Bioestatística Básica

Bioestatística Básica Bioestatística Básica

Secretaria de Estado de Saúde do Distrito Federal Escola Superior de Ciências da Saúde

(ESCS)Paulo R. Margotto

Prof. Do Curso de Medicina da ESCSwww.paulomargotto.com.br

Brasília, 18/5/2012Entendendo bioestatística básicaAutor(es): Paulo R. Margotto

Estatística computacional: Uso do SPSS - o essencialAutor(es): Paulo R. Margotto

http://www.paulomargotto.com.br/

http://www.paulomargotto.com.br/documentos/Bioestatistica%20Basica.doc

http://www.paulomargotto.com.br/documentos/SPSS_o_essencial.doc

http://www.paulomargotto.com.br/documentos/Bioestatistica%20Basica.doc

http://www.paulomargotto.com.br/documentos/SPSS_o_essencial.doc

Bioestatística Básica Bioestatística Básica Programa:

1. Importância da Bioestatística2. Variáveis3. População e Amostras4. Apresentação dos dados em tabelas5. Medidas de Tendência Central6. Distribuição Normal 7. Correlação e Regressão8. Risco Relativo / Odds Ratio9. Teste de Hipóteses10. Exercício de Medicina Baseado em Evidências11. Teste de Fisher12. Teste t13 Análise de Variância (ANOVA)14 -Escolha de Teste Estatístico15-Testes Estatísticos não Paramétricos 16- Sensibilidades/Especificidade/Curva ROC

Margotto, PR (ESCS)

Bioestatística Básica Bioestatística Básica

Margotto, PR (ESCS)

A condução e avaliação A condução e avaliação de uma pesquisade uma pesquisa

Comparação entre dois Comparação entre dois ou mais grupos ou ou mais grupos ou amostras (grupo amostras (grupo tratado / grupo tratado / grupo controle)controle)

Depende, em boa parte, Depende, em boa parte, do conhecimento sobre do conhecimento sobre BioestatísticaBioestatística

Estar alerta a: variáveis interferentes nos resultados ¤ Variações mostrais ¤ Diferenças entre grupos

Avaliação da eficácia do tratamento (significação)

www.paulomargotto.com.br

Bioestatística BásicaBioestatística Básica

Margotto, PR (ESCS) www.paulomargotto.com.br

Os testes estatísticos são utilizados para:

¤ Comparar amostras(houve modificação dos grupos inicialmentesemelhantes após o início da intervenção)

¤ Detectar variáveis interferentes

¤ Analisar se o tratamento depende de outras variáveis (peso, idade, sexo)



A ciência não é um conhecimento definitivo sobre a realidade, mas é um conhecimento hipotético que

pode ser questionado e corrigido.

Ensinar ciências não significa apenas descrever fatos, anunciar leis e apresentar novas descobertas, mas

Maneira crítica e racional de buscar

conhecimentoVieira S., 1991.

Ensinar o método científico

- Variáveis (dados):- Qualitativas :(diferentes categorias sem valores numéricos): -Nominal:: sexo, cor, grupo sanguíneo, causa da morte -Ordinais: (ordenação natural): Grau de instrução, aparência,

estágio da doença, status social - Quantitativos ou Contínuos: (dados expressos por nº): idade,

altura, peso, renda familiar -Discretas( associação entre valores e números inteiros):

idade em anos completos -Contínua (pode assumir qualquer valor no subconjunto de

números reais): peso- População e Amostra:

- População: Conj. de elementos com determinada característica

- Amostra: Subconjunto com menor nº de elementos- Independentes: grupo selecionados com tratamento distinto- Dependentes: para cada elemento do grupo tratado existe

um grupo controle semelhante (sexo, idade, etc)- Comparação intra-individuo (o grupo submetido ao

tratamento é o seu próprio controle)



- Apresentação dos Dados em Tabelas:- Componentes das tabelas:

- Título: Explica o conteúdo- Corpo: Formado pelas linhas e colunas dos dados- Cabeçalho: específica o conteúdo das colunas- Coluna indicadora: específica o conteúdo das linhas- Opcional: fonte, notas, chamadas



Nascidos vivos no Maternidade do HRAS segundo o ano de registro

Título

Cabeçalho (separado do corpo por um traço horizontal)

Ano de RegistroAno de Registro FreqüênciaFreqüência Freqüência relativaFreqüência relativa1998 (1)1998 (1) 83288328 32,88 32,88 (8828/25494)

1999 (1)1999 (1) 82148214 32,2232,22

2000 (1)2000 (1) 88988898 34,9034,90 Coluna indicadora

TotalTotal 2549425494 100100

Fonte: Margotto, PR (2001)Fonte: Margotto, PR (2001)Nota: dados retirados do livro da sala de parto Nota: dados retirados do livro da sala de parto (1): os RN < 500g não foram incluídos(1): os RN < 500g não foram incluídos. (chamadas)



Tabela de Contingência ou de Dupla Entrada(cada entrada é relativa a um dos fatores)

Gestantes sem pré-natal/gestantes com pré-natal e mortalidade perinatal

FatorFator Mortalidade PerinatalMortalidade Perinatal TotalTotal

Sim NãoSim Não

Gestantes sem pré-natal Gestantes sem pré-natal

55 83355 833 938938

Gestantes com pré-natal Gestantes com pré-natal 156 6720156 6720 68766876

Permite calcular o risco, a freqüência (incidência) entre expostos e não expostos a um determinado fator (será discutido adiante).



- Tabelas de distribuição de freqüências:Peso ao nascer de nascidos vivos, em Kg

2,5222,522 3,2003,200 1,9001,900 4,1004,100 4,6004,600 3,4003,400

2,7202,720 3,7203,720 3,6003,600 2,4002,400 1,7201,720 3,4003,400

3,1253,125 2,8002,800 3,2003,200 2,7002,700 2,7502,750 1,5701,570

2,2502,250 2,9002,900 3,3003,300 2,4502,450 4,2004,200 3,8003,800

3,2203,220 2,9502,950 2,9002,900 3,4003,400 2,1002,100 2,7002,700

3,0003,000 2,4802,480 2,5002,500 2,4002,400 4,4504,450 2,9002,900

3,7253,725 3,8003,800 3,6003,600 3,1203,120 2,9002,900 3,7003,700

2,8902,890 2,5002,500 2,5002,500 3,4003,400 2,9202,920 2,1202,120

3,1103,110 3,5503,550 2,3002,300 3,2003,200 2,7202,720 3,1503,150

3,5203,520 3,0003,000 2,9502,950 2,7002,700 2,9002,900 2,4002,400

3,1003,100 4,1004,100 3,0003,000 3,1503,150 2,0002,000 3,4503,450

3,2003,200 3,2003,200 3,7503,750 2,8002,800 2,7202,720 3,1203,120

2,7802,780 3,4503,450 3,1503,150 2,7002,700 2,4802,480 2,1202,120

3,1553,155 3,1003,100 3,2003,200 3,3003,300 3,9003,900 2,4502,450

2,1502,150 3,1503,150 2,5002,500 3,2003,200 2,5002,500 2,7002,700

3,3003,300 2,8002,800 2,9002,900 3,2003,200 2,4802,480 --

3,2503,250 2,9002,900 3,2003,200 2,8002,800 2,4502,450 --

Como transformar está tabela em uma Tabela de Distribuição de Freqüência ?

Menor peso: 1570g

Maior peso: 4600g



- Tabelas de distribuição de freqüências: 3 colunasDefinir as faixas de peso (Classes):

ClasseClasse Ponto MédioPonto Médio FreqüênciaFreqüência

1,51,5ΙΙ— 2,0— 2,0 1,751,75 33

2,02,0Ι—Ι— 2,5 2,5 2,252,25 1616

2,52,5Ι—Ι— 3,0 3,0 2,752,75 3131

3,03,0Ι—Ι— 3,5 3,5 3,253,25 3434

3,53,5Ι—Ι— 4,0 4,0 3,753,75 1111

4,0 4,0 Ι—Ι— 4,5 4,5 4,254,25 44

4,54,5Ι—Ι— 5,0 5,0 4,754,75 11- Intervalo de classe (0,5Kg): intervalo coberto pela classe- Extremo de classe:limites dos intervalos de classe

1,5 Ι— 2,0: fechado a esquerda (não pertencem a classe os Valores 2; pertencem a classe os valores 1,5)- Ponto médio: soma dos extremos da classe ÷ 2-N º de classes: K = 1+ 3,222 log n (em geral: 5-20) no exemplo: K = 1 + 3,222 log 100 = 7,444 (7 ou 8 classes)

Apresentação dos dados em gráficosApresentação dos dados em gráficos-título (pode ser colocado tanto acima -título (pode ser colocado tanto acima

como abaixo) como abaixo) -escala (crescem da esquerda para a -escala (crescem da esquerda para a

direita e de baixo para cima). direita e de baixo para cima). - legendas devem ser colocadas à direita - legendas devem ser colocadas à direita

do gráfico.do gráfico.


Gráfico de barras: é usado para apresentar variáveis qualitativas ou variáveis ordinais. Veja no gráfico de barras os dado da tabela 1.


Gráfico de setores: é usado para apresentar variáveis qualitativas ou variáveis ordinais. Calcular os ângulos centrais das diversas categorias, marcando-os na circunferência e separando-os com o traçado de raios.


Como calcular o ângulo central de cada categoria:100 360 Freqüência relativa (f) valerá X e o ângulo central X = 360 x f 100

Histograma:Os dados apresentados em tabelas de distribuição de freqüência são apresentados graficamente em histogramas.


Peso ao nascer

Freqência


BOX PLOT: a caixa é formada por-mediana (linha central): estimativa da tendência central

a sua posição indica a presença de simetria (central) e próxima a dos percentis (assimetria)

-percentis 25 e 75 (obtidos pelo método Tukey´s Hinges): amplitude interquartil-estima a Variabilidade dos dados-whiskers (bigodes de gatos): -valores máximos e mínimos (distribuição normal) -distribuição assimétrica: os dados máximo e mínimos se desviam do P25-P75 ->1,5 AIQ: valores discrepantes(outliers) ->2,5 AIQ: valores extremos (extremes-assinalados com asterisco)


Dias de internação na coleta da hemocultura por faixas de peso ao nascerDenise Nogueira da Gama Cordeiro

Fig.1.Amplitude do EEG para o canal C3-C4 em microvolts.

Amplitude da linha de base é livre de medicação / surfactante durante os primeiros 10 minutos do estudo, seguido por administração de surfactante (SA) e 10, 20 e 30

minutos após a administração do surfactante. * Indica o nível significativo de P ≤ 0,008.Os outliers não são mostrados no box-plot.

Box-plot

•A mediana da amplitude da “linha de base do EEG” foi significativamente maior •que a mediana da amplitude do EEG durante a administração do surfactante, •10, 20 e 30 minutos depois, em todos os casos. ( P<0.008)

Fig.1.Amplitude do EEG para o canal C3-C4 em microvolts.

Amplitude da linha de base é livre de medicação / surfactante durante os primeiros 10 minutos do estudo, seguido por administração de surfactante (SA) e 10, 20 e 30

minutos após a administração do surfactante. * Indica o nível significativo de P ≤ 0,008.Os outliers não são mostrados no box-plot.

Box-plot

•A mediana da amplitude da “linha de base do EEG” foi significativamente maior •que a mediana da amplitude do EEG durante a administração do surfactante, •10, 20 e 30 minutos depois, em todos os casos. ( P<0.008)

Shangle CE, 2012



Medidas de Tendência Central(Valor de ponto em torno do qual os dados se distribuem)

Variância e Desvio Padrão: avalia o grau de dispersão quanto cada dado se desvia em relação a média)

Média aritmética:soma dos dados nº deles(dá a abscissa do centro de gravidade do conjunto de dados)

Peso ao nascer em Kg de 10 RNPeso ao nascer em Kg de 10 RN

2,52,5 2,02,0 3,03,0 4,04,0

3,03,0 1,01,0 1,51,5 --

3,53,5 1,51,5 2,52,5 --

A média aritmética (representa-se por X é: 2,5+3,0+3,5+ ... 4,0 = 2,45 10



Medidas de Tendência CentralMédia Aritmética

Cálculo da média de dados em Tabela de Distribuição de Frequência

n=100 Média (X): ponto médio de cada classe x respectiva freqüência divido pelo n

X = 1,75x3 + 2,25x16 + ... 4,25x4 + 4,75x1 = 300 3 Kg 100 100

ClasseClasse Ponto MédioPonto Médio FreqüênciaFreqüência

1,51,5ΙΙ— 2,0— 2,0 1,751,75 33

2,02,0Ι—Ι— 2,5 2,5 2,252,25 1616

2,52,5Ι—Ι— 3,0 3,0 2,752,75 3131

3,03,0Ι—Ι— 3,5 3,5 3,253,25 3434

3,53,5Ι—Ι— 4,0 4,0 3,753,75 1111

4,0 4,0 Ι—Ι— 4,5 4,5 4,254,25 44

4,54,5Ι—Ι— 5,0 5,0 4,754,75 11



Medida de Tendência Central- Medida de dispersão:indicadores do grau de variabilidade

dos individuos em torno das medidas de tendência central

- Variância:- Medir os desvios em relação a média(diferença de cada dado e a média)- Não há média dos desvios pois sua soma é igual a zero

Ex.: 0,4,6,8,7- X (média) : 0+4+6+8+7 = 25 = 5 5 5- X – X (desvio em relação a média)

0 - 5 = - 54 – 5 = -1 A soma dos desvios é igual a zero6 – 5 = 18 – 5 = 3 (-5 + -1)+1+3+2= - 6 + 6 = 07 – 5 = 2



Medidas de Tendência CentralVariância

Soma dos quadrados dos desvios

DadosDadosXX

DesviosDesvios(X – X)(X – X)

Quadrado dos desviosQuadrado dos desvios(X – X) (X – X) 22

00 - 5- 5 2525

44 - 1- 1 11

66 11 11

88 33 99

77 22 44

x = 5x = 5 (x –(x –x) = 0x) = 0 (x – (x – x) x) 22 = 40 = 40

A soma do quadrado dos desvios não é usada como medida de dispersão, porque o seu valor cresce com o nº de dados

Grupo I: 60, 70 e 80 Kg - Grupo II: 60, 60, 70, 70, 80, 80 Kg



Medidas de Tendência CentralVariância

Cálculo da soma dos quadrados dos desvios

Então, para medir a dispersão dos dados em relação à média, usa-se a variância (S2) que leva em consideração o n

S2 = soma dos quadrados dos desviosn – 1

Para os dados: 0, 4, 6, 8 e 7 a S2 = 40 = 40 = 10 5 –1 4

Grupo IGrupo I Grupo IIGrupo II

XX (x – X)(x – X) (x – X) (x – X) 22 XX (x – X)(x – X) (x – X) (x – X) 22

6060 - 10- 10 100100 6060 - 10- 10 100100

7070 zerozero zerozero 6060 - 10- 10 100100

8080 1010 100100 7070 zerozero zerozero

7070 zerozero zerozero

8080 1010 100100

8080 1010 100100

zerozero 200200 zerozero 400400

Bioestatística Básica IBioestatística Básica I


Medidas de Tendência CentralDesvio Padrão

Raiz quadrada da variância, sendo representava por S; tem a mesma unidade de medida dos dados

Ex.: 0,4,6,8,7. S2 (variância) = 10 s (desvio padrão): √10 = 3,16

Coeficiente de variância (CV) Razão entre o desvio padrão a a média x 100

CV = sx 100X

Ex.: Grupo I: 3,1,5 anos (x = 3 anos; s2 = 4; s=2) : CV = 66,7% Grupo II: 55,57,53 anos (x = 55 anos; s2 = 4; s = 2) : CV = 3,64%

Vejam à dispersão dos dados em ambos os grupos é a mesma, mas os CV são diferentes (no grupo I a dispersão relativa é ALTA)



Distribuição Normal• Variáveis aleatórias: variam ao acaso (peso ao nascer)• Gráficos com 2 extremos um máximo e um mínimo e entre eles, uma distribuição gradativa (maioria dos valores ao redor da média) : Curva de Gauss: As medidas que originam a estesgráficos são variáveis com distribuição normal



Distribuição Normal• Características: A variável (peso ao nascer) pode assumir qualquer valor real O Gráfico da distribuição normal é uma curva em forma de sino, simétrico em torno da média () (se lê “mi”). A área total da curva vale 1, significando que a probabilidade de ocorrer qualquer valor real é 1. Pelo fato da curva ser simétrica em torno da média, os valores maiores do que a média e os valores menores do que a média ocorrem com igual probabilidade.

No SPSS, usamos o Kolmogorov-Smirnov ou Shapiro-Wilk na sua determinação



Distribuição Normal

Predicção de uma valor entre dois nº quaisquer:

Ex.: A probabilidade de ocorrência de um valor > 0 é 0,5, mas qual é a probabilidade de ocorrer um valor entre 0 e z = 1,25?



Distribuição Normal Predicção de uma valor

Usar tabela de Distribuição Normal

Como usar esta tabela?Localizar na 1a coluna o valor 1,2 Na 1a linha, está o valor 5.n0 1,2 compõe com o algarismo 5, o n0 z = 1,25.No cruzamento da linha 1,2 com a coluna 5 está o número 0,3944. Está é a probabilidade (39,44%) do ocorrer valor entre zero e z= 1,25.



0 1 2 3 4 5 6

0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239

0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636

0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026

0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406

0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123

0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454

0,7 0,2580 0,2611 0,2642 0,2673 0,2703 0,2734 0,2764

0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051

0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554

1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770

1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962

1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131

1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279

Probabilidade de ocorrer valor entre zero e 1,25



Distribuição Normal• Predicção de uma valor: qual é a probabilidade de um individuo apresentar um colesterol entre 200 e 225 mg% (média); 200 mg% / = desvio padrão = 20 mg%

Cálculo da probabilidade associado à Distribuição normal:Z = X - = média ; = desvio padrão X = valor pesquisado

A estatística Z mede quanto um determinado valor afasta-se da média em unidades de Desvio padrão

(quando coincide c/ a média, o escore é Z = 0)



Distribuição Normal• Predicção de uma valor:

Z = X – 200 = 1,25 20

Consultando a Tabela de Distribuição normal, vemos que

a probabilidade de Z assumir valor entre 0 e Z = 1,25 é 0,3944 ou 39,44



0 1 2 3 4 5 6

0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239

0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636

0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026

0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406

0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123

0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454

0,7 0,2580 0,2611 0,2642 0,2673 0,2703 0,2734 0,2764

0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051

0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554

1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770

1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962

1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131

1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279

Probabilidade de ocorrer valor entre zero e 1,25



Distribuição Normal• Predicção de uma valor

Outro exemplo: Qual é a probabilidade uma pessoa apresentar menos do que 190mg% de colesterol. Para resolver este problema, é preciso "reduzir" o valor X = 190.Obtém-se então:

Z = 190 - 200 = - 0,50 . 20



0 1 2 3 4 5 6

0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239

0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636

0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026

0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406

0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123

0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454

0,7 0,2580 0,2611 0,2642 0,2673 0,2703 0,2734 0,2764

0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051

0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554

1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770

1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962

1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131

1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279

Na Tabela de Distribuição Normal, a probabilidade de ocorrer valor maior que a média 0 é 0,5;então, a probabilidade pedida é :

0,5 – 0,1915 = 0,3085 ou 30,85%



Correlação / Regressão• CorrelaçãoAssociaçao entre duas variaveis peso e altura; em quanto aumenta o peso à medida que aumenta a altura?• Diagrama de dispersão:• X = Horizontal (eixo das abscissas): variável independente ou explanatória • Y = Vertical (eixo das ordenadas) : variável dependente

A correlação quantifica quão bem o X e Y variam em conjunto



Correlação + Correlação - Sem correlação



Correlação / RegressãoComp Peso Comp Peso

104 23,5 98 15,0

107 22,7 95 14,9

103 21,1 92 15,1

105 21,5 104 22,2

100 17,0 94 13,6

104 28,5 99 16,1

108 19,0 98 18,0

91 14,5 98 16,0

102 19,0 104 20,0

99 19,5 100 18,3

Observem que à medida que o comprimento dos cães aumenta (variável explanatória) o peso aumenta (variável dependente)



Correlação / Regressão• Coeficiente de correlação: (r de Pearson) :Expressa quantitativamente as relações entre duas variáveisr = 0,8 – 1 – forter = 0,5 – 0,8 – moderadaR = 0,2 – 0,5 – fracar = 0 – 0,2 – insignificanteCálculo do r:

r = ∑xy - ∑x∑y n 000000000

∑x2 – (∑x)2

n∑y2 – (∑y)2

n

Débito cardíaco e Pressão arterial r=0,38 (correlação fraca)

Kluckow et al



Correlação / Regressão• Correlação: grau de associação / Regressão: capacidade

entre 2 variáveis de predicção de um valor baseado no conhecimento do outro

(prever Y conhecendo-se o X)Equação da Reta de Regressão:

Y = a + bx (a= Y – bx)a : coeficiente angular (inclinação da reta)

b: coeficiente linear (intersecção da reta com o eixo X)



Correlação / Regressão• Exemplo: a correlação entre o peso pré-gravídico e o peso do RN foi de 0,22. Aequação da reta: Y = 2547, 79 + 12,8 x

Assim, uma gestante com peso pré-gravídico de 60 Kg espera-se um RN c/

peso de 3,315gR2 ( r squared): coeficiente de determinação: proporção da variação total que é explicada. Peso pré –gravídico e peso ao nascer : r2 = 0,22 2 = 4,84 ≈ 5%( o peso ao nascer é explicado pelo peso da mãe em apenas 5%)(Tese de Doutorado – Curvas de Crescimento Intra-uterinas Margotto, PR)



Correlação / Regressão

• Base excess e PaCO2

Equação de regressão: Y = 1,07 BE + 40 ,98 r = 0,94 / r = 0.88 = 88%


Crematócrito e a Composição Nutricional do Leite Materno

Wang CD, 1999

CrematócritoX

Lipídio

Leite congelado:-20oC por 7 dias


Crematócrito e a Composição Nutricional do Leite Materno

CrematócritoX

Caloria

Wang CD, 1999Hoje terminamos por aqui!

Y=5,99x+32,5 (leite fresco)Y=6,20x+35,1 (leite congelado)

Equações de regressão

INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO EM PERINATOLOGIA/TESTE DE HIPÓTESES

• Definição:

• O Risco relativo se baseia na observação de que nem todos têm a mesma probabilidade (risco) de padecer um dano, mas que para alguns este risco (probabilidade) émaior do que para outros.



Margotto, www.medico.org.br

I - Conceito de RiscoÉ a probabilidade que tem um indivíduo ou grupo de

indivíduos de apresentar no futuro um dano em sua saúde.

Risco é probabilístico e não determinista.

Exemplo:RN com peso entre 500 -1500g tem maior probabilidade de morrer

(na UTINeo do HRAS: 19,58- ano 2000), mas muito deles não morrem.

Risco é uma medida que reflete a probabilidade de que ocorra um dano a saúde.



II - Grau de RiscoMede a probabilidade de que o dano ocorra no futuro.

Refere-se a um resultado não desejando. Não deve ser confundido com o risco !!!

O dano em um RN seria a sua morte no período neonatal ou seqüelas neurológicas consecutivas à asfixia, o risco é a probabilidade de que o dano venha ocorrer neste RN, medindo-o como um gradiente que vai de risco alto a baixo risco de morte neonatal ou de seqüelas neurológicas, neste exemplo.

0 1 Baixo Risco Alto Risco

Margotto, PR (ESCS)www.paulomargotto.com.br


Graduar o risco É IMPORTANTE para programar atenção segundo o enfoque de risco, priorizando o grupo, dentro da população de maior necessidade.

Exemplo:

Fatores de Risco:• Pobreza • Analfabetismo da mãe• Doença Intercorrentes • Desnutrição

Dano:

Baixo Peso



III - Risco Relativo/Qui-quadrado• Risco Relativo (RR): Mede o excesso de risco para um

dado dano nos indivíduos expostos ao fator de risco, comparado com os que não estão expostos.

n. = (a+b+c+d)b+da+cTotalc+ddcNãoa+bbaSimTotalNãoSim

PatologiaFator

RR = a/a+bc/c+d

RR = Incidência do Risco nos que tem fator p1 = a/a+b

RR= Incidência do Risco nos que não tem fator.p2 = c/c+d

Margotto, PR (ESCS)


III – Tecnica da Prova de Hípótese:

RR = a/a+bc/c+d

RR = Incidência do Risco nos que tem fator p1 = a/a+b

RR= Incidência do Risco nos que não tem fator.p2 = c/c+d

Uma vez feito o cálculo de RR, torna-se necessário demonstrar:

• Não há erros de registro, cálculo ou transcrição

RR é prático e estatisticamente significativo

• Um RR menor que 1,5 geralmente não é de valor prático



• Teste do X 2 (qui-quadrado): (a x d – b x c) ½ )2

(a+b) x (d+c) x (b+d) x (a+c)Qui-quadrado mede a probabilidade de as diferenças

encontradas em dois grupos de uma amostra serem devidas ao acaso, partindo do pressuposto que, na verdade, não há diferenças entre os dois grupos na população donde provêm. Se a probabilidade for alta poderemos concluir que não há diferenças estatisticamente significativas. Se a probabilidade for baixa (particularmente menor que 5%) poderemos concluir que um grupo (A )é diferente do grupo B quanto ao fator estudado.



Exemplo: Cálculo do Risco em estudo: Baixo PesoPopulação total estudada: 6373Morte perinatais observadas: 211População com fator Baixo Peso: 724Morte Perinatais com o fator baixo peso: 150

6373n. = (a+b+c+d)

6162(b+d)

211(a+c)

Total5649 (c+d)5588 (d)61 (c) Não724 (a+b)574 (b)150 (a)Sim

TotalNãoSimMorte PerinatalFator

Baixo Peso

Margotto, PR (ESCS)


Exemplo: Cálculo do Risco em estudo: Baixo Peso

6373n. = (a+b+c+d)

6162211Total5649 (c+d)5588 (d)61 (c) Não724 (a+b)574 (b)150 (a)Sim


Baixo Peso

RR = a/a+bc/c+d

Ou seja o RR = 19,2 150/72461/5649

O Risco de Morte Perinatal de um RN de baixo peso excede 19,2 vezes a de um RN de peso > 2500g



Exemplo 2 : Fator de Risco em estudo: ausência de pré - natal

6373n. = (a+b+c+d)

6162 (b+d)211(a+c)Total3631 (c+d)3537 (d)94 (c) Não2742 (a+b)2625 (b)117 (a)Sim


Ausência de Pré – Natal

RR = 1,6 117/274294/3631

O Risco de Morte Perinatal de um RN sem pré-natal excede 1,6 vezes a de um RN com pré-natal



Exemplo 2 : Fator de Risco em estudo: ausência de pré - natal

6373n. = (a+b+c+d)

6162 (b+d)211(a+c)Total3631 (c+d)3537 (d)94 (c) Não2742 (a+b)2625 (b)117 (a)Sim


Ausência de Pré – Natal

(a x d – b x c) ½ )2 X 2 = 13,71(a+b) x (d+c) x (b+d) x (a+c)

Podemos dizer que há uma associação significativa (p < 0,01) entre ausência de pré-natal e morte perinatal, sendo que grau de associação é: o risco de morte perinatal é 60% maior nos produtos sem pré-natal (1,6 x 100 = 160: aumento de 60%: 100 + 60).



Exemplo 3 : Risco de Morte neonatal (nos 1º 7 dias de vida)

6258616296Total2575257338Não2683262558Sim


Ausência de Pré-Natal

Risco Relativo (RR): 2,0X2 – 11,8 (p<0,01)

O RR é o risco de adoecer em um grupo (grupo exposto) em relação ao risco de adoecer em outro grupo (pessoas não expostas). Se não houver associação entre a exposição e a doença, o risco de adoecer não depende da exposição e o RR é igual a 1.


Cálculos estatísticos básicosrelacionados ao Risco Relativo

( Braile, DM & Godoy, MF) ** versão 1999 ** EVE NTOsim não

Atenção: Gr.Estudo 150 122 272Digitar apenas nas caselas verdes Gr.Controle 130 180 310

Todos os cálculos são feitos automaticamente 280 302 582

IC 95% Taxa de eventos no G. Estudo (EER) = a/(a+b) 55,1 % 49,2 61,1Taxa de eventos no Gr.Controle (CER) = c/(c+d) 41,9 % 36,4 47,4Risco relativo (RR)=EER / CER 1,32 1,11 1,56Redução do risco relativo (RRR) = (CER-EER)/CER 0,32 0,56 0,11Redução do risco absoluto (ARR) =CER-EER 13,2 % 21,3 5,1Número Necessário p/tratamento(NNT)=(100/ARR) 8 19 5

Observação: Valores em Vermelho são valores negativos

272310

280 302

Taxa de eventos no grupo estudo: (a/(a+b)Taxa de eventos no grupo controle: (c/(c=d)Risco relativo: a/(a+b) / c(c+d)Redução do risco relativo (RRR)Redução do risco absolutoNúmero Necessário p/tratamento


INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO EM PERINATOLOGIA/TESTE DE HIPÓTESESEM PERINATOLOGIA/TESTE DE HIPÓTESES

582

Clicar duas vezesPara ativar a planilha

Braile DM e Godoy MF



Exemplo 3 : Risco de Morte neonatal (nos 1º 7 dias de vida)

6258616296Total2575257338Não2683262558Sim


Ausência de Pré-Natal

Risco Relativo (RR): 2,0X2 – 11,8 (p<0,01)

Um risco menor que 1 implica em uma redução da doença com exposição, enquanto que um RR maior que 1, sugere um aumento da doença com exposição. Quanto maior for o RR, maior será a associação entre a exposição e o dano.



• Junto com a obtenção do RR se deve estimar o seu intervalo de confiança de 95%, uma vez que é possível obter um valor do RR alto, mas se o tamanho da amostra for pequeno, o seu valor será duvidoso.• Os limites de confiança estão muito relacionados com os valores de p e se não inclui o valor de 1, é equivalente a significação estatística a um nível de 5%.Vamos ao exemplo:



O intervalo de confiança a 95% é:

… 1 … 1,2 2,05

Como o extremo inferior deste intervalo de confiança excede o valor 1, se pode dizer, neste caso, que há uma associação estatisticamente significativa em um nível de 5% entre a ausência de pré-natal e mortalidade perinatal, sendo que o risco de morte perinatal nos produtos sem pré-natal excede, significativamente 1,6 vezes a dos produtos com pré-natal.


O Intervalo de Confiança 95% significa que há 95% de probabilidade de que o intervalo calculado contenha o verdadeiro valor do parâmetro estudado. Por exemplo RISCO RELATIVO de 1,6 com IC95% de 1,2 a 2,05. Isto quer dizer que no experimento realizado o valor encontrado foi de 1,6 e que há 95% de probabilidade que o verdadeiro valor seja um número qualquer entre 1,2 e2,05. Quando o intervalo de confiança contém o valor 1,00 significa que não há diferença estatística entre o grupo estudado e o grupo controle. Quando o valor máximo do IC 95% é menor que 1,00 o grupo de estudo se comportou de modo significativamente melhor que o grupo de controle e quando o valor mínimo do IC 95% for maior que 1,00 significa que o grupo de estudo foi significativamente pior que o grupo controle.

INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO EM PERINATOLOGIA/TESTE DE HIPÓTESESEM PERINATOLOGIA/TESTE DE HIPÓTESES

www.braile.com.br


http://www.braile.com.br/

INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO

EM PERINATOLOGIA/TESTE DE HIPÓTESES

V-Odds Ratio (OR) ou Razão das chancesOs estudos de casos-controles comparam a freqüência de

expostos a um determinado fator entre um grupo de indivíduos que apresenta a doença – casos – e outro que não a tem – controle.

c+da+bTotaldbNãocaSim

n (a+b+c+d)

NãoSimDanoFator

OR = axdbxc

A razão das chances (OR) é definida como a probabilidade de que um evento ocorra dividido pela probabilidade de que ele não ocorra.


Cálculo de ODDS RATIO e Intervalo de Confiança 95% (DPP Braile Biomédica)

EventoPresente Ausente TOTAL

Estudo 30 40 70Grupo Controle 50 40 90

TOTAL 80 80 160

ODDS RATIO= 0,60 IC 95% = 0,32 1,13

Utilize apenas as caselas de cor laranja para digitar os dados.



Clicar duas vezesPara ativar a planilha


INTERPRETAÇÃO DO RISCO INTERPRETAÇÃO DO RISCO RELATIVO/ODDSRATIO RELATIVO/ODDSRATIO

EM PERINATOLOGIA/TESTE DE HIPÓTESESEM PERINATOLOGIA/TESTE DE HIPÓTESES




IV-Seleção dos fatores de risco com fins de intervenção (Risco Atribuível)

Risco Atribuível (RA): este mede a percentagem da incidência do dano que se reduz no grupo exposto ao fator, se este fosse neutralizado (impacto do controle no grupo exposto). Quando se refere à população, temos o risco Atribuível à População (RAP):

RA Taxa de Incidência no Taxa de incidência no Grupo Menos grupo sem o fator de risco (P2)

Com fator de risco (P1)




IV-Seleção dos fatores de risco com fins de intervenção (Risco Atribuível)

O RA é outra medida de associação entre fatores e danos e pode ser definido com a diferença entre a probabilidade ter o dano nos que estão expostos ao fator e a probabilidade de ter o dano nos que não estão expostos. Assim, é a diferença de probabilidade atribuível à exposição ao fator e se expressa como:

RA = P1 – P2




Exemplo: Ausência de pré-natal e o dano mortalidade perinatal, o risco atribuível é:

RA = P1 – P2

P1 = 117/2742 = 0,043

P2 = 94/3631 = 0,26

RA = 0,043 – 0,26 = 0,017 6373n. = (a+b+c+d)

6162 (b+d)

211(a+c)Total3631 (c+d)3537 (d)94 (c) Não2742 (a+b)2625 (b)117 (a)Sim


Ausência de Pré –

Natal

Como interpretar este valor de RA: Significa que 17 mortes perinatais de cada 1.000 (mil)

gestantes são atribuíveis à ausência de pré-natal.




• Para saber o que isto significa em uma comunidade específica, é necessário relacionar esta probabilidade (0,017) com a freqüência do fator na população. • A forma de estimar o impacto é calculando o Risco Atribuível ao fator da população (RAP). Para calcular o RAP emprega-se a seguinte fórmula:

RAP% F% (P1 – P2) P1 – P2 = a probabilidade encontradaP (geral) F% = a freqüência do fator na população

P (geral) = a probabilidade do dano entre todas as gestantes




• No caso : Ausência de pré-natal e o dano mortalidade perinatal, o risco atribuível ao fator da população (RAP) é:

RAP% = 43 X 0,017 = 22 %211 / 6.373

Significa que 22% da probabilidade de mortalidade perinatal da área em estudo, está associada à freqüência

do fator ausência de pré-natal em 43% das gestantes.




Teste de Hipótese

Hipótese nula (H0): não há diferença Hipótese alternativa (H1): há diferença

Hipótese: resposta presumida e provisória que de acordo com critério será ou não rejeitada

Processo para testar hipótese:1. Estabelecer Ho

2. Estabelecer H1

3. Determinar tamanho da amostra4. Colher dados5. Estudo estabelecido para verificar se o H0 é verdadeiro6. Rejeitar ou não a H0



Teste de Hipótese

Segundo R.A. Fisher: todo experimento existe somente com o propósito de dar os fatos uma oportinidade de afastar a H0

Erro tipo I: rejeitar a H0 sendo verdadeira (fato obtido pelo azar) :

rara ocorrência estatística; amostras pequenas Erro tipo II: aceita a H0 sendo falsa (erro mais frequente);significação estatística: máxima probabilidade de tolerar um erro tipo I. α= 5% (p 0,05): ≤ 5% de rejeitar a H0 (sendo verdadeira) e aceitar a H1

α= 1% (p 0,01): ≤ 1% de rejeitar a H0 (sendo verdadeira) e aceitar a H1

α erro tipo I e erro tipo II

α erro tipo I e erro tipo II ‘



Teste de Fisher ou da Probabilidade Exata Usado para amostras pequenas Menos erro tipo I e II em relação ao qui-quadrado n < 20 / n > 20 < 40Ex.: a) célula da matriz de decisão com o valor 0Suposição de uma determinada enzima em pessoas submetidas a uma reação

sorológicaReaçãoReação EnzimaEnzima TotalTotal

PresentePresente AusenteAusente

++ 55 11 66

-- 00 33 33

TotalTotal 55 44 99

P = (a+b!) x (C=d!) x (a+c!) x (b+d!) n! x 1 / a! b! c! d!

P = [ (6! 3! 5! 4! / 9!] x [1/5! 1! 0! 3!)P = 0,046 = 4,76%

P <=0,05: as pessoas submetidas a uma reação sorológica apresentam significativamente uma determinada enzima (afastamos a

H0)



Teste t Testar o QI médio entre crianças nascidas a termo e prematuras Testar uma droga (grupo tratado/grupo controle)

Teste t: analisa grupos simples ou compara 2 grupos(variável com distribuição normal ou aproximadamente normal)

Passos: Nível de significância: letra grega Média de cada grupo: X1: média do grupo 1

X2: média do grupo 2 Variância de cada grupo:S2

1: variância do grupo 1

S22: variância do grupo 2

N1 é o nº de elementos do grupo 1 N2 é o nº de elementos do grupo 2

• Variância Ponderada

S2 = (n1 – 1)2 + (n2 – 1) S22

n1 + n2 - 2O valor t é definido pela fórmula

t = X 2 – X1

1 1 √ S2 n1 + n2



Análise de Variância/Estatística F(ANOVA: Analysis of Variance)

Usado para comparar médias de mais de duas populaçõesEx.: testar 4 drogas diferentes (diuréticos) ao mesmo tempo e

avaliar o efeito de cada droga sobre o débito urinário em 16 voluntários.

teste t: comparar os grupos 2 a 2 (6 testes t separados)- perda de tempo- erro tipo I de 30% (5% de erro em 6 análises)

Então, vamos usar o teste ANOVA (comparação de pares):

BioestatBioestatíística Bstica Báásica Isica I


Testes não – paramétricos Usados quando a distribuição da população é altamente assimétrica Não são tão eficientes quanto ao paramétricos Variaveis Nominais Teste do Sinal - Sign Test: variáveis qualitativas ou nominais. Este

teste recebe este nome porque a diferença em cada par é convertida nos sinais de (+), de (-) ou (zero) - quando não houver diferença.Alternativa nãp paramétrica (menos poderosa) do teste t para amostrasemparelhadas. Pode ser aplidado para amostras não emparelhadas

- H0: 1/2 dos sinais são (+) e 1/2 dos sinais são (-)- H1: a proporção de vezes (p) em que aparece o sinal (+) ou (-), seja igual

a 0,5; valendo-se disto, é possível gerar um escore Z, utilizando a fórmula:

Z = 2 (p´ - 0,5) √ n

n: nº de pares em que houve a diferença p,: é a freqüência de sinais (+) ou negativos (-).




Testes Estatísticos não – paramétricosWilcoxon Signed Rank Sum Test (Teste de Wilcoxon):

Este teste destina-se a comparar dois grupos emparelhados; é usadoexatamente da mesma situação do teste t para amostras emparelhadas.

Teste de U de Mann – Whitney• Alternativa para teste t para amostras independentes




Escolha do Teste Estatístico após estabelecer o nível significância

Exige conhecimento de estatística A escolha de um teste de significância depende de

características dos dados coletados: Tipos de dados: normais, ordinais ou continuos Amostras isoladas, duas amostras ou mais de dois grupos Emparelhamento ou não Amostras grandes ou pequenas (dados nominais) Distribuição normal ou não (dados contínuos)

Total




Sensibilidade/Especificidade/Valor Predictivo Quando realizam provas ou exames, surgem de imediato duas

perguntas:1. se a doença está presente, qual é a probabilidade de que o

resultado seja positivo?2. Se a doença está ausente, qual é a probabilidade de que o

resultado seja negativo?A resposta à primeira pergunta determina a sensibilidade e àsegunda, especificidade

Sensibilidade: capacidade do procedimento de efetuar diagnósticoscorretos quando esta está presente (verdadeiros, positivos ou doentes). Especificidade: capacidade do procedimento de efetuar diagnósticoscorretos da ausência de doença quando esta está ausente(verdadeiros, negativos ou sem esta patologia).




Sensibilidade/Especificidade/Valor Predictivo Usamos Tabelas de Dupla entrada (matriz de decisão) para a

apresentação numérica já que os dados qualitativos:

Sensibilidade: a (considera os acertos positivos) a + c

Esfecificidade: d (considera os acertos negativos) b + d

a + b + c + d (n)b + da+ c

c + dd verdadeirosnegativos

c falsos negativos-

a + bb falsos positivosa verdadeirospositivos

+

Sentido daanaliseNãoSim

Resultado doprocedimento

Patologia confirmada


p



Sensibilidade/Especificidade/Valor Predictivo A medida que aumenta a sensibilidade, perde-se em especificidade

e vice-versa (estudá-los em conjunto) A sensibilidade e a especificidade NÃO variam com a prevalência:

mede a totalidade dos casos da doença na população em estudo

291181110Totais206180 (d)26 (c)-

851(b)84 (a)+TotaisAusentePresenteHemocultura

Infecção Fúngica

S = 84 x 100 = 76% (observem que 245 [ 100 – 76] dos pacientes com infecção 110 fúngica sistêmica têm hemocultura negativa para fungos).

E = 180 x 100 = 99% (se o paciente não tem infecção fúngica sistêmica há uma chancede 99% de que a sua hemocultura para fungos seja negativa)




Sensibilidade/Especificidade/Valor Predictivo

Sempre existe uma margem de erro e para afirmar se existe ou não a doença empregando um procedimento diagnóstico, deve-se considerar:

• - Se o procedimento tem resultado positivo, qual é a probabilidade de que a doença esteja realmente presente? (de que se confirme a doença). É o que chamamos de valor Predictivo Positivo (VPP)

- - Se o procedimento tem resultado negativo, qual é a probabilidade de que a doença esteja realmente ausente (de que se descarte a doença)? É o que chamamos de Valor Predictivo Negativo (VPN).




Sensibilidade/Especificidade/Valor PredictivoPara calcularmos o VPP e o VPN, recorremos à matriz de decisão,

sendo que agora, a análise é feita por linha (sentido horizontal).

a+b+c+da+b+c+d= (n)= (n)b+db+da+ca+c

c+dc+dddcc--

a+ba+bbbaa++

NãoNãoSimSim

PatologiaPatologia

Resultado do Resultado do ProcedimentoProcedimento

Sentido da Análise

VPN = d (expressa a confiabilidade de um c + d resultado de exame negativo)





No exemplo:

291181110Totais206180 (d)26 (c)-851(b)84 (a)+

TotaisAusentePresenteHemoculturaInfecção Fúngica

VPP = 84 x 100 = 98,8% VPN = 180 x 100 = 87,4%85 206




Sensibilidade/Especificidade/Valor PredictivoExatitude: é um indicador que considera, de maneira conjunta, as

predicções corretas do procedimento, positivas e negativasE = verdadeiros positivos + verdadeiros negativos x 100

total de indivíduos com ou sem a doençaE = a+d x 100

a+b+c+dCohen descreveu um índice, chamado Índice Kappa para avaliar ograu de acerto do procedimento, ou seja, para avaliar o quanto oresultado do procedimento escapa do azar: (é um índice de acordo)0,75 - 1 : muito bom0,4< 0,74: regular a bom0,35: ruim (o diagnóstico não é explicado pelo procedimento e sim

pelo azar em 95% das vezes).


Significância: ausência da unidade no intervalo de confiança

BioestatBioestatíística Bstica Báásica sica



O valor preditivo e a exatitude modificam –se com a prevalência (é fácil diagnósticar em uma epidemia).Assim não se deve fazer comparação direta dos valores de predicção

de procediemtnos desenvolvidos em grupos com diferentes prevalências.

Para ajustar o valor da predicção a uma dada prevalência da doença, utiliza-se o Teorema de Bayes:

VPP = prevalência da doença x sensibilidade . prevalência x sensibilidade+ (1 – prevalência) x (1 – especificidade)



Sensibilidade/Especificidade/Valor PredictivoPropósito dos Procedimentos

Procedimentos de triagem (dosar glicemia para detectar diabetes), Papanicolau para câncer genital). Aceita-se um certo nº de falsos positivos

Procedimentos de ALTA sensibilidade (que captem o maior nº de pacientes possível)

Os positivos não devem ser considerados doentes, mas com alta possibilidade de ter doença

Procedimento confirmatório: devem ter ALTA especificidadee ALTO valor predictivo de maneira a não haver falsos positivos

Margotto,PR


Margotto,PR

Cálculos estatísticos básicospara Testes Diagnósticos (versão 1999)

( Braile, DM & Godoy, MF) Padrão Ouro

+ -Atenção: Teste + 30 21 51

Digitar apenas nas caselas verdes diagnóstico - 44 30 74Todos os cálculos são feitos automaticamente 74 51 125

IC 95%% Sensibilidade = a/(a+c) 40,5 % 29,4 51,7% Especificidade = d/(b+d) 58,8 % 45,3 72,3% Probabilidade pré-teste = (a+c)/(a+b+c+d) 59,2 % 50,6 67,8% Valor preditivo positivo = a/(a+b) 58,8 % 45,3 72,3% Valor preditivo negativo =d/(c+d) 40,5 % 29,4 51,7% Acurácia = (a+d)/(a+b+c+d) 48,0 % 39,2 56,8ODDS pré-teste= prob préteste/(1-prob préteste) 1,451Likelihood ratio para teste posit=sensib/(100-especif) 1,0Likelihood ratio para teste negat=(100-sensib)/especif 1,0Estatística Kappa (grau de concordância corrigido) -0,01 -0,18 0,16(<0,20=pobre;0,21-0,40=fraca;0,41-0,60=moderada; 0,61-0,80=boa;>0,80=muito boa)

Clicar duas vezes paraAtivar a planilha


Curva “ROC” ROC - Receiver Operator Caracteristic COR - Características de Operação do Receptor Forma de representar a relação normalmente

antagônica entre SENSIBILIDADE e ESPECIFICIDADE de um teste diagnóstico quantitativo, ao longo de um contínuo de valores ponto de corte (“cut off point”)

O “cut off point” vai influenciar as características do teste A Curva ROC descreve diferentes valores de SENS e

ESPECIF para um determinado número de valores “cut off point”


Margotto,PR

-Permitem evidenciar os valores para os quais existe maior otimização da sensibilidade em função da especificidade

ponto em que se encontra mais próximo do canto superior esquerdo

do diagrama-Permitem quantificar a exatidão de um teste diagnóstico (proporcional à área sob a curva)-Permitem comparar testes diagnósticos

Bioestatística BásicaBioestatística BásicaCurvas “ROC”

Margotto,PR

CURVA ROC

Teste A-melhor acurácia que o teste B (teste inválido: os seus resultadosnão são melhores do que os da chance)Ponto 1: maior valor de sensibilidade e especificidade; ponto 2: maior sensibilidade, porem menor especificidade; ponto 3: maior especificidade, porém, menor sensibilidade

A escolha do “cut off” vai depender do interesse em aumentar a sensibilidade ou a especificidade

Falso- positivo (1-especificidade)

Margotto,PR

Curva de Kaplan-MeierNos estudos de avaliação das taxas de sobrevivência:

resultado será binário-sobrevivência ou morte do paciente

Objetivo: estimar o intervalo de tempo que os pacientes sobrevivem com tipos específicos de

tratamento ou em condições específicas.

variável dependente (resultado): é sempre o tempo até a ocorrência de determinado evento

Na análise de sobrevivência: compara-se a rapidez com que os participantes desenvolvem determinado

evento Tempo de sobrevida na análise de sobrevivência tempo até a ocorrência de determinado evento.

Margotto,PR


Técnicas estatísticas usadas na análise clássica e na análise de sobrevivência (Botelho F et al)

Curva de Kaplan-Meier

DIFEREM NO TIPO DE VARIÁVEL DEPENDENTE)

Margotto,PR


Nos estudos de seguimento: - pacientes que não atingem o tempo total

de seguimento previsto, são excluídos. Na análise de sobrevivência: os dados destes pacientes são

aproveitados na análise final, mesmo que não desenvolvam o evento em estudo. designa-se o indivíduo como censurado


Margotto,PR


Como é feita a análise dos dados na análise de sobrevivência/aparecimento de eventos?

O método de Kaplan-Meier consiste em dividir o tempo de seguimento em intervalos, cujos limites correspondem ao tempo de seguimento em que houve eventos.

Este método calcula a sobrevivência cada vez que um paciente morre


Margotto,PR


Chorioamnionitis Alters the Response to Surfactant in Preterm Infants.

J Pediatr 2010;156:10-5) Been JV et al .Observe o TEMPO DE EXTUBAÇÃO

(corioamnionite fetal, corioamnionite sem envolvimento fetal e sem corioamnionite)


Curvas de Kaplan-Meier analisando o tempo até a extubação após primeira dose dose de surfactante exógeno para os grupos com base na histologia da placenta

85%

65%estatística do logrank de Cox-Mantel

Kaplan-Meier permite avaliar corretamente o ritmo da ocorrência dos nos diferentes grupos em estudo.

Margotto,PR


Teste estatístico na análise de significância: -Logrank test (também conhecido por

estatística do logrank de Mantel, estatística do logrank de Cox-Mantel

Análise multivariada: Regressão de Cox A idade gestacional poderia explicar a menor chance de extubação após corioamnionite? A

regressão de Cox foi realizada com ajuste para a idade gestacional e peso.


Margotto,PR



Regressão de Cox estimando o tempo de extubação após a segunda dose de surfactante exógeno, ajustado para a idade gestacional e peso nos grupos de acordo com a histologia da

placenta, p <0,05 HC+F VS HC-Hazard Rate-HR- de 0,12 com intervalo de confiança de 0,01-0,06 – p=0,046

(a menor idade gestacional explica parcialmente estas diferenças!)

o tamanho da amostra diminui ao longo do tempo de observação (as estimativas nos períodos finais de observação (parte direita da curva) são bastante imprecisas

censura dos Quanto menor o número de censurados, menor será o

viés de seguimento O método de Kaplan-Meier é um método não

paramétrico, sendo o único que supõe que os indivíduos censurados comportaram do mesmo modo dos indivíduos seguidos até que ocorra o evento. Para cada período de tempo se calcula a probabilidade de sobreviver.


Margotto,PR


O tempo de seguimento é uma variável quantitativa (expressa em dias, meses, anos) e expressa a diferença entre as datas de início e de finalização do estudo.

O estado do paciente ao final do seguimento é uma variável categórica dicotômica (1: evento que pode ser morte, recaída, etc e 0: não ocorreu evento, casos censurados ou apresentaram um evento após o término do estudo).

Curva de Kaplan-MeierAnálise de Sobrevivência usando o SPSS para Windows, usando o método de Kaplan-Meier e obtenção de Curvas de Sobrevivência e

compará-las mediante a realização do teste logrank

Exercício com o SPSSMargotto,PR

Regressão Logística É uma regressão múltipla, mas com variável de saída categórica dicotômica (dependente-sim/não/alto-

baixo/bom-ruim)) e variáveis previsoras (explicativas ou independentes) contínuas ou

categóricas.

A resposta na regressão logística é expressa por meio de uma probabilidade de ocorrência

Importância: análise de variáveis interferentes


Sódio sérico como um fator de risco para a mortalidade intrahospitalar em pacientes grave à admissão

A Odds ratio para a morte dentro de 30 dias da admissão foi de -4,07 (IC a 95%%: 2,95-5,63) quando o paciente apresentava

hipernatremia e

-3,36 (IC a 95% de 2,59-4,36) quando apresentava hiponatremia. A regressão logística foi usada para calcular a Odds ratio ajustada: fatores

que foram incluídos neste ajuste foram o escore de severidade da doença, permanência na UTI, efeito da idade, sexo, transfusão de sangue e sepse. Após o ajuste, para hipernatremia,

A Odds ratio (ajustada) para a morte no paciente com hipernatremia passou para 1,41 (Intervalo de confiança de 0,97-2,07: não alcançou a significância, pois no intervalo de confiança contém a unidade)

A Odds ratio (ajustada) para hiponatremia passou para 2,00 (Intervalo de confiança a 95% de 1,44-2,77, ou seja, foi menor, porém continuou significativa, pois no intervalo de confiança não contém a unidade).

Assim, o sódio sérico é um poderoso marcador inicial para a mortalidade, mas a mortalidade no grupo hipernatrêmico é primariamente um fator de

severidade da doença. Já para a hiponatremia o aumento da mortalidade é independente de outras variáveis.


Regressão Logística

Whelan B

Associação de ranitidina com infecções, enterocolite necrosante e desfecho fatal em recém-nascidos

Foi realizada análise multivariada usando a regressão logística binária para avaliar se a idade gestacional, peso ao nascer, escore de Apgar, CRIB, hemorragia intraventricular, canal arterial pérvio, acesso vascular central ou ventilação mecânica afetaram a precrição de ranitidina.

Bioestatística BásicaBioestatística BásicaRegressão Logística:

Terrin, 2012

A regressão logística binária (constante B de 6.334) mostrou que a ranitidina prescrita pelos médicos não foi afetada pela:

Idade gestacional (B 2 0.167, odds ratio [OR] 0.846, 95% IC 0.694 –1.031, P = .098),

Peso ao nascer (B 2 0.001, OR 0.999, 95% IC 0.997–1.001, P = .444), sexo (B 0.708, OR 2.031, 95% IC 0.972–4.243, P = .060), Escore de Apgar (1 minute: B 2 0.147, OR 0.863, 95% IC 0.653–1.141, P

= .301; 5 minute: B 2 0.099, OR 0.905, 95% IC 0.486 – 1.687, P = . 754) Escore do CRIB ((B 0.008, OR 1.008, 95% IC 0.869 –1.169, P = . 918 ), IV

(B 0. 755, OR 2. 12 7, 9 5% IC 0.635–7.124, P =.221) Canal arterial pérvio: (B 20.281, OR 0. 75 5, 95 % IC 0 .3 23–1.764, P

= .516), Acesso vascular central (B 0.004, OR 1.004, 95% IC 0.960–1.050, P =.855)

ou Ventilação mecânica ( B 20.062, OR 0.940, 95% IC 0.850–1.040, P = .233)

.

ResultadosBioestatística BásicaBioestatística Básica

Regressão Logística:

RN tratados com ranitidina tiveram mais infecções (OR 5.5; IC a 95%:2.9-10.4, P < 0,001)

Bioestatística BásicaBioestatística Básica [Survival and morbidity of premature babies with less than 32 weeks of gestation in the central region of Brazil]. Castro MP, Rugolo LM, Margotto PR. Rev Bras Ginecol Obstet. 2012 May;34(5):235-42. Portugues

Margotto, PR

http://www.ncbi.nlm.nih.gov/pubmed/22584859









Controle da influência do peso ao nascer e idade gestacional

(análise multivariada com regressão logística binária)

Hemorragia pulmonar: OR=3,3 (IC 95%:1,4-7,9-p=0,01)SDR (doença da membrana hialina): OR=2,5 (IC 95%:1,1-6,0-p=0,04

Persistiram no modelo Margotto, PR

No exemplo a seguir vamos realizar uma Regressão Logística Binária utilizando o SPSS. No exemplo:

a variável resposta será a ocorrência de Apgar<= 3 no 5º minuto (sim ou não), caracterizando uma variável binária.

as variáveis independentes escolhidas foram aquelas que se associaram individualmente ao Apgar <=3 no 5º minuto: corticóide, hipertensão materna, tipo de parto e pré-natal.

Bioestatística BásicaBioestatística BásicaRegressão Logística:

Margotto, PR, 2012


Regressão Logística:

Neste exemplo, podemos afirmar que as chances do RN cuja mãe recebeu esteróide pré-natal de apresentar um Apgar < =3 reduziu em 57,3% (Exp (B) de 0,427: 1- 0,427=0,573 x 100= 57,3%) em relação ao RN não exposto ao esteróide pré-natal.

Já a hipertensão materna constituiu um fator de risco, aumentando em 2,3 vezes mais o risco de do RN cuja mãe teve hipertensão de apresentar um Apgar <= 3 em relação ao RN cuja mãe não teve hipertensão. Observe que no intervalo de confiança de ambas variáveis previsora incluídas no modelo NÃO contém a unidade).


ESPERO TER SIDO ÚTIL! Brasília, 18/5/2012

Documents

Bioestatística Básica