Causalidade, Validade e Confiabilidade

Causalidade é uma relação entre 2 eventos em que um evento causa o outro. A identificação de relações entre 2 variáveis (ou seja, associações ou correlações) não implica que uma variável tenha realmente causado o resultado. A demonstração da causalidade entre uma exposição e um resultado é o principal objetivo da maioria das pesquisas médicas publicadas. Para garantir que a causalidade existe e que não representa um artefacto de um mau desenho do estudo ou de outros fatores, devem ser cumpridos vários critérios para demonstrar a reprodutibilidade (confiabilidade), congruência interna (validade interna) e capacidade de generalização (validade externa) do estudo.

Última atualização: May 12, 2022

Responsibilidade editorial: Stanley Oiseth, Lindsay Jones, Evelin Maza

Causalidade

Definição

A causalidade é a relação entre a causa e o efeito.

Princípios

  • O princípio da causalidade implica que todos os eventos têm uma causa.
  • Indica uma relação lógica entre 2 eventos (uma causa e um efeito) e uma ordem entre eles (a causa precede o efeito)
  • Na medicina, estabelecer a causalidade:
    • Ajuda a identificar a causa de uma doença
    • Permite a melhor gestão possível do doente
    • Permite que os investigadores desenvolvam os melhores testes de diagnóstico

Causalidade versus correlação

“Correlação não é causalidade.”

  • Causalidade significa que 1 evento foi causado por outra condição
  • Correlação (ou associação) significa que 2 coisas estão conectadas, mas não implica causalidade.

Exemplo:

Abaixo apresenta-se um gráfico que descreve a relação entre mortes por afogamento e a ingestão de gelados. À medida que o consumo de gelados aumenta, o mesmo acontece com as mortes por afogamento. No entanto, este estudo demonstra apenas uma correlação e não uma causalidade. Comer gelado não causa mortes por afogamento. Em vez disso, em dias quentes, as pessoas são mais propensas a comer gelados e a ir à praia aumentando, consequentemente, o risco de afogamento. Assim, a temperatura é um fator de confusão, do qual resulta uma relação observada que, na realidade, não pressupõe causalidade.

Exemplo de gráfico que mostra uma correlação entre eventos (em vez de causalidade).

Gráfico de exemplo a demonstrar uma correlação entre eventos (em vez de causalidade)

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Critérios de Bradford Hill

Contextualização:

  • Também conhecidos como critérios de Hill para a causalidade
  • Grupo de 9 princípios úteis para estabelecer evidências epidemiológicas de uma relação causal entre uma causa presumida e um efeito observado
  • Se a maioria dos princípios for cumprido, a relação entre as variáveis é provavelmente causal.
  • Amplamente utilizados nas pesquisas em saúde pública

Os 9 princípios:

  1. Força: Qual é o tamanho do efeito ou quão grande é a relação? Quão grande é o risco relativo ou a razão de possibilidades?
  2. Consistência: Vejo esta relação com frequência? É reprodutível?
  3. Especificidade: Esta exposição causa exclusivamente este desfecho?
  4. Temporalidade: A exposição vem antes do desfecho?
  5. Gradiente biológico/ Relação dose-resposta:
  • Maior exposição causa mais resultado?
  • A remoção da exposição diminui o risco do desfecho?
  1. Plausibilidade: A relação faz sentido biologicamente?
  2. Coerência: A relação observada enquadra-se no conhecimento geral da ciência e da medicina?
  3. Testar: Pode ser conduzido um ensaio controlado randomizado (em humanos ou animais)?
  4. Analogia:
  • Podemos conceber uma relação análoga entre o resultado e outra exposição?
  • Explorei outras possibilidades teóricas para a relação observada?

Exemplo: Aplicação dos critérios de Bradford Hill para estabelecer causalidade

Como encontrado na tabela abaixo, a maioria dos princípios é cumprido, por isso podemos assumir com uma certeza razoável que fumar causa realmente cancro do pulmão.

Tabela: Aplicação dos critérios de Bradford Hill: Fumar causa cancro do pulmão?
Princípio Princípio cumprido Explicação
Força Sim Existe uma forte associação de risco relativo (RR) entre o tabagismo e o cancro de pulmão.
Consistência Sim Este ↑↑ RR foi reproduzido em muitos estudos de coorte
Especificidade Não Fumar pode levar a muitos resultados diferentes, e outras exposições também podem causar cancro do pulmão.
Temporalidade Sim O tabagismo precede o desenvolvimento de cancro do pulmão na grande maioria dos casos.
Gradiente biológico Sim Quanto mais um indivíduo fuma, maior o seu RR de cancro do pulmão.
Plausibilidade Sim No laboratório, foi demonstrado que o tecido pulmonar, exposto aos agentes cancerígenos encontrados no cigarro, mostra um aumento das mutações genéticas.
Coerência Sim Certos produtos químicos no fumo do cigarro são cancerígenos e, portanto, ↑ risco de cancro do pulmão: esta ideia é coerente com a nossa compreensão mais ampla da medicina e da ciência
Testar Sim Expuseram-se animais de laboratório ao fumo do tabaco e estes desenvolveram cancro.
Analogia Na verdade, não Foram exploradas outras opções, e podem existir outras potenciais possibilidades.

Relações Causais

Definição

Existe uma relação causal entre 2 eventos se a ocorrência do 1º evento causar o 2º evento.

Princípios

  • O 1º evento é referido como sendo a causa e o 2º evento como sendo o efeito.
  • Uma correlação entre 2 eventos não implica causalidade.
  • No entanto, se existir uma relação causal entre 2 eventos, estes estarão correlacionados.
  • O caminho causal (o caminho da causa para o efeito) pode ser:
    • Direto: O fator causa a doença sem etapas intermediárias.
    • Indireto: O fator causa a doença, mas apenas por meio de 1 ou mais etapas intermediárias.

Tipos de relações causais

Existem 4 tipos de relações causais ou fatores. Estes tipos baseiam-se no facto da exposição ter sido ou não necessária para desenvolver o desfecho, e se a exposição é suficiente por si só para causar o desfecho. Estes 4 tipos são:

  1. Necessária e suficiente
  2. Necessária mas não suficiente
  3. Suficiente, mas não necessária
  4. Nem necessária nem suficiente

Exemplo #1: Necessária e suficiente

  • Necessária: É impossível ter o resultado sem a exposição.
  • Suficiente: É tudo o que é necessário para produzir o resultado.
  • Exemplo: A infeção por coronavírus é necessária e suficiente para causar a doença SARS, pela sigla em inglês.
Um diagrama de um fator causal que é necessário e suficiente

Diagrama de um fator causal, que é necessário e suficiente

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Exemplo #2: Necessária e não suficiente

  • Necessária: A exposição é necessária para desenvolver o resultado.
  • Não suficiente:
    • A exposição precisa de ser auxiliada por algum outro fator para produzir o resultado.
    • Fatores individuais não conseguem produzir o resultado por si mesmos.
  • Exemplo: Uma doença é causada por um gene, ativado por um estímulo ambiental específico. Tanto o gene quanto o estímulo ambiental são necessários para a doença, mas nenhum deles é suficiente isoladamente para causar a doença.
Um diagrama de um fator causal que é necessário, mas não suficiente

Diagrama de um fator causal que é necessário, mas não suficiente

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Exemplo #3: Suficiente e não necessária

  • Suficiente: A exposição por si só consegue produzir o resultado.
  • Não é necessária: A exposição não é a única que pode produzir o resultado.
  • Exemplo: Tanto o envenenamento por radiação isoladamente quanto o envenenamento por benzeno são suficientes para causar leucemia. Portanto, não é necessário ter exposição à radiação para desenvolver leucemia (porque o indivíduo pode ter sido exposto ao benzeno). Assim, o envenenamento por radiação e o envenenamento por benzeno são suficientes, mas não necessários para o desenvolvimento de leucemia.
Um diagrama de fatores causais que são suficientes, mas não necessários

Diagrama de fatores causais que são suficientes, mas não necessários

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Exemplo #4: Nem necessária nem suficiente

  • Não necessária: Vários fatores ou exposições têm interações complexas que produzem o resultado.
  • Não suficiente: As exposições individuais não são suficientes para produzir o resultado por si só.
  • Exemplo: cancro da próstata. Existem vários fatores de risco que individualmente não são necessários, nem suficientes para causar cancro da próstata isoladamente. Existem várias combinações de exposições possíveis, tornando-as nem necessárias nem suficientes.
  • Este é sem dúvida o tipo mais comum de relação causal encontrada na prática clínica.
Um diagrama de fatores causais que não são necessários nem suficientes

Diagrama de fatores causais que não são necessários nem suficientes

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Confiabilidade e Validade

A confiabilidade refere-se à reprodutibilidade de um teste ou de um achado numa pesquisa: O teste ou o achado é repetível?

  • Confiabilidade = reprodutibilidade/consistência/precisão
  • ↑ Confiabilidade leva a ↓ taxas de erro aleatório
  • A confiabilidade melhora com a ↓ desvio padrão e o ↑ potência

A validade refere-se à exatidão de um teste ou achado de uma pesquisa: os resultados são representativos do mundo real?

  • Validade = exatidão
    • Os resultados refletem a realidade e podem ser acreditados.
    • A validade depende da eliminação de vieses.
    • A sensibilidade e a especificidade são medidas da validade.
  • Validade interna:
    • As relações causais são significativas no contexto do estudo.
    • Requisitos para a validade interna:
      • Temporalidade
      • Força
      • Plausibilidade
  • Validade externa ou generalização: Os resultados podem ser aplicados a outros doentes ou ambientes.

Nota: Um estudo inválido pode ainda ser confiável, mas um estudo não confiável não pode ser válido. Por outras palavras, uma relação que não representa o mundo real (inválida) pode ser encontrada várias vezes num estudo (confiável), mas um estudo que não pode ser reproduzido (não confiável) não pode representar o mundo real (validade).

Confiabilidade e validade

Confiabilidade e validade

Imagem por Lecturio. Licença: CC BY-NC-SA 4.0

Medições da confiabilidade

  • A confiabilidade é medida quantitativamente como um coeficiente, normalmente escrito como r.
  • O R é avaliado entre 0 e 1:
    • r = 1: teste perfeitamente confiável
    • r = 0: ausência completa de confiabilidade
  • r = ↑ confiabilidade = ↓ erros
  • Os investigadores normalmente querem um r de pelo menos 0,9, o que significa que 90% dos dados são precisos, enquanto que 10% são causados por erros.

Ameaças à confiabilidade e à validade

Ameaças à confiabilidade:

  • Más estratégias de amostragem
    • Exemplo: pretende-se medir a idade média de uma comunidade. Pode optar-se por ir a um centro de aposentação e encontrar uma idade média de 72 anos ou ir para uma escola secundária e encontrar uma idade média de 16 anos. Estas amostras não são representativas da população que está a ser estudada, portanto, os seus dados não são confiáveis.
  • Instabilidade da condição que está a ser medida
    • Exemplo: pretende-se medir a pressão arterial, mas a pressão arterial altera ao longo do dia, com base em fatores como o nível de atividade e o quão horizontal está o indivíduo (deitado versus em pé). Se estes fatores de confundimento não forem considerados, os seus dados não serão confiáveis.
  • Divergências entre observadores, especialmente nos casos em que a colheita de dados requer uma avaliação qualitativa por parte do observador
    • Exemplo: se se solicitar a observadores que avaliem o humor, diferentes observadores podem ter opiniões distintas sobre como realizar essa avaliação. Isto diminuiria a confiabilidade.

Ameaças à validade interna:

  • Fatores de confundimento: variável que cria uma relação artificial ou que mascara uma relação real entre as variáveis em estudo (ver o exemplo do gelado e das mortes por afogamento, acima referido)
  • Viés de seleção: erro introduzido quando a população do estudo não representa a população-alvo devido a alguma preferência de seleção (consultar Tipos de vieses para obter detalhes)

Ameaças à validade externa:

  • Muitos critérios de exclusão (características de estudo excessivamente específicas que não representam outras populações)
  • Efeito Hawthorne (efeito do observador): Os indivíduos nos estudos alteram o seu comportamento porque estão a ser observados.
  • Efeito Rosenthal: As expectativas do investigador sobre o resultado de um determinado estudo afetam o resultado real do estudo.

Referências

  1. Celentano, D, Szklo, M. (2019). From association to causation: Deriving inferences from epidemiologic studies.
  2. Everitt, BS, Skrondal, A. (2010). The Cambridge Dictionary of Statistics, Cambridge University Press.
  3. Redmond, CK, Colton, T. (2001) Biostatistics in Clinical Trial, 2001: p. 522.
  4. Greenberg, RS. (2015). Medical epidemiology. In Population Health and Effective Health Care (5th ed.).
  5. Kanchanaraksa S. (2008). Evaluation of diagnostic and screening Tests: Validity and reliability. In The Johns Hopkins University Bloomberg School of Public Health.
  6. Höfler, M. (2005). The Bradford Hill considerations on causality: A counterfactual perspective? Emerging Themes in Epidemiology, 2 (1): 11.

Aprende mais com a Lecturio:

Complementa o teu estudo da faculdade com o companheiro de estudo tudo-em-um da Lecturio, através de métodos de ensino baseados em evidência.

Estuda onde quiseres

A Lecturio Medical complementa o teu estudo através de métodos de ensino baseados em evidência, vídeos de palestras, perguntas e muito mais – tudo combinado num só lugar e fácil de usar.

User Reviews

Details