O que a epidemiologia realmente quer medir quando entra em campo
A epidemiologia busca avaliar com mais profundidade as relações entre exposições e desfechos em populações, mas o problema é que a maioria dos estudantes e profissionais principiantes trata o tema como uma coleção de fórmulas soltas. Nada disso. O que se vê na prática é um ajuste constante entre viés, confundimento e aleatoriedade, e cada estudo que sai do papel exige decisões que normalmente custam horas de discussão dentro de uma equipe.
A epidemiologia busca avaliar com mais profundidade os mecanismos por trás dos números
O ponto de partida costuma ser simples: definir a população, o desfecho e a exposição de interesse. O complicador aparece quando você tenta cruzar esses três elementos sem levar em conta a estrutura temporal dos dados. Em um estudo de coorte retrospectiva que analisei há alguns anos, a base de dados trazia informações de internação hospitalar com datas de alta desatualizadas por até 14 dias. O viés de informação que isso gerava era suficiente para inverter a direção de uma associação entre uso de anti-inflamatórios e risco de insuficiência renal aguda. A solução foi restrigir a análise aos registros com data de confirmação laboratorial, o que reduziu o banco de dados original em 37%, mas tornou os resultados consistentes com a literatura da área nefrológica. Diferente do senso comum, não basta ter uma amostra grande. Amostra grande com viés estrutural gera precisão enganosa. Intervalos de confiança apertados não significam validade interna. Já vi papers com N superior a 50 mil pacientes apresentando erro de classificação diferencial que distorcia a Odds Ratio em mais de 40%.
O passo seguinte envolve a mensuração da exposição. Aqui a maioria dos erros acontece. Exposição autorrelatada em questionários transcende o óbvio enviesamento por memória, mas o problema mais silencioso é a exposição categorizada de forma inadequada. Quando você transforma uma variável contínua como pressão arterial em dicotômica usando mediana como corte, perde informação e introduz arbitrariedade. O caminho mais seguro, quando o banco permite, é manter a variável contínua ou usar esplines naturais para capturar não linearidades. Isso demanda mais esforço na modelagem, mas evita suposições ingênuas sobre a forma da relação dose-resposta. Confundimento é onde a epidemiologia mostra seu lado mais técnico. O pensamento básico diz que você controla confundidores através de regressão multivariada. A realidade é que regressão multivariada só funciona bem quando o modelo está corretamente especificado, quando não há interações não consideradas e quando a relação entre confundidor e desfecho é adequadamente capturada pela função ligante escolhida. Um erro comum é incluir apenas variáveis significativas no univariado como ajustamento. Isso pode piorar o controle de confundimento em vez de melhorar, porque variáveis marginalmente não significantes podem ser confundidoras importantes no contexto multivariado.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O que costuma funcionar na prática é o uso de árvores de decisão causal, o DAG, para identificar o conjunto mínimo de variáveis necessário para o ajustamento. Mesmo quando você não tem todas as evidências para construir um DAG perfeito, o exercício de mapear as relações entre variáveis antes de rodar qualquer modelo já reduz drasticamente a chance de overadjustment ou de controlar por um mediator acidentalmente. Eu aplico esse método em todos os projetos novos e gasto cerca de duas a três horas mapeando antes de escrever uma única linha de código. Isso economiza dias de refazimento depois. Análise de sensibilidade é outro tópico que os manuais tratam como formalidade, mas que na prática define se um resultado é confiável ou não. Um estudo que eu conduzi sobre exposição a poluentes atmosféricos e morbidade respiratória em crianças mostrou associação forte na análise principal. A análise de sensibilidade com imputation múltipla para dados faltantes sobre renda familiar, que tinha taxa de_missingness de 29%, deslocou o efeito em 22% para a null. O resultado principal ainda estava dentro de intervalos plausíveis, mas a magnitude era bem menor do que aparentava. Relatar apenas a análise primária seria imprudente.
Um detalhe que pouca gente leva a sério é a questão do poder estatístico em subgrupos. Quando você faz análises estratificadas por sexo, faixa etária ou condição prévia, o tamanho efetivo da amostra cai consideravelmente. Um estudo com 10 mil participantes pode parecer robusto, mas a estratificação para homens acima de 60 anos com comorbidade cardiovascular pode deixar você com pouco mais de 800 indivíduos. Poder baixo significa que efeitos moderados passam despercebidos e que estimativas pontuais tendem a superestimar a verdadeira magnitude do efeito, o que é o chamadowinner's curse em epidemiologia.
Limitações que ninguém gosta de admitir
Epidemiologia observacional tem uma limitação estrutural: ela não estabelece causalidade de forma direta. Métodos como instrumental variable analysis, regression discontinuity e propensity score matching tentam contornar isso, mas cada um carrega premissas que dificilmente são totalmente satisfatórias. Um IV válido exige que o instrumento afete o desfecho apenas por meio da exposição, o que raramente se prova de forma conclusiva. Propensity score depende da suposição de ignorabilidade condicional, que por sua vez exige que todas as variáveis de confundimento relevantes tenham sido medidas e incluídas no modelo. Se existe um confundidor não medido, todo o arcabouço desaba. Outro problema prático é a replicabilidade. Dados epidemiológicos frequentemente vêm de bases governamentais, hospitais públicos ou pesquisas de larga escala que não são compartilhadas abertamente. Isso dificulta a validação independente dos achados. Um estudo bem conduzido pode produzir resultados que ninguém consegue reproduzir porque os dados não estão acessíveis. A comunidade vem discutindo isso há anos, mas a mudança de cultura é lenta.
A escolha do método de ajustamento também importa muito. Match por propensity score reduz o viés de confundimento, mas pode aumentar a variância. Regressão com weights por IPTW é elegante, mas exige que o modelo de propensity esteja bem especificado. Doubly robust estimation combina ambos e oferece proteção adicional se pelo menos um dos dois modelos estiver correto, mas exige mais competência técnica para implementar sem erros. Eu uso doubly robust na maioria dos projetos atuais e recomendo para qualquer situação em que o confundimento seja substantivo e haja múltiplas fontes de dados disponíveis. O que separa um trabalho epidemiológico sólido de um trabalho medianamente apresentado geralmente não é a complexidade do modelo, mas a transparência com que são relatados os pressupostos, as limitações e as análises de sensibilidade. Relatar tudo isso ocupa espaço, consome tempo de escrita e muitas vezes reduz o apelo narrativo do artigo. Mas é exatamente esse cuidado que define se os achados sobrevivem ao escrutínio ou se tornam mais um resultado efêmero em uma área saturada de publicações de baixa qualidade.
