evidências clínicas

Vieses e fontes de erro em estudos clínicos

Um estudo bem feito é, em última instância, um esforço para manter a verdade visível apesar de inúmeras formas pelas quais ela pode se distorcer. Essas distorções têm nome — chamam-se vieses. Reconhecê-los é o que separa leitor crítico de leitor passivo.

Esta página cobre os vieses mais frequentes em estudos clínicos. Para cada um: o que é, onde aparece, e como os estudos bons o controlam.

Viés ≠ erro aleatório

Antes de começar, uma distinção importante:

  • Erro aleatório é o "ruído" estatístico — variação por acaso, que pode ser para cima ou para baixo. Aumenta a incerteza (alarga o IC95%), mas não enviesa a estimativa numa direção. Se você roda o estudo de novo com nova amostra, a estimativa varia.
  • Viés é erro sistemático — empurra a estimativa numa direção específica. Mesmo se você refizer o estudo dez vezes, todas as estimativas estarão deslocadas para o mesmo lado. Não desaparece com mais sujeitos.

Aumentar a amostra reduz erro aleatório. Não reduz viés. Por isso um ECR pequeno bem feito pode ser mais confiável do que um ECR enorme mal feito.

Os principais tipos de viés

1. Viés de seleção

O que é: a maneira como os participantes foram selecionados produz um grupo que não é representativo da população de interesse — ou produz grupos de comparação diferentes em algum aspecto importante já no início do estudo.

Onde aparece:

  • Estudos de caso-controle onde controles vêm de uma fonte muito diferente dos casos
  • Coortes onde a inclusão depende de variáveis associadas ao desfecho
  • Ensaios clínicos com alocação não aleatória ou onde a alocação aleatória não foi oculta (e o investigador conscientemente ou não dirigiu pacientes para um grupo)
  • Estudos de teste diagnóstico onde o "padrão-ouro" só é aplicado em quem testou positivo

Como os estudos bons controlam: randomização (em ECRs), com alocação oculta (envelopes selados ou sistemas centralizados); critérios de inclusão e exclusão claros e aplicados de forma uniforme; descrição transparente do fluxo de participantes (diagrama CONSORT).

2. Viés de aferição (ou de medição)

O que é: a forma como o desfecho é medido difere sistematicamente entre os grupos. Se um avaliador sabe quem está no grupo intervenção, ele pode (mesmo inconscientemente) registrar desfechos de forma diferente entre os grupos.

Onde aparece:

  • Ensaios sem cegamento de avaliadores
  • Desfechos subjetivos (dor relatada, qualidade de vida, melhora clínica) — mais sensíveis ao problema
  • Estudos onde o paciente sabe qual grupo recebe e isso muda como ele relata sintomas

Como os estudos bons controlam: cegamento de pacientes, profissionais e avaliadores sempre que possível; uso de desfechos objetivos (mortalidade, troponina, valor laboratorial); avaliadores cegos para alocação; comitês independentes para classificação de desfechos.

3. Viés de aferição em desfechos compostos

Um caso especial. Desfechos compostos (ex.: "morte ou hospitalização") parecem objetivos, mas frequentemente um dos componentes é mais subjetivo que o outro (mortalidade é objetiva; "hospitalização por insuficiência cardíaca" requer julgamento). Quando o componente subjetivo domina o desfecho, o viés de aferição volta pela porta dos fundos. Bons estudos relatam cada componente separadamente além do composto.

4. Viés de perda (attrition bias)

O que é: participantes que saem do estudo são diferentes dos que ficam, e essa diferença distorce o resultado. Se quem teve efeito adverso desistiu mais que quem não teve, e os desistentes não entram na análise, o efeito adverso fica subestimado.

Onde aparece:

  • Estudos de longa duração (oncologia, doenças crônicas)
  • Quando perdas são desbalanceadas entre grupos (mais perdas no grupo controle, por exemplo)
  • Quando perdas têm relação com o desfecho

Como os estudos bons controlam: análise por intenção de tratar (todos os randomizados são analisados no grupo original, mesmo se não completaram o tratamento); descrição transparente das perdas e suas razões; análises de sensibilidade que testam diferentes pressuposições sobre os perdidos; uso de métodos estatísticos para dados ausentes (imputação múltipla).

Como regra prática: perdas > 20% ou perdas desbalanceadas entre grupos levantam preocupação séria.

5. Viés de publicação

O que é: estudos com resultados estatisticamente significativos ou na direção esperada têm mais chance de serem publicados. Estudos negativos ficam em gavetas. Resultado: a literatura pública é distorcida em favor do efeito que se buscava demonstrar.

Onde aparece:

  • Em qualquer revisão sistemática que dependa só de literatura publicada
  • Em áreas com financiamento da indústria (efeito mais marcado)
  • Em estudos de intervenções alternativas (acupuntura, suplementos), onde estudos negativos circulam menos

Como os estudos bons (e revisões sistemáticas) controlam: registro prévio do protocolo (ClinicalTrials.gov, PROSPERO, OSF); busca em registros de ensaios não publicados; contato com autores; análise gráfica (funnel plot) e testes estatísticos para detectar assimetria. Cochrane exige busca em literatura cinzenta para todas as suas revisões.

6. Viés de confundimento

O que é: uma terceira variável está associada tanto ao tratamento quanto ao desfecho, e cria uma associação aparente entre os dois que não é causal.

Exemplo clássico: estudo observacional descobre que pessoas que tomam vitaminas têm menos câncer. Conclui-se que vitaminas previnem câncer. Mas pessoas que tomam vitaminas também tendem a fumar menos, fazer mais exercício, ter mais acesso a serviços de saúde. O fator de confundimento (estilo de vida em geral) explica a associação melhor que as vitaminas.

Onde aparece:

  • Em todos os estudos observacionais (coorte, caso-controle, transversal)
  • Em ensaios clínicos não randomizados ou mal randomizados
  • Quando características de base (idade, sexo, comorbidades, severidade da doença) diferem entre grupos

Como os estudos bons controlam:

  • Em ECRs: randomização adequada distribui os fatores de confundimento (conhecidos e desconhecidos) igualmente entre os grupos. Esse é o grande poder do desenho randomizado.
  • Em estudos observacionais: restrição (incluir só certo tipo de paciente), pareamento (matching), estratificação na análise, regressão multivariada, escores de propensão. Todas têm limites — só ajustam para o que foi medido. Confundimento por variáveis não medidas permanece.

7. Viés de imortal time

Caso mais sutil, particularmente em estudos observacionais farmacológicos. Pacientes classificados como "expostos" só podem ser classificados assim depois de iniciarem o medicamento — o que significa que sobreviveram até esse ponto. Eles têm um período "imortal" embutido na classificação. Comparar com pacientes não expostos sem ajustar para isso superestima o benefício do medicamento.

Como os estudos bons controlam: análise por tempo desde a randomização (em ECRs, automaticamente); modelos com exposição variável no tempo; análise sensível ao tempo de imortal.

8. Viés de seleção de desfechos relatados (reporting bias)

O que é: dos múltiplos desfechos previstos no protocolo, o estudo relata apenas os que ficaram bonitos na análise. Desfechos que falharam viram nota de rodapé, ou somem.

Como os estudos bons controlam: registro pré-especificado de desfechos primários e secundários; relato completo de todos os desfechos previstos; ferramenta RoB 2.0 tem domínio específico para isso.

Hierarquia de controle de viés por desenho

Cada desenho de estudo controla diferentes tipos de viés com diferentes graus de eficácia:

Desenho Controla bem Vulnerável a
ECR com cegamento e alocação oculta Confundimento, seleção, aferição Viés de perda (se mal conduzido); reporting bias
Coorte prospectiva Aferição (se padronizada) Confundimento, seleção, perda
Caso-controle Pode estudar desfechos raros Confundimento, seleção, recordação
Transversal Útil para prevalência Não estabelece causalidade
Série de casos Hipóteses Praticamente todos

Por isso a pirâmide de evidências coloca ECRs bem feitos perto do topo. Mas atenção: um ECR mal feito perde os benefícios do desenho. A ferramenta RoB 2.0 avalia justamente o risco residual de viés num ECR específico.

Reconhecendo viés na prática

Cinco perguntas que ajudam a expor vieses ao ler um estudo:

  1. Os participantes foram selecionados de forma representativa? Diagrama de fluxo. Critérios de inclusão. Quem foi excluído e por quê.
  2. Os grupos eram comparáveis no início? Tabela 1 do artigo. Diferenças importantes em idade, severidade, comorbidades?
  3. Houve cegamento adequado? De quem (paciente, profissional, avaliador)? Para todos os desfechos ou só alguns?
  4. As perdas foram pequenas e balanceadas? % de perda em cada grupo. Razões. Foi feita análise por intenção de tratar?
  5. Os desfechos relatados batem com o protocolo registrado? O artigo cita o registro? Os desfechos primários são os pré-especificados ou foram trocados?

Se um estudo tem problema sério em qualquer dessas perguntas, suspeite — independentemente do tamanho amostral ou do prestígio da revista.

Erros comuns ao discutir viés

  • Confundir viés com fraude. Viés geralmente é não intencional; vem de escolhas metodológicas que distorcem o resultado.
  • Tratar "associação" como "causa". Estudo observacional que encontra associação raramente prova causalidade — confundimento residual quase sempre é alternativa.
  • Achar que tamanho amostral resolve. Ele resolve erro aleatório, não viés.
  • Aceitar acriticamente análises de subgrupo. Subgrupos sofrem de problemas estatísticos sérios (múltiplas comparações) e devem ser tratados como gerador de hipóteses, não como conclusão.
  • Ignorar viés de publicação em revisões sistemáticas. Sempre olhe se a revisão usou registros, não apenas literatura publicada.

Conceitos relacionados

Referências

  1. Sackett DL. Bias in analytic research. J Chronic Dis 1979;32(1-2):51–63.
  2. Higgins JPT, Thomas J, Chandler J, et al, eds. Cochrane Handbook for Systematic Reviews of Interventions version 6.4. Cochrane; 2023. Capítulo 8: Assessing risk of bias. Disponível em: training.cochrane.org/handbook.
  3. Sterne JAC, Savović J, Page MJ, et al. RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ 2019;366:l4898.
  4. Pannucci CJ, Wilkins EG. Identifying and avoiding bias in research. Plast Reconstr Surg 2010;126(2):619–25.
  5. Catalogue of Bias Collaboration. Catalogue of Biases. Disponível em: catalogofbias.org — recurso aberto com mais de 60 vieses descritos em detalhe.