Viés e fatores de confusão em estudos observacionais

Em um estudo observacional, os grupos não foram sorteados — eles se formaram pela prática clínica, pela escolha dos pacientes ou pelo acesso ao serviço. Essa é a força (refletem o mundo real) e a fraqueza (os grupos diferem em mais coisas do que a exposição estudada) desse tipo de pesquisa. Viés e fatores de confusão são os dois grandes nomes que descrevem por que uma associação observada pode não ser o que parece.

Viés: erro sistemático, não erro de acaso

Viés é uma distorção sistemática dos resultados, introduzida pela forma como o estudo foi desenhado, conduzido ou analisado. Diferente do erro aleatório — que diminui com amostras maiores e é capturado pelo intervalo de confiança —, o viés não some aumentando o n. Os dois grupos mais comuns:

• Viés de seleção — quando a forma de selecionar ou reter participantes torna os grupos não comparáveis. Exemplos: perdas de seguimento diferenciais, controles que não representam a população que gerou os casos, voluntários sistematicamente diferentes.
• Viés de informação (ou de medida) — quando a exposição ou o desfecho são medidos de forma imprecisa ou diferente entre os grupos. Inclui o viés de memória (casos lembram exposições com mais detalhe que controles) e o viés de aferição (quem mede sabe a que grupo o paciente pertence).

A característica que assusta: a maioria dos vieses não se corrige na análise. Eles precisam ser prevenidos no desenho — com cegamento, definições objetivas e estratégias de seleção adequadas.

Fator de confusão: a terceira variável

Um fator de confusão (ou confundidor) é uma variável que está associada tanto à exposição quanto ao desfecho e que não faz parte da cadeia causal entre eles. Ele cria — ou mascara, ou inverte — uma associação que não reflete a verdadeira relação.

O exemplo clássico: pessoas que tomam café têm mais infarto. Mas quem toma café fuma mais, e o tabagismo causa infarto. O cigarro é o confundidor: ligado ao café (exposição) e ao infarto (desfecho). Sem ajustar por ele, o café "parece" causar infarto. Para ser confundidor, a variável precisa preencher três condições: associar-se à exposição, associar-se ao desfecho de forma independente, e não ser um mediador (elo intermediário do mecanismo).

Como controlar a confusão

Há ferramentas no desenho e na análise:

• Randomização (só em ensaios) — distribui ao acaso os confundidores, inclusive os não medidos. É a única estratégia que lida com o que você não mediu.
• Restrição — incluir apenas um estrato (ex.: só não fumantes) elimina aquele confundidor, ao custo de generalização.
• Pareamento — equilibrar os grupos por variáveis-chave na seleção.
• Estratificação e análise multivariável — ajustar pelos confundidores na análise, via regressão logística, regressão linear ou modelo de Cox. É o caminho mais usual em estudos observacionais.
• Escore de propensão — resumir muitas covariáveis na probabilidade de receber a exposição, para parear ou ajustar.

Um cuidado central: ajustar não é sempre melhor. Incluir um mediador no modelo "esconde" parte do efeito real; incluir um colisor (variável influenciada por exposição e desfecho) pode criar associação espúria. A escolha das variáveis de ajuste deve ser guiada pelo conhecimento do problema, idealmente com um diagrama causal, não por colocar tudo no modelo.

O que reportar

Diretrizes como o checklist STROBE pedem que estudos observacionais declarem explicitamente os potenciais confundidores, descrevam como foram tratados, e discutam as fontes de viés e seu provável impacto na direção do efeito. Reconhecer as limitações com honestidade — em vez de afirmar causalidade a partir de uma associação ajustada — é o que dá credibilidade ao trabalho. Associação ajustada continua sendo associação: ver também por que um p pequeno não basta para afirmar causa.