Prática Baseada em Evidências e Estatística Médica — Bradford VTS

Bradford VTS · Série de Domínio AKT

Prática Baseada em Evidências e Estatísticas Médicas

Porque "Eu li algo online" não é suficiente no AKT.

🔥 Dicas de alto rendimento para AKT ⚡ Aprendizagem de alto impacto em minutos 💎 Tesouros escondidos que eles esquecem de ensinar

Última atualização: abril de 2026 · Também conhecida como Medicina Baseada em Evidências (MBE)

📥 Downloads

Apostilas, resumos e materiais didáticos extras — prontos quando você precisar.

caminho: A Prática Baseada em Evidências também é conhecida como Medicina Baseada em Evidências ou MBE, abreviadamente.

🌐

Recursos da Web

Uma seleção criteriosa de orientações oficiais e recursos práticos para treinamento de médicos de família. Porque, às vezes, as melhores dicas não estão escondidas nos documentos oficiais.

📘 Estatísticas e EBM Essenciais

CEBM — Centro de Oxford para Medicina Baseada em Evidências Ferramentas, guias e recursos de avaliação crítica Site do Dr. Chris Cates sobre Medicina Baseada em Evidências (MBE) Calculadora NNT e explicador de gráficos de Cates — excelente GPnotebook — Estatísticas Referência concisa de estatísticas clínicas Bandoleira Assistência médica baseada em evidências em linguagem simples. Biblioteca Cochrane Revisões sistemáticas padrão-ouro

📗 Revisão e Preparação para o Exame AKT

NHS — Ensaios Clínicos Guia em linguagem simples para tipos de pesquisa Recursos Cambridge EBM Ferramentas e tutoriais de avaliação crítica

📙 Leituras e ferramentas adicionais

NICE — Como usar as evidências Manual de processos do NICE para revisão de evidências NNT Explicado — Manchester Calculadora interativa de NNT e explicação Conhecimento em Saúde — Desenhos de Estudo Livro didático de Saúde Pública sobre epidemiologia

⚡

Recordação de um minuto

Analisar isso antes da consulta — ou na noite anterior a uma prova da AKT? São essas coisas que garantem pontos.

🧮 Fórmulas de Risco

ARR = CER − EER
NNT = 1 ÷ ARR
RRR = ARR ÷ CER
RR = EER ÷ CER
NNH = 1 ÷ ARI

🔬 Testes de diagnóstico

significado = TP ÷ (TP+FN) → SnNout
Spec = TN ÷ (TN+FP) → SpPin
PPV = TP ÷ (TP+FP) ← cai com baixa prevalência
VPL = TN ÷ (TN+FN) ← quedas com alta prevalência

📊 Projetos de estudo

Revisão sistemática/Meta-análise → nível mais alto de evidência
Ensaios clínicos randomizados → padrão ouro para tratamento
Coorte → RR e incidência
Estudo caso-controle → OU, doenças raras
Transversal → prevalência

📈 Gráficos

No gráfico de floresta, o losango que cruza a linha não é significativo.
Assimetria em forma de funil = viés de publicação
Gráfico de Cates: NNT = 100 ÷ faces amarelas
Linha central do diagrama de caixa = mediana
I² >50% = heterogeneidade substancial

📉 Significado

p < 0.05 = estatisticamente significativo
IC cruza 1.0 (razão) = não significativo
IC cruza o 0 (diferença) = não significativo
Média = média aritmética; Mediana = valor central
Regra 68-95-99.7 para distribuição normal

⚖️ Tipos de Viés

Seleção → amostra não representativa
Recordar → casos lembram mais
Publicação → apenas estudos positivos
Prazo de antecedência → ilusão de triagem
A evasão escolar distorce os resultados.

💡

Por que isso é importante na Clínica Geral e no AKT?

A Medicina Baseada em Evidências (MBE) e a estatística não são apenas teóricas. No seu consultório, toda conversa sobre opções de tratamento envolve o Número Necessário para Tratar (NNT), quer você o mencione ou não. Todo exame de sangue tem sensibilidade e especificidade. Toda nova diretriz é baseada em um desenho de estudo que influencia o grau de confiança que você deve depositar nela.

No AKT, este tópico representa uma parcela significativa da nota — aproximadamente 10 a 15% da prova, de acordo com as diretrizes do RCGP. É uma das poucas áreas em que uma pequena revisão direcionada traz bons resultados. imediatamenteMuitos candidatos perdem pontos fáceis aqui não porque os conceitos sejam difíceis, mas porque nunca se sentaram para aprendê-los sistematicamente.

As questões de estatística no AKT frequentemente apresentam uma tabela com dados de ensaios clínicos e pedem que você calcule um valor, interprete um gráfico ou identifique o melhor delineamento de estudo. Elas valorizam o raciocínio metódico, não o conhecimento médico. Isso faz com que sejam as questões mais "fáceis de aprender" na prova.

Depois de aprender a calcular o NNT, interpretar um gráfico de floresta e entender o efeito da prevalência no VPP, toda uma categoria de questões sobre AKT torna-se simples em vez de assustadora.

📖

Medicina Baseada em Evidências (MBE)

"Quando eu estava em treinamento, em meados da década de 1980, eu administrava uma infusão intravenosa de lidocaína a todos os pacientes que chegavam após um ataque cardíaco. Esse era o procedimento padrão. Todos faziam isso. Parecia fazer todo o sentido."

— O professor Gordon Guyatt, médico que cunhou o termo "Medicina Baseada em Evidências", descrevendo seu próprio treinamento antes da existência da MBE.

Mais tarde, ele descobriu que a prática na qual havia sido treinado — e que centenas de milhares de médicos em todo o mundo realizavam — não era apenas inútil, mas potencialmente fatal. Não por negligência. Não por incompetência. Mas porque ninguém jamais havia testado adequadamente se ela realmente funcionava.

Essa história é o motivo da existência da Medicina Baseada em Evidências — e por que ela é extremamente importante para cada paciente que você atenderá.

📋 O que é Medicina Baseada em Evidências?

"O uso consciente, explícito e criterioso das melhores evidências disponíveis na tomada de decisões sobre o cuidado de pacientes individuais."

— David Sackett, BMJ 1996 — a definição mais citada na medicina

Em termos simples: em vez de tratar pacientes com base em hábitos, opiniões, tradições ou no que seu professor lhe disse, a Medicina Baseada em Evidências (MBE) exige que você baseie suas decisões clínicas nas melhores pesquisas disponíveis — rigorosamente conduzidas, criticamente avaliadas e honestamente interpretadas.

Não substitui o julgamento clínico — Informa A EBM se baseia em três pilares inseparáveis que devem funcionar em conjunto:

🔬

Melhores evidências de pesquisa

Pesquisa clinicamente relevante e de alta qualidade — especialmente de ensaios clínicos randomizados e revisões sistemáticas.

🩺

Experiência Clínica

A habilidade e a experiência do profissional clínico individual, construídas ao longo de anos de prática.

🤝

Valores e preferências do paciente

As circunstâncias individuais do paciente, seus valores e o que é mais importante para ele.

🕰️ Como surgiu a Medicina Baseada em Evidências? — Uma breve história

A Medicina Baseada em Evidências (MBE) não surgiu do nada. Foi o culminar de décadas de pensamento silenciosamente revolucionário no Canadá e no Reino Unido.

Ano	Evento
1938	John Paul (Yale) cunhou o termo "epidemiologia clínica" — a ideia de que a medicina deve ser estudada cientificamente em populações, e não apenas observada em pacientes individuais.
1967	A Universidade McMaster (Hamilton, Canadá) inaugura sua nova faculdade de medicina com um Departamento de Epidemiologia Clínica e Bioestatística — uma iniciativa radical para a época, dedicada à aplicação de métodos de pesquisa em decisões clínicas.
1972	Archie Cochrane, um epidemiologista escocês, publica Eficácia e Eficiência: Reflexões Aleatórias sobre Serviços de Saúde — um texto fundamental que argumenta que a medicina deve testar rigorosamente seus próprios tratamentos. Seu trabalho acabou dando origem à Colaboração Cochrane, nomeada em sua homenagem.
1981	David Sackett e seus colegas da McMaster publicaram uma série de nove artigos no periódico da Associação Médica Canadense, ensinando aos médicos como avaliar criticamente a literatura médica. Este é o início formal do movimento da Medicina Baseada em Evidências (MBE).
1990	Gordon Guyatt, um jovem diretor residente em McMaster, elabora um novo programa de ensino e inicialmente o chama de "Medicina Científica". Os colegas reagem negativamente — a implicação de que a prática atual não é científica é muito direta.
1991	Guyatt renomeia a abordagem. "Medicina Baseada em Evidências" e publica o termo em um editorial no ACP Journal Club. A expressão pega imediatamente.
1992	O artigo histórico do JAMA — "Medicina Baseada em Evidências: Uma Nova Abordagem para o Ensino da Prática Médica" — introduz a MBE ao mundo. A resposta, lembra Guyatt, foi inicialmente de "fúria". Os colegas sentiram que estavam sendo informados de que não eram bons médicos.
1993	A Colaboração Cochrane é formalmente fundada — uma rede internacional para produzir e disseminar revisões sistemáticas de evidências na área da saúde.
1996	David Sackett publica a definição definitiva dos três pilares no BMJ. A Medicina Baseada em Evidências (MBE) torna-se convencional.
Década de 2000 - presente	A Medicina Baseada em Evidências (MBE) se consolida na formação médica no Reino Unido: as diretrizes do NICE, as Boas Práticas Médicas do GMC e o currículo do RCGP a exigem. Ela se tornou a base da formação e avaliação de todos os médicos do Reino Unido.

⚠️ Como era a medicina antes da Medicina Baseada em Evidências? O problema que ela resolveu.

Antes da Medicina Baseada em Evidências (MBE), a medicina funcionava com base no que Gordon Guyatt chamou, de forma memorável, de "GOBSAT" - Bons e velhos amigos sentados ao redor de uma mesaAs diretrizes clínicas foram escritas por especialistas seniores que reuniram suas opiniões pessoais, e o que acontecia com o seu paciente dependia inteiramente de qual médico o atendia.

O Mundo Pré-EBM

Medicina baseada na eminência: Você tratava os pacientes da mesma forma que seu professor. A autoridade vinha da antiguidade, não de evidências. Um consultor que "sempre fez assim" por 30 anos era consultado — mesmo que "assim" nunca tivesse sido testado.
Medicina baseada na intuição: Se um tratamento parecia fazer sentido fisiológico, ele era utilizado. Se suprimir ritmos cardíacos anormais parecia lógico, eles eram suprimidos. Raramente se testava se isso realmente ajudava os pacientes.
Medicina baseada em relatos anedóticos: "Na minha experiência, constatei que..." era o padrão de evidência. Os casos individuais orientavam a prática — mesmo quando esses casos eram estatisticamente atípicos.
Enorme variação: O mesmo paciente que se apresenta em dois hospitais diferentes — ou mesmo com dois médicos diferentes no mesmo hospital — pode receber tratamentos completamente diferentes para exatamente a mesma condição.

Você preferiria uma ponte construída com base no princípio de "Venho projetando pontes dessa maneira há 30 anos e nenhuma desabou até hoje"? Ou com base em princípios comprovados da engenharia estrutural? A resposta é óbvia. Mas, durante a maior parte da história da medicina, a abordagem da ponte foi exatamente o que aconteceu.

🔴 O exemplo que mudou a medicina — O estudo CAST

Isso não é uma hipótese. É uma das histórias reais mais importantes da medicina moderna — e um dos argumentos mais fortes que a Medicina Baseada em Evidências (MBE) já precisou.

A Configuração — A Lógica Que Parecia Inatacável

Os ataques cardíacos causam anormalidades perigosas no ritmo cardíaco (arritmias ventriculares). As arritmias ventriculares causam morte súbita. Portanto: Suprimir as arritmias → prevenir morte súbitaIsso parecia tão obviamente correto que, a partir da década de 1970, medicamentos antiarrítmicos — particularmente lidocaína, flecainida e encainida — passaram a ser administrados rotineiramente a pacientes pós-infarto do miocárdio em hospitais do mundo todo. Não ocasionalmente. Rotineiramente. Como tratamento padrão.

O Teste — Alguém Realmente o Testou

Em 1987, o estudo CAST (Cardiac Arrhythmia Suppression Trial) recrutou mais de 1,700 pacientes pós-infarto do miocárdio e os randomizou para receber medicamentos antiarrítmicos (flecainida ou encainida) ou placebo. Os medicamentos fizeram exatamente o que deveriam — suprimiram com sucesso as arritmias. Mas algo inesperado aconteceu.

O resultado — o que ninguém esperava

Os pacientes que utilizavam os medicamentos eram vezes 2.5 mais probabilidade de morrer do que aqueles que receberam placebo. O ensaio clínico teve que ser interrompido precocemente porque o dano era muito evidente. Os medicamentos estavam matando os próprios pacientes que deveriam proteger.

NNH = 21. A cada 21 pacientes tratados com flecainida ou encainida, uma pessoa a mais morreu que, de outra forma, teria sobrevivido.

A Lição

Gordon Guyatt — então um jovem cardiologista — administrava pessoalmente infusões de lidocaína a todos os pacientes pós-infarto do miocárdio que passavam por sua enfermaria. Ele seguia as melhores práticas. Tinha recebido o treinamento correto. Suas intenções eram boas. No entanto, sem o rigor de um ensaio clínico randomizado, nem ele nem seus colegas tinham como saber se o tratamento era prejudicial. Essa experiência tornou-se fundamental para que ele dedicasse sua carreira à Medicina Baseada em Evidências (MBE). A história da medicina, disse ele mais tarde, "está repleta de tratamentos que se basearam principalmente em palpites e intuição, em vez de evidências sólidas".

🌐 Como a Gestão Baseada em Evidências (EBM) Mudou Tudo — Padronização e Unidade

Antes da Medicina Baseada em Evidências (MBE), o tratamento que você recebia dependia de onde você morava, do hospital em que era atendido e do médico que o atendia. O mesmo paciente com a mesma condição poderia receber tratamentos completamente diferentes em Leeds e em Londres. Hospitais diferentes. Países diferentes. Resultados drasticamente diferentes.

A Medicina Baseada em Evidências (MBE) mudou isso. Ao ancorar as decisões clínicas no mesmo conjunto de evidências — os mesmos ensaios clínicos, as mesmas revisões sistemáticas, as mesmas diretrizes — ela deu à medicina uma linguagem e um padrão comuns. Hoje, um paciente com infarto do miocárdio em Bradford e um paciente com infarto do miocárdio em Bristol devem receber essencialmente o mesmo tratamento baseado em evidências. Não porque os médicos sejam idênticos, mas porque o tratamento é guiado pelas evidências, e não por preferências individuais.

No Reino Unido, isso é operacionalizado através de Diretrizes NICE, Currículo do RCGP, Indicadores QOF, auditorias clínicas e Exames MRCGP — todas as quais exigem e avaliam a prática baseada em evidências. Ao fazer o AKT, você está sendo testado em sua capacidade de aplicar essa estrutura.

🌍 Um Mundo Sem EBM — O Panorama Internacional

O compromisso do Reino Unido com a Medicina Baseada em Evidências (MBE) — por meio do NICE, do NHS e da formação de pós-graduação — não é universal. Em muitas partes do mundo, o atendimento que você recebe como paciente ainda depende muito de quem o atende, de onde você se apresenta e de quanto você pode pagar. Compreender isso ajuda você a perceber do que a MBE protege seus pacientes.

🔴 Nota importante antes de ler

A variação descrita abaixo reflete sistemas e estruturas de saúdeNão se trata da competência ou dedicação de médicos individuais. Muitos médicos brilhantes e dedicados atuam em todos os países listados. A questão é a ausência da infraestrutura de padronização — diretrizes, supervisão, estruturas de treinamento — que a Medicina Baseada em Evidências (MBE) proporciona. Médicos individualmente não podem superar problemas sistêmicos sozinhos.

País / Região	Como a prática varia sem estruturas sólidas de Medicina Baseada em Evidências (MBE)
🇮🇳 Índia (setor privado)	A 2018 Lanceta Um estudo constatou taxas de cesariana de 40 a 58% em hospitais privados, em comparação com 10 a 14% em instituições públicas — frequentemente motivadas por incentivos financeiros em vez de necessidade clínica. A realização excessiva de exames e a polifarmácia são amplamente documentadas no setor privado. O mesmo paciente com câncer pode receber tratamentos drasticamente diferentes dependendo de onde é atendido e do que pode pagar.
🇵🇰 Paquistão	Existe uma variação significativa na adesão às diretrizes de antibióticos — uma das taxas de prescrição de antibióticos mais altas do Sul da Ásia. A tuberculose resistente a medicamentos e a resistência antimicrobiana são consequências diretas. O acesso a cuidados especializados e a protocolos de tratamento padronizados depende muito da localização geográfica e da renda.
🇳🇬 Nigéria / 🇬🇭 Gana	O sulfato de magnésio é o tratamento para eclampsia recomendado pela OMS, baseado em evidências e de baixo custo. Estudos mostram que ele reduz significativamente a mortalidade materna. No entanto, a disponibilidade e o uso efetivo em unidades de saúde na Nigéria e em Gana variam enormemente, dependendo dos recursos hospitalares e do treinamento dos profissionais de saúde — o que significa que a sobrevivência de uma mulher com eclampsia pode depender da unidade de saúde em que ela é atendida.
🇸🇩 Sudão / 🇮🇶 Iraque	Conflitos prolongados e instabilidade devastaram a infraestrutura de saúde. No Iraque, após 2003, os serviços públicos de saúde entraram em colapso, a implementação de diretrizes foi interrompida e o acesso a medicamentos básicos tornou-se dependente da localização geográfica. No Sudão, o conflito interrompeu programas de vacinação, serviços de saúde materna e o manejo de doenças crônicas. A variação na prática clínica nesses contextos não é uma questão de preferência, mas sim de disponibilidade.
🇪🇬 Egito / 🇮🇷 Irã	Ambos os países possuem faculdades de medicina que formam médicos qualificados e publicaram diretrizes de Medicina Baseada em Evidências (MBE) — mas a implementação é inconsistente entre os setores público e privado, e entre as áreas urbanas e rurais. No Irã, as sanções internacionais afetaram a disponibilidade de medicamentos, forçando adaptações que divergem dos protocolos baseados em evidências.
🇷🇴 Romênia	A Romênia vem documentando a prática de picul (O "envelope") — pagamentos informais em dinheiro a médicos e enfermeiros para garantir atendimento. Oficialmente ilegal, mas amplamente praticado. Inquéritos parlamentares e jornalismo investigativo confirmaram que a qualidade do atendimento cirúrgico pode depender do que um paciente pode pagar no setor privado, independentemente de seu direito equivalente pelo NHS (Serviço Nacional de Saúde do Reino Unido). A fuga de cérebros removeu mais de 14,000 médicos desde a adesão à UE.
🇺🇸 Estados Unidos	O sistema de saúde mais caro do mundo — mais de US$ 12,000 por pessoa por ano — e, ainda assim, os resultados muitas vezes não são melhores do que no Reino Unido. O projeto Dartmouth Atlas documentou uma enorme variação geográfica na prática clínica: o mesmo paciente em Miami pode receber o dobro de exames e procedimentos que o mesmo paciente em Minneapolis, sem nenhuma diferença nos resultados. Um estudo de 2019 publicado no JAMA estimou que US$ 935 bilhões — aproximadamente um quarto de todos os gastos com saúde nos EUA — são desperdiçados em cuidados desnecessários. A crise dos opioides foi parcialmente alimentada por empresas farmacêuticas que influenciaram as práticas de prescrição fora dos padrões da Medicina Baseada em Evidências (MBE).
🇫🇷 França	A França possui um excelente sistema de saúde, mas as taxas de prescrição de antibióticos têm sido historicamente entre as mais altas da Europa, impulsionadas em parte pela expectativa cultural de que uma consulta deva sempre terminar com uma receita. Campanhas para reduzir essa prática ("Antibióticos não são automáticos") têm ajudado, mas o padrão ilustra como as pressões culturais e comerciais podem se sobrepor às diretrizes baseadas em evidências, mesmo em sistemas sofisticados.
🇮🇹 Itália	A qualidade da assistência médica no norte da Itália (Milão, Bolonha) está entre as melhores da Europa. Em algumas regiões do sul da Itália, o cenário é bem diferente: tempos de espera mais longos para cirurgias oncológicas, aplicação menos consistente de programas de rastreamento e menor adesão aos tratamentos baseados em diretrizes. A origem geográfica dentro do mesmo país pode afetar significativamente os resultados.
🇬🇷 Grécia / 🇪🇸 Espanha	A crise de austeridade na Grécia (2010-2015) levou a cortes de gastos com saúde superiores a 25%, causando escassez documentada de medicamentos, redução de pessoal e deterioração da qualidade. Mais de 35,000 profissionais de saúde emigraram. Na Espanha, foi documentada uma variação regional significativa nas taxas de sobrevivência ao câncer — o tumor que você desenvolve pode se comportar de maneira diferente dependendo da região em que você vive, não porque a biologia seja diferente, mas sim porque a aplicação do tratamento baseado em evidências pelo sistema de saúde varia.

💊 Quando o que você recebe depende do quanto você paga

Em sistemas de saúde sem estruturas robustas de Medicina Baseada em Evidências (MBE) ou direitos universais, a relação entre pagamento e qualidade do tratamento é frequentemente direta e documentada:

Em alguns hospitais privados indianos, um paciente com dor no peito que pode pagar por atendimento particular pode receber cateterismo e colocação de stent imediatamente. O mesmo paciente, no sistema público, pode esperar horas por um eletrocardiograma.
Em algumas regiões da África Subsaariana, o tratamento de uma criança com malária grave, seja ela terapia combinada à base de artemisinina (o padrão comprovado por evidências) ou um medicamento mais antigo e menos eficaz, depende do centro de saúde em que ela é atendida e do que sua família pode pagar.
Em países sem acesso universal a medicamentos, os agentes quimioterápicos para o câncer podem estar disponíveis apenas para aqueles que podem pagar do próprio bolso — o que significa que tipos idênticos de câncer podem ter desfechos drasticamente diferentes com base unicamente na renda.
Na Romênia e em alguns outros países do Leste Europeu, a qualidade de um procedimento cirúrgico — a diligência do cirurgião, a qualidade do monitoramento da anestesia, até mesmo a disponibilidade de enfermagem pós-operatória — tem sido documentada como dependente de pagamentos informais, e não de necessidade clínica.

✈️ A analogia que esclarece tudo

Toda vez que você embarca em um voo comercial, você se beneficia de um dos sistemas de segurança mais eficazes já criados pela humanidade. Não porque os pilotos individualmente sejam excepcionalmente talentosos — embora sejam. Mas porque a aviação é construída em torno de... protocolos padronizados e testados quanto à evidênciaTodos os pilotos, todas as companhias aéreas, todos os países seguem as mesmas listas de verificação pré-voo, os mesmos procedimentos de pouso, os mesmos protocolos de emergência. O sistema protege você independentemente do piloto que estiver a bordo.

Medicina sem Medicina Baseada em Evidências é como aviação sem listas de verificação. Sua segurança depende inteiramente de você ter a sorte de pegar um bom piloto, de que esse piloto tenha treinado recentemente, de que ele esteja tendo um bom dia e de que ele tenha ouvido as últimas novidades de alguém em quem confia.

A Medicina Baseada em Evidências (MBE) substitui a sorte pelos sistemas. Substitui "na minha experiência" por "em 15,000 ensaios clínicos envolvendo 2 milhões de pacientes". Substitui a opinião de quem por acaso ocupa o cargo mais sênior na sala pela evidência acumulada da experiência clínica coletiva da humanidade. Você não preferiria isso para seus pacientes? Seus pacientes não prefeririam isso para si mesmos?

💡 Por que isso é importante para você, como médico residente de clínica geral no Reino Unido

Cada diretriz do NICE que você segue é fruto de uma revisão sistemática de evidências — alguém se dedicou a garantir que suas ações sejam respaldadas pela melhor ciência disponível.
Cada questão do AKT sobre estatística e métodos de pesquisa testa sua capacidade de avaliar criticamente as evidências — de ser um consumidor ativo da Medicina Baseada em Evidências (MBE), e não um seguidor passivo de instruções.
Ao explicar o NNT (número necessário para tratar) a um paciente, discutir as limitações de um teste de triagem ou recusar-se a prescrever um antibiótico que não seja indicado, você está praticando a Medicina Baseada em Evidências — de forma consciente, explícita e criteriosa.
E quando um representante farmacêutico se senta à sua frente e lhe diz que seu novo medicamento reduz eventos cardiovasculares em 35%, sua primeira pergunta — "35% relativo ou absoluto?" — é a pergunta que a Medicina Baseada em Evidências (MBE) ensinou à medicina a fazer.

Desenhos de estudo e hierarquia de evidências

Antes de interpretar qualquer resultado, você precisa saber de onde isso veioDiferentes delineamentos de estudo respondem a diferentes perguntas, geram diferentes estatísticas e apresentam diferentes níveis de confiabilidade.

A Pirâmide de Evidências

Evidências mais fortes no topo; mais fracas na base.

Revisões sistemáticas e meta-análises

Ensaios clínicos randomizados (ECR)

Estudos de coortes

Estudos de caso-controle

Estudos Transversais

Relatos de casos e opinião de especialistas

⬆ Evidência mais forte | ⬇ Evidência mais fraca

Design de estudo	Direção	Mais Adequada Para	gera	Fraqueza chave
Revisão Sistemática / Meta-análise	-	Melhor evidência geral sobre uma questão	Tamanho do efeito agrupado	A qualidade depende da qualidade dos estudos subjacentes; heterogeneidade.
RCT (Ensaio Clínico Randomizado)	para a frente	O tratamento X funciona?	RR, ARR, NNT	Caro, ambiente artificial, questões éticas
Estudo de coorte	Para a frente (prospectivo) ou para trás (retrospectivo)	A exposição causa o resultado? Incidência?	Risco Relativo (RR), Incidência	Desgaste; custoso ao longo do tempo; confuso
Estudo de caso-controle	para trás	Doenças raras; fatores de risco	Razão de probabilidade (OR)	Viés de memória; não é possível calcular a incidência diretamente.
Estudo transversal	Instantâneo único	Qual a frequência atual de X? (prevalência)	predomínio	Não é possível estabelecer causalidade; ambiguidade temporal.
Relatório de Caso / Opinião de Especialista	-	Geração de hipóteses; eventos raros	Descrição apenas	Altamente suscetível a vieses; não generalizável.

📖 Pesquisa Qualitativa vs. Quantitativa

Pesquisa quantitativa

Responde a perguntas como "quantos" ou "quanto". Utiliza números, estatísticas e dados estruturados. Exemplos: Ensaios clínicos randomizados (ECR), estudos de coorte, pesquisas com resultados numéricos. Gera valores p, intervalos de confiança (IC) e número necessário para tratar (NNT).

Pesquisa qualitativa

Responde a perguntas como "por que" ou "como". Utiliza palavras, temas e entrevistas. Exemplos: grupos focais, estudos etnográficos, teoria fundamentada. Explora as experiências e crenças dos pacientes.

No AKT: uma pergunta sobre as atitudes, experiências ou compreensão da doença por parte do paciente → qualitativa. Uma pergunta sobre taxas, resultados ou eficácia → quantitativa.

🔬 Revisão Sistemática vs. Meta-análise — Não são a mesma coisa

Revisão sistemática: Uma busca bibliográfica rigorosa e estruturada que identifica, seleciona e avalia criticamente todos os estudos relevantes sobre uma questão. O resultado é um resumo qualitativo das evidências.

Metanálise: Uma revisão sistemática que vai um passo além — ela matematicamente pools Os resultados quantitativos de múltiplos estudos são combinados em uma única estimativa. Nem todas as revisões sistemáticas incluem uma meta-análise (por exemplo, se os estudos forem muito heterogêneos para serem combinados).

Imagine uma revisão sistemática como a leitura de todos os livros sobre um determinado assunto e a elaboração de um relatório. Uma meta-análise é esse relatório com uma fórmula no final que calcula a média das conclusões de todos os autores, resultando em um único número.

🔄 O Framework PICO

PICO é a estrutura padrão para estruturar uma questão de pesquisa clínica — usada para pesquisar a literatura e projetar estudos.

Carta	Apoia	Exemplo
P	População/Paciente	Adultos com diabetes tipo 2
I	Intervenção	Inibidores SGLT2
C	Comparação	Metformina isoladamente
O	Resultado	Eventos cardiovasculares em 5 anos

O AKT pode apresentar um cenário e perguntar qual desenho de estudo melhor responde à questão PICO. Associe o tipo de desfecho ao desenho correto usando a tabela acima.

🎲 Características de projeto do RCT (testadas com frequência)

Característica	O que significa	Por que isso importa
Randomização	Os participantes foram alocados aos grupos por sorteio.	Elimina o viés de seleção; equilibra os fatores de confusão.
Cegueira simples	Os participantes não sabem a qual grupo foram alocados.	Reduz o efeito placebo e o viés do participante.
Duplo cego	Nem os participantes nem os investigadores sabem a alocação.	Elimina o viés do observador E o viés do participante.
triplamente cego	Participantes, investigadores e analistas de dados permaneceram cegos.	Redução máxima de viés
Intenção de Tratar (ITT)	Analisados em seu grupo original, independentemente da adesão.	Preserva a aleatoriedade; reflete o uso no mundo real.
Por protocolo	Analisados apenas se concluíram o protocolo.	Demonstra eficácia biológica, mas superestima o benefício no mundo real.
Projeto cruzado	Os participantes recebem ambos os tratamentos em sequência.	Cada pessoa age como seu próprio controle; necessita de um período de eliminação.
Ocultação de alocação	A pessoa que recruta os participantes não pode ver a qual grupo o próximo participante será atribuído até que depois de eles foram matriculados	Impede que o recrutador aloque, subconscientemente (ou deliberadamente), pacientes mais saudáveis ao grupo de tratamento — uma forma de viés de seleção que a randomização por si só não previne.
Ensaio clínico randomizado por clusters	Grupos inteiros (por exemplo, consultórios médicos, enfermarias, escolas) são randomizados em vez de indivíduos.	Utilizado quando a randomização individual é impraticável (por exemplo, para testar um novo estilo de consulta). Requer tamanhos de amostra maiores e ajuste estatístico para o efeito de agrupamento.

⚠️ Armadilha AKT — ITT vs. Por Protocolo

A intenção de tratar proporciona uma visão mais abrangente. conservador Estimativa (inferior) da eficácia — porque inclui participantes não aderentes. Esta é a análise preferida para decisões clínicas. A análise por protocolo superestima a eficácia, mas é útil para compreender o mecanismo biológico.

⚖️ Ensaios de Superioridade, Não Inferioridade e Equivalência

Nem todos os ensaios clínicos fazem a mesma pergunta. O AKT ocasionalmente testa se você compreende o objetivo real de um ensaio clínico — e por que isso é importante na interpretação dos seus resultados.

Tipo de teste	A pergunta que está sendo feita	Contexto Comum
Ensaio de superioridade	"É o novo tratamento melhor que o comparador?"	A maioria dos ensaios clínicos randomizados padrão testa um medicamento ou abordagem genuinamente nova.
Ensaio de não inferioridade	"É o novo tratamento não pior que o comparador por uma margem maior do que uma pequena margem pré-especificada?"	Novo medicamento com menos efeitos colaterais, custo mais baixo ou administração mais fácil — o objetivo é demonstrar que ele é "bom o suficiente".
Ensaio de equivalência	"São os dois tratamentos essencialmente o mesmo?"	Medicamentos biossimilares; medicamentos genéricos; diferentes vias de administração

💡 Por que os ensaios de não inferioridade são importantes na medicina geral

Um novo anticoagulante pode demonstrar ser "não inferior" à varfarina na prevenção de AVC — não melhor, mas também não significativamente pior — além de ser mais fácil de usar (sem necessidade de monitoramento do INR). Essa é uma descoberta clinicamente valiosa, mesmo que o medicamento não tenha "superado" a varfarina. O AKT pode solicitar que você interprete corretamente o resultado de um ensaio clínico de não inferioridade.

⚠️ AKT Trap

Um ensaio de não inferioridade que demonstra "nenhuma diferença significativa" é não O mesmo que um ensaio de superioridade que mostra "nenhuma diferença significativa". Em um ensaio de superioridade, um resultado não significativo significa que você não conseguiu provar que o novo medicamento funciona melhor. Em um ensaio de não inferioridade, uma diferença não significativa é exatamente o que você esperava.

Viés de pesquisa, validade e confiabilidade

Tipo de preconceito	Definição	Quais são os delineamentos de estudo?	Como reduzi-lo
Viés de seleção	Os participantes não são representativos da população-alvo.	Todos os tipos	Aleatorização; amostragem cuidadosa
Viés de Recall	Os casos (pessoas com a doença) lembram-se de exposições passadas com mais clareza do que os controles.	Estudos de caso-controle	Fontes de dados objetivos; questionamento padronizado.
Viés de publicação	Estudos com resultados positivos/significativos são publicados com mais frequência do que estudos com resultados negativos.	Meta-análises (detectadas por meio de gráfico de funil)	Registro de ensaios clínicos; pesquisa de literatura cinzenta
Viés de atrito	A perda de participantes durante o acompanhamento distorce os resultados (os que desistem diferem dos que completam o estudo).	Estudos de coorte, ensaios clínicos randomizados	Análise por intenção de tratar; minimizar o abandono do estudo.
Viés de tempo de espera	O rastreio cria a ilusão de uma maior sobrevida ao detectar a doença mais cedo.	Estudos de triagem	Utilize a mortalidade específica da doença, não a sobrevida a partir do diagnóstico.
Viés de comprimento	O rastreio detecta doenças de crescimento mais lento (menos agressivas).	Estudos de triagem	Ensaios clínicos randomizados com desfechos específicos da doença
Viés do observador/avaliador	O conhecimento da alocação do tratamento afeta a avaliação dos resultados.	RCTs	Cegamento (simples, duplo, triplo)
Efeito Hawthorne	Os participantes alteram seu comportamento porque sabem que estão sendo observados.	Todos os tipos, especialmente os observacionais.	Grupos de controle; observadores cegos
Viés de verificação	Apenas pacientes com resultado positivo no teste fazem o teste confirmatório, considerado padrão ouro — portanto, a sensibilidade parece falsamente alta e a especificidade falsamente baixa.	Estudos de testes diagnósticos	Garantir que todos os pacientes (positivos e negativos) recebam o teste padrão ouro.
Confundindo	Uma terceira variável está associada tanto à exposição quanto ao desfecho, distorcendo a relação aparente.	Estudos observacionais	Randomização (ECR); estratificação; análise multivariada

Exemplo clássico de fator de confusão: "As vendas de sorvete estão associadas a afogamentos." Sorvete é perigoso? Não — ambas as situações aumentam no verão. A sazonalidade é o fator de confusão. Isso ilustra por que correlação não implica causalidade e por que os fatores de confusão devem ser controlados.

🔀 Confuso — Quando duas coisas parecem estar ligadas, mas não estão

A confusão é um dos conceitos mais importantes na metodologia de pesquisa — e uma das razões mais comuns pelas quais resultados observacionais aparentemente convincentes acabam se mostrando errados. A ideia principal é simples: Duas coisas podem parecer estar ligadas não porque se afetam diretamente, mas porque ambas estão ligadas a uma terceira variável oculta.

🔴 A Definição Essencial

A fator de confusão (ou variável de confusão) é uma terceira variável que está independentemente associada a ambos a exposição e o resultado. Isso cria uma associação espúria (falsa) — ou mascara uma associação real — entre a exposição e o resultado que você está estudando.

Imagine que você percebe que pessoas que carregam isqueiros têm maior probabilidade de desenvolver câncer de pulmão. Deveríamos proibir isqueiros? Não — o verdadeiro culpado é o tabagismo. Fumar está associado tanto ao porte de isqueiro quanto ao desenvolvimento de câncer de pulmão. O tabagismo é o fator de confusão. A associação entre isqueiro e câncer é totalmente explicada por ele.

Exemplos clássicos

Ligação aparente	O fator de confusão	Por que isso explica tudo
Vendas de sorvete → mortes por afogamento	Tempo quente (verão)	O clima quente causa tanto um maior consumo de sorvete quanto um maior número de pessoas nadando → mais afogamentos. Sorvete não causa afogamento.
Consumo de café → câncer de pulmão	Fumar	Fumantes consomem, em média, mais café. Estudos iniciais associaram o café ao câncer — até que o fator tabagismo fosse controlado.
Carregar um isqueiro → câncer de pulmão	Fumar	Fumantes carregam isqueiros. O isqueiro não tem efeito biológico — o cigarro, sim.
Cabelos grisalhos → doença cardíaca	Idade	Tanto os cabelos grisalhos quanto as doenças cardíacas aumentam com a idade. A idade é o fator de confusão — não a cor do cabelo.
Tamanho do sapato → capacidade de leitura (em crianças)	Idade	Crianças mais velhas têm pés maiores E leem melhor. A idade explica ambos os problemas.

📐 Os três critérios para um verdadeiro fator de confusão

Uma variável é considerada um fator de confusão se atender aos seguintes critérios: todos três destes:

Está associado ao exposição (aquilo que você está estudando)
Está associado ao resultado (o resultado que você está medindo)
É não na via causal entre exposição e desfecho (é uma terceira variável separada, não uma etapa intermediária)

💡 Como controlar fatores de confusão

Randomização (em ensaios clínicos randomizados) — distribui igualmente os fatores de confusão conhecidos e desconhecidos entre os grupos. Esta é a proteção mais forte.
Restrição — Inclua apenas participantes que sejam semelhantes em relação ao fator de confusão (por exemplo, apenas não fumantes no estudo sobre café)
Correspondente — parear casos e controles na variável de confusão
Estratificação — analisar os resultados separadamente para cada nível do fator de confusão
Ajuste estatístico multivariado — contabilizar estatisticamente múltiplos fatores de confusão simultaneamente

⚠️ Por que os fatores de confusão são um problema principalmente em estudos observacionais

Em um ensaio clínico randomizado bem conduzido, a randomização distribui os fatores de confusão (conhecidos e desconhecidos) igualmente entre os grupos, eliminando-os como explicação para as diferenças observadas. Em estudos de coorte e caso-controle, só é possível ajustar para os fatores de confusão conhecidos e mensurados. Fatores de confusão não mensurados sempre representam uma explicação potencial para qualquer associação observada — razão pela qual estudos observacionais nunca podem comprovar causalidade de forma definitiva.

✅ Validade e confiabilidade — qual a diferença?

Validade interna

O estudo mede o que afirma medir na população estudada? Os resultados são consistentes? esse Estudo confiável? Ameaçado por viés e fatores de confusão.

Validade externa (generalização)

Os resultados podem ser aplicados a outras populações ou contextos do mundo real? Um ensaio clínico randomizado altamente controlado em um centro especializado pode não refletir o que acontece na atenção primária.

Confiabilidade (Reprodutibilidade)

O teste produz resultados consistentes quando repetido nas mesmas condições? Isso é medido pela confiabilidade interavaliadores (estatística kappa) ou pela confiabilidade teste-reteste.

Estatística Kappa (κ)

Mede a concordância entre dois avaliadores além do acaso. κ = 1 (concordância perfeita); κ = 0 (concordância não melhor que o acaso); κ < 0 (pior que o acaso).

Medição do risco e do efeito do tratamento

Este é o área mais testada Em estatística AKT, você precisa saber essas fórmulas de cor e ser capaz de aplicá-las a tabelas de dados de ensaio em condições de exame.

Imagine que você está em um cassino. A loteria diz que suas chances de ganhar dobraram — parece incrível. Mas se você passou de 1 em um milhão para 2 em um milhão, a melhora relativa é de 100%, mas a diferença absoluta continua sendo praticamente nula. Essa é a diferença entre RRR e ARR. As empresas farmacêuticas adoram citar o RRR. Você sempre deve perguntar pelo ARR.

As principais métricas

Redução Absoluta do Risco (ARR)

ARR = CER − EER

A diferença real nas taxas de eventos entre os grupos. A métrica clinicamente mais honesta.

Redução do Risco Relativo (RRR)

RRR = (CER − EER) ÷ CER

Muitas vezes soa mais impressionante — o que pode ser enganoso sem conhecer o risco inicial. Fórmula alternativa: RRR = 1 − RR (já que RR = EER÷CER, RRR = 1 − esse valor).

Risco Relativo (RR)

RR = EER ÷ CER

Utilizado em estudos de coorte e ensaios clínicos randomizados. RR de 1 = nenhum efeito; <1 = risco reduzido; >1 = risco aumentado.

Número necessário para tratar (NNT)

NNT = 1 ÷ ARR

Quantos pacientes devem ser tratados para evitar um desfecho negativo? Quanto menor, mais eficaz. Sempre arredonde para cima.

Número Necessário para Causar Dano (NNH)

NNH = 1 ÷ ARI

Quantos pacientes devem ser tratados para causar um efeito adverso adicional? Quanto maior o número, mais seguro é o tratamento.

Aumento do Risco Absoluto (ARI)

ARI = EER − CER

O risco adicional conferido por uma exposição nociva ou um efeito colateral do tratamento.

📊 Interpretação do Novo Testamento — O que os números realmente significam?

⚠️ Confusão comum — Menor NNT = Melhor (e não pior)

O NNT indica quantos pacientes você precisa tratar. um para se beneficiar. Então o menos Quanto mais pacientes você precisar tratar para obter um benefício, mais eficaz será o tratamento. NNT = 2 significa que 1 em cada 2 pacientes se beneficia — isso é excelente. NNT = 100 significa que apenas 1 em cada 100 se beneficia — muito menos eficaz.

Imagine distribuir guarda-chuvas em um dia chuvoso. NNT = 2 → distribua 2 guarda-chuvas, 1 pessoa permanece seca — muito eficaz. NNT = 100 → distribua 100 guarda-chuvas, apenas 1 pessoa não se molha — resultado bem decepcionante.

Intervalo NNT	Interpretação aproximada	Contexto de exemplo
<10	Muito eficaz	Antibióticos para certas infecções; alguns tratamentos agudos.
10 - 50	Efeito moderado	Muitos medicamentos preventivos comuns
> 100	Efeito fraco	Algumas estratégias preventivas em nível populacional

⚠️ Essas bandas são informais — o contexto é tudo

Esses limites são não As informações provenientes do NICE ou do RCGP são apenas auxílios didáticos aproximados. O NNT "correto" sempre depende do contexto:

Um NNT de 100 ainda pode valer a pena. se o resultado evitado for a morte ou danos graves irreversíveis
Um NNT de 5 pode não ser aceitável. se o tratamento tiver efeitos colaterais frequentes ou graves

Regra de uma linha: O NNT (número necessário para tratar) indica quantos pacientes você precisa tratar para que um deles se beneficie — quanto menor, maior o efeito. Mas sempre leve isso em consideração em relação à gravidade do resultado e ao ônus do tratamento.

🔄 Não confunda NNT com % de benefício

Se 60 em cada 100 pacientes se beneficiarem, isso corresponde a uma ARR de 60% (= 0.6), resultando em NNT = 1 ÷ 0.6 ≈ 1.7 — um excelente resultado. O NNT não é o número de pessoas que se beneficiam; é o número de pessoas que você trata para obter o resultado desejado. um beneficiar.

📖 Razão de chances e razão de risco — Quando são usadas?

Medir	Usado em	Interpretação
Risco Relativo (RR)	Estudos de coorte, ensaios clínicos randomizados	Compara diretamente o risco em dois grupos. Mais intuitivo do que a razão de chances (OR).
Razão de probabilidade (OR)	Estudos de caso-controle	Compara as chances de exposição em casos versus controles. Aproxima o RR quando a doença é rara.
Razão de Risco (HR)	Análise de sobrevivência (tempo até o evento)	Semelhante a RR, mas leva em conta quando Os eventos ocorrem ao longo do tempo. HR <1 = risco reduzido no grupo de tratamento.

⚠️ AKT Trap — OU ≠ RR

Para doenças comuns, a OR superestima o risco em comparação com o RR. Para doenças raras (prevalência <10%), elas são aproximadamente iguais. Um estudo de caso-controle gera uma OR — você não podes Calcular diretamente a incidência ou o risco relativo a partir de um estudo de caso-controle.

🧮 Exemplo Prático — Calculando o NNT a partir de Dados de Ensaios Clínicos

🎯 Cenário: Teste com estatina

Um estudo clínico randomizado controlado de 5 anos mostrou que, entre pacientes com alto risco cardiovascular: 6% no grupo placebo sofreram um ataque cardíaco, em comparação com 4% no grupo da estatina.

1 CER (Taxa de eventos de controle) = 6% = 0.06 EER (Taxa de Eventos Experimentais) = 4% = 0.04

2 ARR = CER - EER = 0.06 - 0.04 = 0.02 (% 2)

3 NNT = 1 ÷ ARR = 1 ÷ 0.02 = 50
Tratar 50 pacientes durante 5 anos para prevenir 1 ataque cardíaco.

4 RRR = ARR ÷ CER = 0.02 ÷ 0.06 = 33%
Parece impressionante! Mas o benefício absoluto é de apenas 2%.

5 RR = EER ÷ CER = 0.04 ÷ 0.06 = 0.67
O grupo que tomou estatina apresentou 67% do risco do grupo placebo — uma redução relativa de 33%.

💡 Conclusão Clínica

Quando um paciente pergunta "Esta estatina vai me ajudar?", use o NNT (Número Necessário para Tratar). "Se 50 pessoas como você tomarem este comprimido por 5 anos, 1 ataque cardíaco será evitado. Para você, pessoalmente, o benefício absoluto é de 2%." Isso é muito mais honesto do que "Reduz o seu risco em 33%".

💬 Comunicando o risco aos pacientes (Favorito da AKT)

O teste AKT geralmente avalia como você explicaria informações estatísticas para pacientes. Existem quatro formatos principais:

Formato	Exemplo	Mais Adequada Para
Frequência natural	"5 em cada 100 pessoas"	Mais fácil para os pacientes entenderem
Percentagem	"5% das pessoas"	Amplamente utilizado, mas pode induzir em erro.
NNT	"Tratar 20 para prevenir 1 evento"	Comunica o benefício absoluto de forma clara.
Enredo de Cates	Grade visual de 100 rostos	Melhor recurso visual para tomada de decisão compartilhada

🚨 Nunca use RRR sozinho ao comunicar riscos

Dizer "isto reduz o seu risco em 33%" sem informar o risco basal é enganoso. Uma redução relativa do risco (RRR) de 33% a partir de um risco basal de 0.3% significa que o seu benefício absoluto é de 0.1%. Sempre apresente a RRR juntamente com o risco basal ou informe a redução absoluta do risco (ARR) ou o número necessário para tratar (NNT).

💊 A Manobra dos Representantes Farmacêuticos — Como as Empresas Farmacêuticas Manipulam as Estatísticas

Os representantes das empresas farmacêuticas são treinados para apresentar os dados dos ensaios clínicos da maneira mais favorável possível. Eles utilizam um truque estatístico simples, porém eficaz:

Benefícios → expressos como Redução Relativa do Risco (RRR) — porque soa maior e mais impressionante
Danos → citados como Aumento Absoluto do Risco (ARI) — porque soa menor e menos preocupante

Exemplo prático — uma visita fictícia de um representante de medicamentos com estatina

Uma nova estatina reduz os ataques cardíacos de 2% para 1% ao longo de 5 anos, mas aumenta a miopatia de 1% para 2%.

O que diz o representante	O que isso realmente significa
"Este medicamento reduz os ataques cardíacos por 50%"	RRR = 50% — mas ARR é apenas 1%NNT = 100. Tratar 100 pessoas durante 5 anos para prevenir 1 ataque cardíaco.
"O risco de miopatia aumenta apenas em 1%"	ARI = 1% — mas isso é na verdade um duplicação do risco de miopatia (Aumento do Risco Relativo = 100%).

A versão honesta: "Se 100 pacientes tomarem este medicamento durante 5 anos, 1 pessoa a mais evita um ataque cardíaco — e 1 pessoa a mais desenvolve miopatia." Os mesmos dados. Impressão completamente diferente.

O antídoto: sempre pergunte — "Qual é a diferença absoluta?" Quando um representante mencionar um valor relativo, converta-o você mesmo: ARR = CER − EER, então NNT = 1 ÷ ARR. Isso se aplica igualmente aos benefícios. e danos.

Testes e Rastreio de Diagnóstico — A Tabela 2x2

A tabela de contingência 2x2 é a base de toda estatística diagnóstica. Se você souber construir e interpretar essa tabela, poderá responder à maioria das perguntas diagnósticas do AKT.

A mesa 2×2

	ESTADO ATUAL DA DOENÇA
RESULTADO DO TESTE	Doença Presente	Doença Ausente
Teste positivo	Verdadeiro Positivo (TP) O teste deu SIM → tem a doença ✓	Falso Positivo (FP) O teste deu SIM → sem doença ✗
Teste negativo	Falso Negativo (FN) O teste deu NÃO → tem a doença ✗	Verdadeiro Negativo (TN) O teste deu NÃO → nenhuma doença ✓

à Taxa de juros

TP ÷ (TP + FN)

Proporção de pessoas COM a doença que testam positivo. "Quão eficaz é na detecção da doença?"

Especificidade

TN ÷ (TN + FP)

Proporção de pessoas SEM a doença que testam negativo. "Quão eficaz é em descartar a doença?"

Valor preditivo positivo (PPV)

TP ÷ (TP + FP)

Probabilidade de um teste positivo realmente significar doença. Influenciada pela prevalência.

Valor preditivo negativo (NPV)

TN ÷ (TN + FN)

Probabilidade de um teste negativo realmente significar ausência da doença. Influenciada pela prevalência.

🧠 SnNout e SpPin — Os Auxiliares de Memória (e Por Que Funcionam)

SnNout

Snfora: Um altamente Senteste sitivo, se Nnegativo, controla a doença .

Se a sensibilidade for muito alta, um resultado negativo no teste significa que a doença é muito improvável (baixa taxa de falsos negativos). Use um teste sensível para triagem e exclusão.

SpPin

Spem: Um altamente Spteste específico, se Ppositivo, rege a doença In.

Se a especificidade for muito alta, um resultado positivo no teste significa que a doença é muito provável (baixa taxa de falsos positivos). Use um teste específico para confirmar o diagnóstico.

Pense na sensibilidade como um detector de fumaça muito sensível — ele dispara para tudo, até para torradas queimadas. Ele nunca deixará de detectar um incêndio de verdade (SnNout). A especificidade é como um alarme bem calibrado que só dispara para incêndios reais — se ele disparar, você pode ter certeza de que realmente há um incêndio (SpPin).

📊 O Efeito da Prevalência no VPP e VPN — Tópico Crítico da AKT

Este é um dos conceitos mais importantes e mais testados em estatística diagnóstica. Sensibilidade e especificidade são propriedades fixas do teste. Mas o VPP (Valor Preditivo Positivo) e o VPN (Valor Preditivo Negativo) variam drasticamente dependendo da prevalência da doença na população testada.

Imagine que você use o mesmo teste de gravidez em uma clínica de fertilidade (60% das mulheres estão grávidas) e em um consultório médico qualquer (5% das mulheres podem estar grávidas). Mesmo teste — mesma sensibilidade/especificidade. Mas um resultado positivo significa algo muito diferente em cada contexto.

Cenário	predomínio	PPV	VPL
Rastreamento da população em geral para uma doença rara (ex.: HIV em indivíduos de baixo risco)	1%	BAIXO (~16%)	ALTO (aproximadamente 99.9%)
Testes em uma clínica especializada de alto risco.	50%	ALTO (aproximadamente 95%)	ALTO (aproximadamente 95%)

🔴 Regras importantes para lembrar

À medida que a prevalência aumenta, o VPP aumenta e o VPN diminui.
À medida que a prevalência diminui, o VPP diminui e o VPN aumenta.
Em uma população com baixa prevalência, a maioria dos resultados positivos são falsos positivos (baixo VPP) — mesmo com um teste altamente específico.
Um teste negativo em uma população com alta prevalência ainda pode não detectar a doença (VPN menor).

📐 Razões de Verossimilhança — Quando Você Quer Ir Além

As razões de verossimilhança (RV) combinam sensibilidade e especificidade em um único número que indica o quanto o resultado de um teste altera a probabilidade da doença. Mais avançadas que o VPP/VPN, mas úteis — e ocasionalmente testadas em AKT.

Razão de Verossimilhança Positiva (LR+)

LR+ = Sensibilidade ÷ (1 − Especificidade)

A probabilidade de um teste ser positivo em casos de doença em comparação com a ausência da doença. LR+ >10 = forte evidência de doença.

Razão de Verossimilhança Negativa (LR−)

LR− = (1 − Sensibilidade) ÷ Especificidade

Qual a probabilidade de um teste negativo ser maior em casos de doença do que em casos sem doença? LR− <0.1 = forte evidência contra a doença.

LR+	Efeito na probabilidade pós-teste
> 10	Aumento grande e frequentemente conclusivo na probabilidade
5-10	Aumento moderado
2-5	Pequeno aumento
1	Nenhuma alteração (o teste é inútil)
0.1-0.5	diminuição pequena a moderada
<0.1	Diminuição acentuada — forte exclusão negativa.

O nomograma de Fagan usa as razões de verossimilhança (LRs) graficamente — você traça uma linha da probabilidade pré-teste através da LR para obter a probabilidade pós-teste. Se você vir isso no AKT, lembre-se: um teste positivo altera a probabilidade. up, um teste negativo o altera down.

Estatísticas Populacionais e Epidemiologia

Incidência

Novos casos ÷ População em risco × multiplicador

Medidas riscoContabiliza apenas os NOVOS casos durante um período de tempo definido.

Prevalência pontual

Todos os casos existentes ÷ População total

Medidas carga de doençaConta TODOS os casos (novos e antigos) em um ponto específico no tempo (Tempo T). Também escrito como: Casos no Tempo T ÷ População no Tempo T.

A incidência é o número de novos alunos que ingressam em uma escola neste ano. A prevalência é o número total de alunos atualmente matriculados na escola (novos + veteranos). Uma doença crônica com baixa incidência ainda pode apresentar alta prevalência se as pessoas conviverem com ela por anos.

📊 Razão de Mortalidade Padronizada (RMP)

Fórmula SMR

(Mortes observadas ÷ Mortes esperadas) × 100

Ajusta por idade e sexo ao comparar a mortalidade entre populações.

Valor SMR	Interpretação
= 100	Mortalidade semelhante à da população de referência.
> 100	Mortalidade excessiva (maior que a esperada)
<100	Mortalidade menor do que a esperada.

Tipo de questão AKT: "Uma comunidade mineira tem uma taxa de mortalidade padronizada (SMR) de 145. O que isso significa?" → Mortalidade excessiva — 45% mais mortes do que o esperado em uma população geral comparável.

🎯 Triagem — Viés de tempo de antecedência e duração (Principais armadilhas do AKT)

🔴 Viés de tempo de espera

O rastreio detecta uma doença mais cedo, dando a impressão de que a sobrevivência melhorou — mesmo que o paciente venha a falecer no mesmo período. O "tempo de sobrevivência a partir do diagnóstico" foi simplesmente prolongado pela detecção precoce, não por um benefício real do tratamento. O paciente não vive mais; apenas tem mais tempo para saber da doença.

🟠 Viés de comprimento

Os programas de rastreio têm maior probabilidade de detectar doenças de crescimento lento e indolentes (que têm uma "fase pré-clínica detectável" mais longa) do que doenças agressivas que progridem rapidamente. Isso faz com que o rastreio pareça mais eficaz do que realmente é para doenças graves.

Viés de tempo de detecção: Imagine que você sabe que vai morrer aos 60 anos. Sem o rastreio, você descobre aos 55; com o rastreio, descobre aos 40. O rastreio pareceu proporcionar 15 anos adicionais de sobrevida após o diagnóstico — mas você ainda morre aos 60.

✅ Critérios de triagem de Wilson e Jungner

Antes de um programa de triagem ser implementado, ele deve atender aos critérios de Wilson e Jungner (publicados originalmente em 1968 e ainda considerados o padrão de referência). O AKT avalia tanto o conhecimento desses critérios quanto sua aplicação a diferentes cenários.

#	Critério	O que isso significa na prática
1	Problema de saúde importante	Essa condição apresenta morbidade ou mortalidade significativas — justificando o esforço de triagem.
2	Tratamento aceito disponível	Não adianta detectar uma doença que você não pode tratar.
3	Existem instalações para diagnóstico e tratamento.	A infraestrutura deve estar instalada antes do lançamento.
4	Estágio latente ou inicial reconhecível	A doença deve apresentar uma fase pré-sintomática detectável.
5	Teste adequado disponível	O teste deve ser aceitável para a população, seguro e razoavelmente preciso.
6	Teste aceitável para a população	As pessoas precisam estar dispostas a se submeter ao exame — testes invasivos ou desconfortáveis podem desestimular a adesão.
7	História natural adequadamente compreendida	É preciso saber como a doença progride se não for tratada.
8	Política acordada sobre quem deve ser tratado.	São necessários protocolos claros — não apenas para a detecção, mas também para o que acontece a seguir.
9	Custo-beneficio	O custo de encontrar cada caso deve ser equilibrado com o benefício.
10	Processo contínuo, não pontual	O rastreio deve ser contínuo — a incidência da doença persiste.

⚠️ Aplicação AKT — Por que o rastreio de PSA não atende a esses critérios

O rastreio do câncer de próstata pelo PSA é não Parte do programa nacional de rastreio do NHS precisamente porque este apresenta dificuldades com os critérios 5 e 7: o PSA não é um teste suficientemente preciso (baixa especificidade → muitos falsos positivos), e a história natural de muitos cancros da próstata de baixo grau significa que nunca causarão sintomas durante a vida do paciente. Isto está diretamente ligado ao sobrediagnóstico (ver abaixo).

Dica de memorização: pense nos critérios como três grupos — a doença (importante, compreendido, possui um estágio latente), o teste (adequado, aceitável, preciso), o sistema (Existe tratamento, existem instalações, a política é acordada, é economicamente viável e contínuo).

🔍 Sobrediagnóstico — Encontrar problemas que não causariam problemas

O sobrediagnóstico ocorre quando uma doença real é detectada — uma doença que realmente existe — mas essa doença não seria diagnosticada. nunca causaram sintomas, danos ou morte. Durante a vida do paciente, se não for detectada. Não é um falso positivo (a doença é real); é um verdadeiro positivo que não precisava ser encontrado.

🔴 Por que isso importa

O sobrediagnóstico transforma pessoas saudáveis em pacientes. Expõe-nas à ansiedade, aos efeitos colaterais e aos riscos do tratamento de uma condição que nunca lhes causaria dano. É um dos malefícios mais importantes dos programas de rastreio — e um dos que o teste AKT testa diretamente.

Condição	Exemplo de sobrediagnóstico
Câncer de próstata	Muitos cânceres de baixo grau detectados pelo PSA nunca progrediriam ou causariam sintomas — homens morrem. com as eles, não da eles
Câncer de tireoide	A ultrassonografia detecta minúsculos carcinomas papilíferos da tireoide, quase sempre indolentes — a detecção aumentou drasticamente, mas a mortalidade permanece inalterada.
CDIS (carcinoma ductal in situ) (mama)	Carcinoma ductal in situ detectado por mamografia — alguns nunca se tornariam câncer invasivo.

O sobrediagnóstico é como encontrar uma pequena rachadura na parede que nunca teria causado o desabamento da casa — mas agora que você a viu, sente-se compelido a consertá-la. A rachadura era real; o dano causado por encontrá-la veio do tratamento, não da rachadura em si.

Sobrediagnóstico versus sobretratamento

Sobrediagnóstico = encontrar uma doença que não precisava ser encontrada. Tratamento excessivo = tratar uma doença que não precisava de tratamento (o que pode ocorrer após um sobrediagnóstico ou de forma independente). São conceitos relacionados, mas distintos.

🔢 Padronização por Idade

Ao comparar taxas de doenças ou mortalidade entre diferentes populações (por exemplo, diferentes países, diferentes períodos de tempo), é necessário levar em consideração que essas populações podem ter distribuições etárias diferentes. Populações mais idosas naturalmente apresentarão maior mortalidade, mesmo que sua saúde seja igualmente boa.

Conceito-chave

A padronização por idade é uma técnica estatística que elimina o efeito distorcido de diferentes distribuições etárias ao comparar resultados de saúde entre populações. Ela produz uma taxa que seria observada se ambas as populações tivessem a mesma estrutura etária (a "população padrão").

🎗️ Estatísticas sobre o câncer — Informações essenciais da AKT

O AKT ocasionalmente testa estatísticas específicas sobre câncer. Você não precisa ter um conhecimento profundo de oncologia, mas esses números principais aparecem e vale a pena conhecê-los.

Câncer	Estatística principal	Por que isso importa
Câncer de testículo	Sobrevivência superior a 98% em 10 anos	Um dos cânceres mais tratáveis — informação importante para aconselhamento de homens jovens.
Câncer de pulmão	Principal causa de morte por câncer (Reino Unido)	Apesar de não ser o câncer mais comum, ele mata mais pessoas do que qualquer outro.

⚠️ Taxa de Sobrevivência vs. Taxa de Mortalidade — Não confunda estes dois conceitos.

Um câncer pode ter um alto incidência (comum) mas baixo mortalidade (Tratável), como o câncer de mama. Ou pode ter uma incidência menor, mas uma mortalidade muito alta, como o câncer de pâncreas. O teste AKT pode avaliar sua capacidade de interpretar corretamente as estatísticas sobre câncer — não presuma que o câncer mais comum seja o mais mortal.

⚖️ Desigualdades em Saúde

As desigualdades em saúde descrevem diferenças injustas e evitáveis na saúde entre diferentes grupos de pessoas. Elas são um foco significativo da política de saúde pública do Reino Unido e aparecem no AKT (Australian Knowledge and Training) no contexto da epidemiologia e dos determinantes sociais da saúde.

Definição

As desigualdades em saúde são Diferenças injustas e evitáveis no estado de saúde ou na distribuição dos determinantes de saúde entre diferentes grupos populacionais.São "evitáveis" porque decorrem de condições sociais, econômicas ou ambientais que, em princípio, poderiam ser alteradas — e não do acaso ou da variação biológica.

Formato	Exemplos no Reino Unido
Socio-econômico	Menor expectativa de vida em áreas carentes; maiores taxas de doenças cardiovasculares, diabetes e doenças mentais em comunidades mais pobres.
Geográfico	"Divisão Norte-Sul" — piores indicadores de saúde em partes do Norte da Inglaterra em comparação com o Sul.
Étnico	Maior incidência de diabetes tipo 2 em populações do sul da Ásia; maior risco cardiovascular em populações negras.
Gênero	Os homens têm menor expectativa de vida, mas as mulheres têm mais anos de saúde debilitada (morbidade).

Na AKT, as desigualdades em saúde frequentemente se apresentam como questões sobre os determinantes sociais da saúde ou sobre a interpretação de dados populacionais que mostram diferenças entre grupos. Ferramenta-chave: o Avaliação da Marmot (Sociedade Justa, Vidas Saudáveis) e o conceito de universalismo proporcional — serviços universais prestados com maior intensidade àqueles que mais precisam.

Distribuição de dados e significância estatística

Medidas de tendência central

Medir	Definição	Melhor usado quando	Cuidado
Média	Soma de todos os valores ÷ número de valores	Os dados seguem uma distribuição normal.	Facilmente distorcido por valores discrepantes
Mediana	Valor do meio quando ordenado. Se houver um numero par Em uma série de valores, a mediana é a média dos dois números centrais.	Dados distorcidos (ex.: renda, duração da internação hospitalar)	Ignora os valores reais nos extremos.
Moda	Valor que ocorre com mais frequência	Dados categóricos; distribuições bimodais	Pode não ter significado com dados contínuos.
Variação	Máximo − Mínimo	Rápida sensação de propagação	Determinado inteiramente por valores atípicos.
IQR (Intervalo Interquartil)	75º percentil − 25º percentil	Emparelhado com a mediana para dados assimétricos.	Ignora os 25% superiores e inferiores.
Desvio Padrão (SD)	Dispersão média em relação à média	Dados normalmente distribuídos	Enganoso se os dados não seguirem uma distribuição normal.

🗂️ Tipos de dados — Nominal, Ordinal, Intervalar, Razão

Entendendo o que tipo A quantidade de dados que você possui determina quais estatísticas resumidas e quais testes estatísticos são apropriados. O AKT testa isso — geralmente apresentando um conjunto de dados e perguntando qual teste ou medida usar.

Formato	Definição	Exemplos	Analogia
Nominal	Categorias sem ordem natural	Grupo sanguíneo (A, B, AB, O); sexo; cor dos olhos; causa da morte	Uma fruteira — maçãs e bananas são apenas diferentes, nenhuma é "mais" do que a outra.
Ordinal	Categorias ordenadas, mas as lacunas entre elas são não necessariamente iguais	Classificação de insuficiência cardíaca da NYHA (I–IV); escala de dor (leve/moderada/intensa); escalas de Likert.	Posições na corrida — 1º, 2º, 3º. Sabemos a ordem, mas a diferença entre o 1º e o 2º lugar pode ser muito diferente da diferença entre o 2º e o 3º lugar.
Intervalo	Ordenados com intervalos iguais entre os valores, mas Não existe zero verdadeiro	Temperatura em °C; datas do calendário; pontuações de QI	Um termômetro — 0°C não significa "ausência de temperatura". Não se pode dizer que 20°C é "duas vezes mais quente" que 10°C em termos absolutos.
Relação	Ordenado, com intervalos iguais, E um zero absoluto verdadeiro	Altura, peso, pressão arterial, idade, renda, dose do medicamento	Dinheiro — £0 significa que você realmente não tem nada. £40 é o dobro de £20.

💡 Por que isso é importante para o AKT

Dados nominais/ordinais → usar testes não paramétricos, moda ou mediana para médias
Dados de intervalo/razão (distribuição normal) → pode-se usar média, desvio padrão e testes paramétricos
Vocês não é possível calcular uma média de forma significativa. Para dados nominais (por exemplo, "média do tipo sanguíneo" não faz sentido) ou para fazer afirmações proporcionais com dados intervalares (você não pode dizer que alguém com um QI de 120 é "duas vezes mais inteligente" do que alguém com 60).

🔬 Testes Paramétricos vs. Testes Não Paramétricos

Os testes estatísticos se dividem em duas famílias, dependendo das suposições que fazem sobre os seus dados. Os testes AKT determinam qual tipo de teste é apropriado para um determinado cenário — você não precisa realizar os cálculos, apenas saber quando usar cada um.

A Distinção Principal

Testes paramétricos Suponha que os dados sigam uma distribuição normal (ou que a amostra seja grande o suficiente para que isso não importe muito) e que os dados sejam, no mínimo, de nível intervalar. Testes não paramétricos Não faça tais suposições — elas funcionam com classificações ou categorias e são adequadas para dados assimétricos, amostras pequenas ou dados ordinais/nominais.

Os testes paramétricos são como uma receita que só funciona se o forno estiver exatamente na temperatura certa. Os testes não paramétricos são mais tolerantes — funcionam mesmo se o forno estiver um pouco mais quente ou mais frio.

Propósito	Teste paramétrico	Equivalente não paramétrico
Comparar as médias de dois grupos independentes.	Teste t independente	Teste U de Mann-Whitney
Comparar significa: mesmo grupo, 2 momentos distintos	Teste t pareado	Teste de postos sinalizados de Wilcoxon
Comparar as médias de 3 ou mais grupos	ANOVA (Análise de Variância)	Teste de Kruskal-Wallis
Correlação entre duas variáveis contínuas	Correlação de Pearson	Correlação de classificação de Spearman
Comparar proporções / dados categóricos	-	Teste do qui-quadrado (χ²)

⚠️ Regras de Decisão AKT

Os dados são enviesado or não distribuído normalmente → usar métodos não paramétricos
Tamanho de amostra pequeno (e normalidade incerta) → usar métodos não paramétricos
Os dados são ordinal (ex: escalas de dor, Likert) → usar métodos não paramétricos
Comparando proporções ou categorias → teste qui-quadrado
Amostra grande, contínua, aproximadamente normal → teste paramétrico é adequado

🔔 Distribuição Normal — A Regra 68-95-99.7

Uma distribuição normal é uma curva simétrica em forma de sino. A média, a mediana e a moda são todas iguais e situam-se no centro.

Variação	% dos valores incluídos
Média ± 1 desvios padrão	68%
Média ± 2 desvios padrão	95%
Média ± 3 desvios padrão	99.7%

Aplicação do AKT: Os intervalos de referência para exames de sangue são geralmente definidos como média ± 2 desvios padrão — o que significa que 5% das pessoas saudáveis apresentarão resultados "fora da faixa normal". É por isso que um resultado levemente anormal em um paciente assintomático geralmente não requer tratamento.

⚠️ Dados distorcidos

Com dados com distribuição assimétrica positiva (por exemplo, renda, tempo de espera em consultas com clínicos gerais, bilirrubina sérica em uma enfermaria), a média é puxada para a direita por alguns valores discrepantes elevados. Nesse caso, use o mediana — representa melhor o valor típico. O AKT adora testar essa distinção.

📉 Valores-p e intervalos de confiança — o que eles realmente significam

Valores de p

O valor p é a probabilidade de observar resultados pelo menos tão extremos quanto os observados. se a hipótese nula for verdadeira (ou seja, se não houver efeito real). É não a probabilidade de a hipótese nula estar correta.

valor-p	Interpretação
p <0.05	Estatisticamente significativo — menos de 5% de probabilidade de que este resultado tenha ocorrido por acaso.
p> 0.05	Não estatisticamente significativo — o resultado pode ser devido ao acaso.
p = 0.01	Há 1% de chance de obter esse resultado se não houver efeito real.

Intervalos de confiança (IC)

Um intervalo de confiança de 95% significa: se você repetisse o estudo 100 vezes, em 95 dessas vezes o valor real da população estaria dentro desse intervalo.

Um intervalo de confiança (IC) é como uma previsão do tempo que diz "espere entre 14°C e 22°C amanhã". Não significa que a temperatura estará definitivamente nessa faixa, mas você tem 95% de certeza de que estará.

🔴 A regra mais testada — O IC cruza o número mágico?

Para uma solução mais permanente, um ferrolho ou uma tranca de sobrepor pode ser fixado à porta e ao batente com parafusos. Quando acionado, o ferrolho desliza para um suporte receptor na parede ou no batente, mantendo a porta de embutir firmemente fechada. Esta é uma das opções sem fechadura mais seguras disponíveis e pode ser instalada em menos de XNUMX minutos com ferramentas básicas. relação (RR, OR, HR): se o IC de 95% incluir 1.0 → não estatisticamente significativo
Para uma solução mais permanente, um ferrolho ou uma tranca de sobrepor pode ser fixado à porta e ao batente com parafusos. Quando acionado, o ferrolho desliza para um suporte receptor na parede ou no batente, mantendo a porta de embutir firmemente fechada. Esta é uma das opções sem fechadura mais seguras disponíveis e pode ser instalada em menos de XNUMX minutos com ferramentas básicas. diferença (diferença média, ARR): se o IC de 95% incluir 0 → não estatisticamente significativo
Se o IC for inteiramente superior a 1 (para razões) → risco significativamente aumentado
Se o IC for inteiramente inferior a 1 (para razões) → risco significativamente reduzido

❌ Erros do Tipo I e do Tipo II — Gritar "Lobo" vs. Não perceber o "Lobo"

Erro do tipo I (α — Alfa)

Rejeitar a hipótese nula quando ela é, na verdade, verdadeira. Em outras palavras: concluir que um tratamento funciona quando, na verdade, não funciona. A taxa de falsos positivos. Convencionalmente aceitável em 5% (α = 0.05, p < 0.05).

"Gritar lobo" — soar o alarme quando não há lobo nenhum.

Erro tipo II (β — Beta)

Não rejeitar a hipótese nula quando ela é, na verdade, falsa. Em outras palavras: não detectar um verdadeiro efeito do tratamento. A taxa de falsos negativos. Convencionalmente aceitável em 20% (β = 0.2, poder = 80%).

"Não ver o lobo" — dizer que não há lobo quando há um.

Poder Estatístico

Poder estatístico = 1 − β. É a probabilidade de detectar corretamente um efeito verdadeiro. Maior poder estatístico = menor probabilidade de não detectar um efeito real. O poder estatístico aumenta com tamanhos de amostra maiores. Um ensaio clínico bem planejado precisa de poder estatístico ≥ 80%.

⚡ Significado estatístico ≠ Importância clínica

Essa é uma das nuances mais importantes e mais testadas nas estatísticas do AKT — e uma que muitos estagiários deixam passar.

🔴 A Regra Fundamental

Um resultado pode ser estatisticamente significativo (p < 0.05) enquanto sendo clinicamente insignificanteA significância estatística apenas indica que é improvável que o resultado se deva ao acaso — ela afirma nada sobre se o efeito é suficientemente grande para ser relevante na prática.

Um estudo com 50,000 pacientes constatou que um novo anti-hipertensivo reduz a pressão arterial sistólica em 1 mmHg. p = 0.001. Altamente significativo — mas você mudaria sua prescrição por uma redução de 1 mmHg? Não. O valor de p é ínfimo porque a amostra é enorme, não porque o efeito seja importante.

Cenário	Estatisticamente significativo?	Clinicamente importante?
A pressão arterial diminui 1 mmHg, n=50,000, p=0.001	Sim	Não
A pressão arterial diminui 15 mmHg, n=30, p=0.08	Não	Provavelmente sim
A pressão arterial diminui 12 mmHg, n=500, p=0.02	Sim	Sim

💡 O que usar em vez disso

Sempre olhe para o tamanho do efeito (ARR, NNT, diferença média) juntamente com valores p e ICs. Um intervalo de confiança estreito que exclui zero ou um é mais significativo do que apenas um valor p — ele indica tanto a direção quanto a precisão do efeito.

📏 Amplitude do Intervalo de Confiança — Precisão em Resumo

IC estreito → estimativa precisa → alta confiança de que o valor verdadeiro está próximo da estimativa pontual (geralmente a partir de uma amostra grande)
CI amplo → estimativa incerta → o valor verdadeiro pode estar em qualquer ponto dentro de uma ampla faixa (geralmente proveniente de uma amostra pequena ou heterogênea)

Exemplo: RR = 1.5 (IC 95% 1.4–1.6) → preciso, convincente. RR = 1.5 (IC 95% 0.6–3.8) → amplo, incerto — e cruzando 1.0, portanto nem sequer significativo.

📈 Regressão à Média — O Fator de Confusão Oculto na Prática Clínica

A regressão à média é a tendência estatística de uma medição extrema se aproximar da média em uma segunda medição. independentemente de qualquer intervençãoÉ uma das fontes mais subestimadas de conclusões enganosas na medicina.

🔴 Por que isso é clinicamente importante

Frequentemente, os pacientes são investigados ou tratados justamente quando seus sintomas ou medidas estão no pior momento. A variação natural significa que essas medidas provavelmente melhorarão em novos testes — não necessariamente por causa da sua intervenção. Sem um grupo de controle, é impossível distinguir a regressão à média do efeito genuíno do tratamento.

Cenário	O que parece ser o efeito do tratamento	O que pode estar realmente acontecendo
Paciente com pressão arterial muito alta em uma medição → iniciou medicação → pressão arterial mais baixa na consulta seguinte	O medicamento está funcionando.	A primeira leitura pode ter sido um valor discrepante; a pressão arterial teria sido menor de qualquer forma em uma medição repetida.
Aluno com nota muito baixa em prova → recebe aulas de reforço → nota melhor na próxima vez	As mensalidades ajudavam	A baixa pontuação pode não ter sido representativa; o desempenho natural tende a se aproximar da média.
Paciente com crise grave de eczema inicia o uso de um novo creme → a crise melhora	O creme é eficaz.	Crises graves melhoram naturalmente com o tempo, independentemente do tratamento.

Imagine que você só mede a altura de alguém quando essa pessoa está em cima de uma caixa. Ela parece muito alta. Na próxima vez que você a mede normalmente, ela parece ter "encolhido". A medida mudou; a pessoa não. Isso é regressão à média.

💡 Como se proteger contra isso

O múltiplas medições de linha de base e utilize a média antes de iniciar o tratamento.
Usar um grupo de controle — A regressão à média afeta ambos os grupos igualmente, portanto, qualquer diferença entre os grupos tem maior probabilidade de ser um efeito real do tratamento.
Este é um dos argumentos mais fortes a favor de Ensaios clínicos randomizados (ECR) em comparação com estudos não controlados do tipo antes e depois.

Gráficos Estatísticos — O Que Observar

A AKT apresenta gráficos regularmente e pede que você os interprete. Aprenda a identificar a característica principal em cada tipo de gráfico — não tente ler tudo. Uma observação atenta é suficiente.

Tipo de Gráfico	Uso primário	A única coisa a procurar
Lote Florestal	Resultados da meta-análise	Faz o diamante Cruzar a linha vertical de não efeito?
Gráfico de funil	Detecção de viés de publicação / Monitoramento de valores discrepantes em médicos generalistas	É o enredo assimétrico? (Lacuna = estudos não publicados ausentes)
Enredo de Cates	Comunicar o NNT visualmente aos pacientes	Conte as faces coloridas com a palavra "benefício"; NNT = 100 ÷ essas faces
O Enredo do Abade	Explorando a heterogeneidade em meta-análises	Ponto na linha diagonal = efeito de tratamento zero
Diagrama de caixa e bigode	Distribuição e propagação de dados	Linha do meio = mediana (não significa média); pontos além dos limites = valores discrepantes
Nomograma de Fagan	Probabilidade pré-teste → pós-teste	Trace uma linha da probabilidade pré-teste até LR para obter a probabilidade pós-teste.
Diagrama de caule e folhas	Distribuição — preserva os valores originais	Semelhante a um histograma, mas mostra pontos de dados individuais.
Curva de Kaplan-Meier	Análise de sobrevivência — tempo até o evento	Os degraus diminuem quando os eventos ocorrem; curvas que divergem precocemente e permanecem separadas sugerem benefício sustentado do tratamento.
Histograma	Distribuição de dados contínuos	Formato da curva: simétrica = distribuição normal; assimétrica = usar a mediana em vez da média.

🌲 Parcelas Florestais — Em Detalhes

Como ler um gráfico florestal

Cada quadrado = um estudo. O tamanho do quadrado = o peso do estudo (geralmente determinado pelo tamanho da amostra)
Linhas horizontais = intervalo de confiança de 95% para esse estudo
O diamante Na parte inferior = a estimativa geral agrupada. Sua largura = o IC de 95% agrupado
Linha vertical em 1.0 = "linha de nenhum efeito" (para proporções). Se uma linha de IC ou o diamante cruza esta linha, esse resultado é não é estatisticamente significativo

Heterogeneidade — A estatística I²

O índice I² mede quanta variação entre os estudos se deve à heterogeneidade real (diferenças reais) e não ao acaso.
I² < 25% = baixa heterogeneidade ✓
I² = 25–50% = heterogeneidade moderada
I² > 50% = heterogeneidade substancial — o resultado agrupado é menos confiável ⚠️

Imagine o diamante como o veredito final do júri. Se o diamante cruzar a "linha de não efeito" vertical, o júri não chega a um consenso — não há uma conclusão definitiva. A estatística I² indica se os jurados sequer concordaram sobre o mesmo caso.

📯 Gráficos de Funil — Monitoramento de Viés de Publicação e Valores Atípicos em Princípios de Generalização

Os gráficos de funil aparecem em dois contextos completamente diferentes no AKT — certifique-se de reconhecer ambos.

Em Meta-análise (Viés de Publicação)

O gráfico representa o tamanho do efeito (eixo x) em função da precisão ou tamanho do estudo (eixo y). Um funil invertido simétrico indica ausência de viés. Um funil assimétrico com uma lacuna no canto inferior esquerdo indica ausência de pequenos estudos com efeitos negativos → viés de publicação.

Monitoramento de desempenho na prática

Compara clínicas de medicina geral com base em métricas (por exemplo, taxas de encaminhamento, mortalidade). Os pontos de dados fora das linhas do funil são valores discrepantes estatísticos Justificativa para investigação — não necessariamente prova de mau desempenho.

😊 Gráficos de Cates — Como extrair NNT visualmente

Um gráfico de Cates (às vezes chamado de "gráfico de carinhas sorridentes") usa uma grade de 100 rostos para ajudar os pacientes a visualizar o benefício e o dano absolutos.

Cada um dos 100 rostos representa uma pessoa a cada 100 tratadas.
Rostos amarelos/verdes = pessoas que se beneficiaram (eventos evitados)
rostos vermelhos = pessoas que sofreram danos
Rostos cinzentos/lisos = nenhum efeito em nenhum dos sentidos

NNT do gráfico de Cates

NNT = 100 ÷ número de faces beneficiadas

Exemplo: 4 rostos amarelos → NNT = 100 ÷ 4 = 25

📉 Curvas de Sobrevivência de Kaplan-Meier — Como Interpretá-las

As curvas de Kaplan-Meier (KM) mostram a probabilidade de sobrevivência (ou de permanecer livre de eventos) ao longo do tempo. Elas aparecem em perguntas da AKT sobre ensaios clínicos de câncer, estudos cardiovasculares e qualquer pesquisa que acompanhe o tempo até um evento.

Característica	O que significa
O eixo Y	Probabilidade de sobrevivência (ou sobrevivência livre de eventos) — começa em 1.0 (100%) e diminui ao longo do tempo.
O eixo X	Tempo (dias, meses, anos)
Cada degrau descendente	Ocorreu um evento (ex.: morte, recaída). Passos maiores = mais eventos nesse ponto.
Marcas de escala na linha	Pacientes censurados — aqueles que não compareceram ao acompanhamento ou cujo estudo foi encerrado. Não se trata de eventos.
Duas curvas que divergem cedo e permanecem separadas.	Sugere benefício sustentado do tratamento durante todo o período de acompanhamento.
Curvas que se cruzam	Sugere que o risco não é proporcional ao longo do tempo — o que complica a interpretação.
Sobrevida mediana	O ponto no tempo em que a curva de sobrevivência cruza 50% — o ponto em que metade dos pacientes já teve o evento.

Relação com a Razão de Risco

O teste de classificação de log Compara estatisticamente duas curvas de Kaplan-Meier. razão de risco (HR) Resume a diferença geral entre as curvas. HR < 1 = o grupo de tratamento apresenta menos eventos ao longo do tempo. Se as curvas se sobrepuserem substancialmente, o HR estará próximo de 1 (nenhum benefício).

Imagine uma curva de Kaplan-Meier como uma escada descendente. Cada degrau representa alguém vivenciando o evento. Um tratamento eficaz mantém as pessoas nos degraus mais altos por mais tempo — a escada do grupo tratado desce mais lentamente.

📊 Histogramas — Distribuição em resumo

Um histograma exibe a distribuição de uma variável contínua (por exemplo, idade, pressão arterial, IMC) agrupando os valores em intervalos (classes) e mostrando quantas observações se enquadram em cada um. Ao contrário de um gráfico de barras, as barras se tocam — porque os dados são contínuos.

Shape	Significado	Usar a média ou a mediana?
Formato de sino simétrico	Distribuição normal — média, mediana e moda são iguais.	Qualquer uma das opções — mas convencionalmente média ± desvio padrão
Assimetria à direita (positiva)	Cauda longa para a direita — alguns valores muito altos puxando a média para cima.	Mediana (mais representativa)
Assimetria negativa (esquerda)	Cauda longa à esquerda — alguns valores muito baixos puxando a média para baixo.	Mediana (mais representativa)
Bimodal (dois picos)	Dois subgrupos distintos nos dados	Relate ambos os picos separadamente.

Dica da AKT: se um histograma apresentar assimetria positiva, a medida de tendência central correta a ser citada é o medianaSe apresentar uma distribuição normal, então... significar é apropriado.

Melhoria da Qualidade e Auditoria Clínica

ferramenta	Propósito	Principais funcionalidades
Auditoria Clínica	Avaliar a prática em relação a padrões explícitos; identificar e sanar lacunas.	Requer um padrão definido. Utiliza o ciclo PDSA. Envolve o fechamento do ciclo (reauditoria). Não Pesquisa — nenhuma hipótese, nenhum conhecimento novo gerado.
Análise de Eventos Significativos (SEA)	Revisão sistemática multidisciplinar de um único evento significativo	Sem atribuição de culpa. Foca na aprendizagem do sistema, não na culpa individual. Compartilhada com a equipe. Documenta o aprendizado e as ações.
Análise de causa raiz (RCA)	Investigação aprofundada de incidentes graves	Mais estruturado que a Análise Socioecológica (SEA). Utiliza a técnica dos "5 Porquês". Identifica as causas contribuintes e as causas raízes. Frequentemente aplicado a eventos adversos graves ou danos severos.
Relatório de Exceções do QOF	Exclusão adequada de pacientes dos indicadores do QOF	Clinicamente apropriado para: terapia máxima tolerada, discordância informada do paciente, fragilidade extrema ou contraindicação clínica.

🔄 Auditoria Clínica vs. Pesquisa — Principais Diferenças

Característica	Auditoria Clínica	Pesquisa
Propósito	Melhore o atendimento comparando-o com os padrões.	Gerar novos conhecimentos
Hipótese	Nenhum — compara com o padrão existente	Sempre tem uma hipótese
Aprovação ética	Geralmente não é necessário	Geralmente necessário
Consentimento	Geralmente não é necessário	Geralmente necessário
Randomização	Nunca	Pode incluir ensaios clínicos randomizados.
Resultado final	Melhoria do serviço; plano de ação	Novas evidências; publicação

Armadilha AKT: "Um clínico geral quer investigar se um novo antibiótico alcança taxas de cura melhores do que o tratamento padrão em sua prática." → Isto é pesquisa (Gera novo conhecimento, tem uma hipótese, precisa de ética). "Um clínico geral mede se a taxa de revisão de asma em seu consultório atende ao padrão NICE de 80%." → Isto é auditor.

🔁 Ciclo PDSA

O ciclo PDSA (Planejar-Executar-Estudar-Agir) é a estrutura de melhoria contínua utilizada em auditoria clínica e aprimoramento da qualidade.

Etapa	O que acontece
Planejamento	Defina a pergunta, estabeleça o padrão, planeje a coleta de dados.
Do	Implementar a mudança ou avaliar a prática atual
estude	Analisar resultados; comparar com o padrão; identificar lacunas.
Aja	Implementar melhorias; planejar uma nova auditoria para concluir o ciclo.

Cálculos Clínicos (Banco de Fórmulas AKT)

Essas fórmulas aparecem em questões de cálculo de AKT. Aprenda cada uma delas e conheça os limites clínicos que acionam a intervenção.

Índice de massa corporal (IMC)

Peso (kg) ÷ Altura² (m²)

Peso abaixo do normal <18.5 | Peso normal 18.5–24.9 | Sobrepeso 25–29.9 | Obesidade ≥30 | Obesidade mórbida ≥40

Índice de pressão tornozelo-braquial (IPTB)

Pressão sistólica máxima no tornozelo ÷ Pressão sistólica máxima no braço

Normal: 1.0–1.3 | DAP: <0.9 | DAP grave: <0.5 | Não compressível (calcificada): >1.3

Unidades de álcool

(Volume em ml × Teor Alcoólico em % ÷ 1000

Exemplo: 750 ml × 12% ÷ 1000 = 9 unidades. Baixo risco: ≤14 unidades/semana para ambos os sexos. Não há nível seguro durante a gravidez.

Colesterol não HDL

Colesterol total − Colesterol HDL

Meta: <2.5 mmol/L em pacientes em terapia com estatina (diretrizes do NICE). Inclui todas as lipoproteínas aterogênicas.

Volume da dose do medicamento pediátrico

(Dose desejada ÷ Concentração disponível) × Volume

Exemplo: Uma criança precisa de 250 mg, e a suspensão tem 125 mg/5 ml: (250 ÷ 125) × 5 ml = 10 ml

Percentagem de perda de peso (recém-nascidos)

[(Peso ao nascer − Peso atual) ÷ Peso ao nascer] × 100

Uma perda superior a 10% nos primeiros 5 dias requer avaliação médica. É normal perder até 10% do peso; a recuperação deve ocorrer entre o 10º e o 14º dia.

Cockcroft-Gault (CrCl)

[(140−Idade) × Peso(kg)] ÷ Creatinina(µmol/L) × K

K = 1.23 (homens), 1.04 (mulheres). Estima a depuração da creatinina — utilizada para a dosagem de medicamentos em casos de insuficiência renal.

🧮 Exemplo prático da ABPI

🎯 Cenário: Sra. T, 72 anos, com dor na perna ao caminhar

1 Pressão no tornozelo (máxima entre DP/PT): 90 mmHg | Pressão braquial (máxima no braço): 130 mmHg

2 ABPI = 90 ÷ 130 = 0.69

3 ABPI 0.69 = Doença arterial periférica confirmada (limite <0.9)

4 A bandagem compressiva é CONTRAINDICADO — consulte a cirurgia vascular

🍷 Exemplos Práticos da Unidade sobre Álcool

Bebidas	Volume (ml)	ABV%	Cálculo	Monitoradas
Taça grande de vinho	250ml	13%	250 × 13 ÷ 1000	3.25
Garrafa de vinho	750ml	12%	750 × 12 ÷ 1000	9.0
Cerveja lager de 500ml (forte)	568ml	5%	568 × 5 ÷ 1000	2.84
medida de espírito único	25ml	40%	25 × 40 ÷ 1000	1.0

Orientações para baixo risco: ≤14 unidades/semana (homens e mulheres), distribuídas em 3 ou mais dias, com 2 a 3 dias sem álcool por semana. Isso é o que você discutiria em uma consulta sobre redução do consumo de álcool.

🧮

Exemplos trabalhados

🎯 Exemplo 1: Calculando todas as métricas de risco a partir de uma tabela de ensaio clínico

Um ensaio clínico randomizado (ECR) distribuiu aleatoriamente pacientes para receberem o medicamento X ou placebo. Após 3 anos: 80 dos 500 pacientes do grupo placebo sofreram um AVC; 40 dos 500 pacientes do grupo medicamento X sofreram um AVC.

1CER = 80/500 = 0.16 (16%) EER = 40/500 = 0.08 (8%)

2ARR = 0.16 − 0.08 = 0.08 (% 8)

3NNT = 1 ÷ 0.08 = 12.5 → arredondar para 13

4RRR = 0.08 ÷ 0.16 = 0.5 50% =

5RR = 0.08 ÷ 0.16 = 0.5 (O medicamento X reduz pela metade o risco de AVC)

🎯 Exemplo 2: Construindo uma tabela 2×2 e calculando sensibilidade e especificidade

Um novo teste é aplicado a 200 pacientes, dos quais 100 têm a doença. O teste identifica corretamente 85 dos 100 pacientes com a doença e identifica corretamente 80 dos 100 pacientes sem a doença.

1TP = 85 | FN = 15 | TN = 80 | FP = 20

2à Taxa de juros = TP ÷ (TP+FN) = 85 ÷ (85+15) = 85/100 = 85%

3Especificidade = TN÷ (TN+FP) = 80 ÷ (80+20) = 80/100 = 80%

4PPV = TP ÷ (TP+FP) = 85 ÷ (85+20) = 85/105 = 81%

5VPL = TN÷ (TN+FN) = 80 ÷ (80+15) = 80/95 = 84%

🎯 Exemplo 3: Cálculo da Dose Pediátrica

Uma criança precisa de 300 mg de amoxicilina. A suspensão disponível é de 250 mg/5 ml. Qual o volume que deve ser administrado?

1Fórmula: (Dose desejada ÷ Concentração disponível) × Volume

2(300 ÷ 250) × 5 = 1.2 × 5 = 6ml

📋

Lista de fórmulas e dicas de memorização

Fórmulas de risco e tratamento

ARR = CER − EER RRR = ARR ÷ CER RR = EER ÷ CER NNT = 1 ÷ ARR NNH = 1 ÷ ARI

Testes de Diagnóstico

à Taxa de juros = TP ÷ (TP+FN) Especificidade = TN ÷ (TN+FP) PPV = TP ÷ (TP+FP) VPL = TN ÷ (TN+FN)

Fórmulas Populacionais e Clínicas

SMR = (Obs ÷ Exp) × 100 IMC = Peso (kg) ÷ Altura² (m) ABPI = PAS no tornozelo ÷ PAS braquial Álcool = (Volume × Teor Alcoólico%) ÷ 1000

🧠 Auxílios para a Memória

SnNout: Teste sensível — Resultado negativo descarta a doença (rastreio)
SpPin: Teste específico — Regras positivas NA doença (confirmação)
O IC cruza 1.0 (razão) ou 0 (diferença) → não significativa
Linha cruzada de diamante na parcela florestal → não significativo
Assimetria em forma de funil → viés de publicação (ou valor discrepante de GP se o contexto de desempenho for relevante)
linha central do gráfico de caixa → MEDIANA (não média)
68-95-99.7 → ±1DP, ±2DP, ±3DP na distribuição normal
I² >50% → heterogeneidade substancial
OU de estudo caso-controle | RR da coorte | Prevalência a partir de estudos transversais
Auditoria ≠ Pesquisa (Medidas de auditoria versus padrões; a pesquisa gera novos conhecimentos)

📊 Mnemônico para o desenho do estudo: "Para casos, OR — Para coortes, RR"

Controle de caso → OR (Razão de Chances) — olhando PARA TRÁS nas exposições
grupo → RR (Risco Relativo) — avançando a partir da exposição
Transversal → Prevalência — INSTANTÂNEO em um determinado momento
RCT / SR → Padrão ouro para perguntas sobre tratamento

🎓

Dicas para Treinadores e Professores

Pontos cegos comuns dos estagiários sobre este tópico

Frequentemente, os estagiários aprendem o NNT como uma fórmula sem compreender seu significado clínico real — certifique-se de que eles consigam explicá-lo em uma frase que um paciente entenda.
A distinção entre sensibilidade/especificidade (propriedades do teste) e VPP/VPN (influenciados pela prevalência) é pouco compreendida — a analogia com o teste de gravidez funciona bem.
Muitos estagiários sabem como é uma parcela florestal, mas não conseguem explicá-la. o que Para observar — concentre-se no diamante e verifique se ele ultrapassa a linha de não efeito.
O viés de prazo de entrega é frequentemente confundido com o viés de duração — use diagramas ou linhas do tempo para ilustrar a distinção.
Os estagiários costumam confundir auditoria clínica com pesquisa — use os próprios exemplos de avaliações do RCGP.

Ideias para tutoriais e tópicos de discussão

"Aqui está a tabela resumo de um ensaio clínico de um medicamento — você poderia me informar o NNT (número necessário para tratar) e se você o prescreveria para este paciente?"
"Observe este gráfico da floresta. A intervenção é eficaz? Quanta confiança você tem nessa resposta?"
"Seu paciente teve um teste FIT positivo. O VPP em uma população de baixo risco é de cerca de 3%. Como você explicaria isso para ele?"
"Estamos vendo muitos resultados elevados de PSA. Qual o problema em usar o PSA como teste de triagem?"
"Um colega quer comparar nossos resultados em relação à sepse com os da instituição. Isso é considerado auditoria ou pesquisa? Requer ética?"
"Como você explicaria a probabilidade de 1 em 50 de um efeito colateral para um paciente que pergunta 'É seguro?'"

Questões reflexivas para tutoriais

Como você explica o risco aos pacientes atualmente? Você usa números absolutos ou relativos?
Você se lembra de alguma diretriz clínica recente que tenha citado um NNT significativo? Qual era esse valor e como ele influenciou sua prática?
Você já solicitou um exame sem saber sua sensibilidade/especificidade? Como você interpretou o resultado?
Por que uma empresa farmacêutica optaria por apresentar os resultados de seus ensaios clínicos como RRR em vez de ARR?

🔥 Dicas de Alto Rendimento da AKT

Esses são os padrões que aparecem repetidamente nas provas da AKT. Memorize-os e você conseguirá boas notas.

🎯 Cálculo do NNT

Sempre converta as porcentagens em decimais primeiro. ARR = 5% → NNT = 1 ÷ 0.05 = 20. Sempre arredonde. up arredondado para o número inteiro mais próximo. Um NNT menor significa um tratamento mais eficaz.

🎯 CI ultrapassa o número mágico

Para razões (RR, OR, HR): Intervalo de confiança (IC) 1.0 = não significativo. Para diferenças: IC cruza 0 = não significativo. Isso surge em quase todas as questões sobre gráficos de floresta.

🎯 Correspondência de Design de Estudo

Doença rara → controle de caso → OU. Nova exposição daqui para frente → coorte → RR. Panorama da prevalência → transversalMelhores evidências para o tratamento → RCT or Revisão sistemática/meta-análise.

🎯 Sensibilidade vs. Especificidade — Qual usar em cada situação

Teste de triagem → Deseja alta sensibilidade (não quer perder casos → SnNout). Teste confirmatório → Deseja-se alta especificidade (não se deseja falsos positivos → SpPin).

🎯 Queda no VPP em populações com baixa prevalência

Mesmo um teste altamente específico (99%) apresenta um valor preditivo positivo (VPP) baixo em um contexto de baixa prevalência. A maioria dos resultados positivos em triagens populacionais são falsos positivos. É por isso que não rastreamos todas as pessoas para todas as doenças.

🎯 Diamante do Terreno Florestal

Se o diamante Se a estimativa agrupada cruzar a linha vertical de ausência de efeito, o resultado geral NÃO é estatisticamente significativo. Se I² > 50%, há heterogeneidade substancial e o resultado agrupado é menos confiável.

🎯 Assimetria do gráfico de funil

Uma lacuna no canto inferior esquerdo de um gráfico de funil indica viés de publicação — pequenos estudos com resultados negativos não foram publicados. Isso infla o efeito aparente de um tratamento na meta-análise.

🎯 Box-and-Whisker — Sempre a mediana, não a média

A linha dentro a caixa é a medianaA caixa representa o intervalo interquartil (50% centrais). Pontos ou círculos além dos limites representam valores discrepantes.

🎯 RRR soa mais impressionante que ARR

As empresas farmacêuticas adoram citar a RRR porque soa mais impactante. Uma RRR de 50% parece incrível — até você descobrir que o risco basal era de apenas 2% (→ ARR = 1%, NNT = 100). Sempre pergunte: qual era o risco basal?

🎯 Mediana — Use para dados assimétricos

Distribuições assimétricas (renda, tempo de internação hospitalar, bilirrubina sérica) → uso mediana Não é a média. A média é influenciada por valores discrepantes; a mediana não.

🎯 Auditoria vs. Pesquisa

Auditoria: medidas contra um existente Padrão; sem necessidade de ética; sem hipóteses. Pesquisa: gera new conhecimento; necessita de aprovação ética; possui uma hipótese. Uma distinção fundamental que o AKT testa repetidamente.

🎯 Intenção de Tratar (ITT)

A análise ITT inclui todos os participantes randomizados, independentemente da adesão. Isso fornece uma conservador A estimativa de eficácia é mais realista para a prática clínica. A análise por protocolo superestima o efeito.

🎯 Ponto de corte ABPI

Índice tornozelo-braquial (ITB) < 0.9 = doença arterial periférica. ITB > 1.3 = vasos não compressíveis (calcificados) — resultado não confiável. A bandagem compressiva é contraindicada se o ITB for < 0.8 (consulte as diretrizes de compressão do seu médico).

🎯 Cates Plot NNT

Conte as faces de benefício (geralmente amarelas ou verdes). NNT = 100 ÷ (número de faces de benefício). 5 faces amarelas → NNT = 20.

⚠️

Erros comuns e armadilhas para iniciantes

Esses são os erros que aparecem repetidamente nos critérios de avaliação da AKT. Cada um deles representa um ponto real perdido por candidatos reais.

Esquecer de converter porcentagens em decimais antes de calcular o NNT (ex.: ARR = 5% → deve-se usar 0.05, e não 5, para obter NNT = 20, e não 0.2)
Arredondamento NNT down em vez de up (NNT = 12.5 → a resposta é 13, não 12)
Confundir RRR com ARR e citar o valor relativo, que soa mais impressionante, como o benefício clínico.
Dizer que um resultado é "significativo" quando o intervalo de confiança apenas toca 1.0 — isso deve ser levado em consideração. não incluído 1.0 para ser significativo
Afirmar que a linha central do diagrama de caixa representa a média é sempre a mediana
Confundir sensibilidade com VPP (Valor Preditivo Positivo) — a sensibilidade é uma propriedade fixa do teste; o VPP depende da prevalência.
Acreditar que um teste altamente específico em uma população com baixa prevalência fornecerá um resultado positivo confiável não o fará (baixo valor preditivo positivo).
Confundir OR com RR — ORs não podem ser usados diretamente como RRs, exceto quando a doença é rara.
Dizer que um estudo de caso-controle gera RR — na verdade, gera OR, porque você começa com casos e controles, não com uma coorte exposta.
Confundir auditoria clínica com pesquisa — alegar que uma auditoria precisa de aprovação ética.
Interpretar erroneamente o viés de tempo de espera como se um programa de rastreio realmente melhorasse a sobrevivência.
Esquecer que I² > 50% em um gráfico de floresta levanta preocupações sobre a validade do resultado agrupado.
Usar a média para descrever dados assimétricos (ex.: renda, tempo de internação hospitalar) — use a mediana.

🏁 Principais pontos a considerar

NNT = 1 ÷ ARR. Sempre converta porcentagens em decimais. Sempre arredonde para cima. NNT menor = melhor tratamento.
ARR é clinicamente honesto. RRR soa impressionante, mas pode induzir a erros. Sempre compare o RRR com o risco basal.
Sensibilidade e especificidade são propriedades fixas de um teste. O VPP (Valor Preditivo Positivo) e o VPN (Valor Preditivo Negativo) variam com a prevalência da doença.
SnNout: testes sensíveis descartam a opção OUT quando o resultado é negativo. SpPin: testes específicos confirmam a opção INCLUSÃO quando o resultado é positivo.
O losango do gráfico de floresta cruza a linha de ausência de efeito → resultado não estatisticamente significativo. I² > 50% → preocupações com heterogeneidade.
Assimetria no gráfico de funil → viés de publicação. Pontos fora dos limites do funil no monitoramento de desempenho → práticas atípicas.
Intervalo de confiança (IC) para uma razão que inclui 1.0 → não significativo. Intervalo de confiança (IC) para uma diferença que inclui 0 → não significativo.
Estudo caso-controle → OR. Estudo de coorte → RR. Estudo transversal → prevalência. Estudo clínico randomizado/revisão sistemática → padrão ouro para tratamento.
Dados assimétricos → use a mediana, não a média. A linha central do diagrama de caixa representa a mediana. Os pontos além dos limites do diagrama representam valores discrepantes.
As auditorias clínicas são realizadas com base em padrões — sem necessidade de ética, sem necessidade de hipóteses. A pesquisa gera novos conhecimentos — requer ética.

As questões de estatística no AKT estão entre as que garantem pontos mais fáceis de aprender na prova. Algumas horas dedicadas a esta página e a alguns exercícios práticos trarão benefícios muito maiores do que o investimento.