual a inferência pode ser feita. Se a unidade experimental de um ensaio clínico for, por exemplo, um diabético com doença instalada há pelo menos dez anos, os resultados do ensaio só se aplicam à população de diabéticos com doença instalada há pelo menos dez anos.
Tratamento é qualquer intervenção que possa ser avaliada em seres humanos, não importa se é intervenção em teste ou se é uma intervenção conhecida que será usada apenas para comparação. Na área de Oncologia, por exemplo, o tratamento em teste poderia ser quimioterapia combinada com cirurgia (comparada com somente cirurgia).
Avaliar um tratamento implica medir uma variável. A variável (condição ou característica medida ou observada no ensaio) pode ser a qualidade de vida, o impacto de fatores genéticos, o custo mínimo ou uma medida de peso, de área, de pressão etc. Num ensaio clínico conduzido para comparar dois tipos de escovas de dente na diminuição de biofilme (placas bacterianas) em crianças de dez anos, a variável em análise seria, evidentemente, a diminuição das placas.
Para estudar o efeito de um tratamento, o pesquisador deve comparar um grupo de pessoas que recebe o tratamento em teste – grupo tratado – com um grupo de pessoas que não recebe o tratamento – grupo-controle. O grupo controle pode ser constituído por unidades que não recebem tratamento ou recebem placebo. Esses ensaios são referidos como placebo-controlados. Por exemplo, para saber se determinado produto faz nascer cabelos em pessoas calvas um médico pode fazer um ensaio clínico: um grupo de pessoas calvas recebe o tratamento em teste – grupo tratado – enquanto um grupo de pessoas calvas recebe um placebo – controle negativo.
A constituição de um grupo controle (que não recebe tratamento) depende, basicamente, do que está em estudo. Nos testes de novas drogas para tratamento de doenças graves como câncer, que têm tratamento convencional, o uso de placebo pode não apenas ser falta de ética, mas também caracterizar omissão de tratamento. Nos casos em que não se pode deixar um grupo sem tratamento, usa-se um controle positivo, isto é, um grupo recebe o tratamento padrão ou convencional para servir como base de comparação. Por causa do chamado controle positivo, o grupo que não recebe tratamento é muitas vezes referido como controle negativo. Assim, para avaliar a eficácia de uma nova droga indicada para pacientes com distúrbio do pânico, pode ser feito um ensaio clínico. O pesquisador fornece a nova droga para um grupo de pacientes (grupo tratado) e outro grupo recebe tratamento padrão, isto é, a droga normalmente indicada nesses casos (controle positivo). Este ensaio é controlado.
Ensaio clínico randomizado é aquele em que os participantes da pesquisa são alocados em um dos tratamentos por procedimento aleatório. O Estudo do Coração de Helsinque (Helsinki Heart Study)5 mostrou redução na incidência de eventos cardíacos em homens de meia idade com nível alto de colesterol, mas sem diagnóstico de doença coronariana, tratados com uma droga (gemfibrosil). Os 4081 participantes da pesquisa foram sorteados para receber a droga ou um placebo. Então este é um exemplo de ensaio clínico randomizado placebo-controlado.
Nos ensaios clínicos comparam-se grupos, não apenas unidades. As unidades experimentais do mesmo grupo recebem, em estatística, o nome de repetições ou réplicas. Mas quantas repetições um ensaio clínico deve ter? Do ponto de vista do estatístico, é sempre desejável um grande número de repetições. Quanto mais dados estão disponíveis, mais confiáveis são os resultados. Mas a determinação do tamanho da amostra ainda é um problema na pesquisa. Para justificar o tamanho da amostra usam-se mais razões de orçamento do que critérios estatísticos. Com isto, os ensaios clínicos acabam não dando respostas adequadas. Só para pensar, veja este exemplo, que é clássico6: em uma cidade existem dois hospitais: no primeiro nascem, em média, 120 bebês por dia e, no segundo, nascem 12. Nos dois hospitais, a razão de meninos para meninas é de, aproximadamente, 50%. Uma vez nasceu, em um dos hospitais, duas vezes mais meninos do que meninas. Em qual dos hospitais é mais provável que isso tenha ocorrido? Para o estatístico, a resposta é óbvia: é mais provável que o fato tenha ocorrido no hospital em que nasce menor número de crianças. Quando o número de observações é pequeno, os resultados são pouco confiáveis.

Referências.

1. http://www.who.int/ictrp/network/en/index.html.%20Disponível%20em%2012/7/2008.

2. De Angelis, C. et al. Clinical trial registration: a statement from the International Committee of Medical Journal Editors CMAJ • September 14, 2004; 171 (6). doi:10.1503/cmaj.1041281.

3. http://www.anvisa.gov.br/medicamentos/pesquisa/def.htm.%20Disponível%20em%2012/7/2008.

4. http://www.clinicaltrials.gov/ct2/info/glossary.%20Disponível%20em%2012/7/2008

5. Frick MH et al. Helsinki Heart Study: primary-prevention trial with gemfibrozil in middle-aged men with dyslipidemia. Safety of treatment, changes in risk factors, and incidence of coronary heart disease. NEJM Volume 317(20): 1237-1245.1987.

6. Kahnemen, D. e Tvesky, A, “Judgement under uncertainty: heuristics and bias”, Science 185, 27 de setembro de 1974.