📊 Estatística Básica para Médicos
População, Amostragem, Intervalo de Confiança e Testes de Hipóteses
6.0 População e Amostra em Pesquisa Médica
Na pesquisa médica, os termos população e amostra são fundamentais para definir o grupo de interesse e o subgrupo efetivamente estudado. A população refere-se ao conjunto total de indivíduos, objetos ou eventos que possuem características em comum e sobre os quais o pesquisador deseja obter informações.
🎯 Conceitos Fundamentais
População: Conjunto total de elementos sobre os quais queremos informações
Amostra: Subconjunto representativo da população
Inferência: Processo de generalizar achados da amostra para a população
Exemplo: Prevalência de Hipertensão em São Paulo
População: Todos os adultos com mais de 40 anos residentes no estado de São Paulo
Amostra: 2.000 adultos dessa faixa etária, selecionados de diferentes regiões do estado
Objetivo: Estimar a prevalência de hipertensão arterial na população total com base nos dados da amostra
É crucial que a amostra seja representativa da população. Uma amostra não representativa pode levar a conclusões enviesadas e, consequentemente, a decisões clínicas ou de saúde pública inadequadas. A representatividade garante que as características da amostra sejam proporcionais às da população de origem, como um bonsai que reflete a árvore original em miniatura.
7.0 Amostragem: Técnicas de Seleção em Estudos Médicos
A amostragem é o conjunto de técnicas utilizadas para selecionar uma amostra representativa da população. A escolha da técnica de amostragem é vital para a validade externa de um estudo, ou seja, a capacidade de generalizar seus resultados para a população de interesse.
7.1 Amostragem Probabilística
Na amostragem probabilística, todos os elementos da população têm uma chance conhecida e não nula de serem selecionados para a amostra. Isso minimiza o viés de seleção e permite a aplicação de testes estatísticos para inferir sobre a população.
🎲 Amostragem Aleatória Simples (AAS)
Cada indivíduo da população tem a mesma probabilidade de ser selecionado. É como sortear nomes de uma lista completa de pacientes.
Exemplo: Para um estudo sobre eficácia de analgésico em hospital com 500 leitos, numerar todos os leitos e sortear 50 pacientes.
📊 Amostragem Sistemática
Seleciona-se o primeiro elemento aleatoriamente e os demais são escolhidos a intervalos fixos.
Exemplo: Em ambulatório de cardiologia com 300 pacientes/dia, entrevistar a cada 10º paciente para estudo sobre fatores de risco cardiovascular.
🎯 Amostragem Estratificada
A população é dividida em subgrupos homogêneos (estratos) e uma amostra aleatória é selecionada de cada estrato.
Exemplo: Estudo sobre adesão ao tratamento de diabetes, estratificando por faixa etária e sexo.
🏥 Amostragem por Conglomerados
A população é dividida em grupos heterogêneos naturalmente formados. Alguns conglomerados são selecionados aleatoriamente.
Exemplo: Para avaliar cobertura vacinal infantil, sortear algumas UBS e incluir todas as crianças cadastradas nelas.
7.2 Amostragem Não Probabilística
Na amostragem não probabilística, a seleção dos elementos não é aleatória. Isso pode introduzir viés e limitar a generalização dos resultados, mas é frequentemente utilizada em estudos exploratórios ou quando a amostragem probabilística é inviável.
🚶 Amostragem por Conveniência
Indivíduos são selecionados com base na facilidade de acesso do pesquisador.
🎯 Amostragem por Julgamento
O pesquisador seleciona indivíduos que acredita serem os mais representativos ou informativos.
📋 Amostragem por Cotas
A população é dividida em categorias e o pesquisador seleciona um número predefinido de cada cota.
8.0 Intervalo de Confiança em Medicina
Ao interpretar os resultados de um estudo clínico, é fundamental compreender os conceitos de acurácia, precisão e intervalo de confiança (IC). Eles nos ajudam a avaliar a confiabilidade e a generalização das estimativas obtidas a partir de uma amostra.
8.1 Acurácia vs. Precisão
🎯 ACURÁCIA
Proximidade da medida em relação ao valor verdadeiro
Exemplo: Pressão real 140 mmHg, estudo estima 141 mmHg
🔄 PRECISÃO
Consistência ou reprodutibilidade das medidas
Exemplo: Glicosímetro sempre indica 120 mg/dL para a mesma amostra
⚠️ Tipos de Erros
Erro Aleatório: Afeta a precisão. É imprevisível e pode ser minimizado com aumento da amostra.
Erro Sistemático (Viés): Afeta a acurácia. É consistente e direcional, deve ser evitado no desenho do estudo.
8.2 Parâmetro, Estatística e Intervalo de Confiança
Parâmetro (μ): Valor verdadeiro na POPULAÇÃO
Estatística (x̄): Valor calculado na AMOSTRA
IC 95%: Faixa onde esperamos encontrar o parâmetro populacional
Interpretação do Intervalo de Confiança
Estudo: Eficácia de anti-hipertensivo
Resultado: Redução média de 10 mmHg (IC 95%: 8 a 12 mmHg)
Interpretação: A verdadeira redução na população está provavelmente entre 8 e 12 mmHg. Se o IC incluísse o zero, não poderíamos afirmar eficácia significativa.
9.0 Princípio da Hipótese Nula, Tipos de Erros e Valor P
O Princípio da Hipótese Nula é um conceito central na inferência estatística e na pesquisa clínica. Ele postula que não existe diferença ou associação entre os grupos ou variáveis estudadas. A pesquisa busca evidências para rejeitar essa hipótese nula.
🔬 Hipóteses em Pesquisa Clínica
Hipótese Nula (H₀): Não há efeito, diferença ou associação
Hipótese Alternativa (H₁): Há um efeito, diferença ou associação
Tipos de Erros em Testes de Hipóteses
❌ ERRO TIPO I (α)
Falso Positivo
Rejeitar H₀ quando ela é verdadeira
Probabilidade = Nível de significância (α = 0,05)
❌ ERRO TIPO II (β)
Falso Negativo
Aceitar H₀ quando ela é falsa
Poder estatístico = 1 - β
O Valor P
O valor p é uma medida da força da evidência contra a hipótese nula. Representa a probabilidade de observar os dados do estudo (ou mais extremos) se a hipótese nula fosse verdadeira.
Se p < α (0,05) → Rejeitamos H₀ (resultado significativo)
Se p ≥ α (0,05) → Não rejeitamos H₀ (resultado não significativo)
Exemplo: Eficácia de Nova Dieta
Estudo: Nova dieta para perda de peso em pacientes obesos
Resultado: Grupo da dieta perdeu 2 kg a mais que controle (p = 0,001)
Interpretação Estatística: Com α = 0,05, rejeitamos H₀ - a dieta é estatisticamente eficaz
Interpretação Clínica: Perda de 2 kg pode não ser clinicamente significativa, dependendo do contexto
⚠️ Importante Lembrar
• Significância estatística ≠ Significância clínica
• Valor p não indica magnitude do efeito
• Amostras grandes podem gerar p pequenos para efeitos irrelevantes
• Amostras pequenas podem não detectar efeitos importantes