Em Um Grupo Sobre Câncer Foi Coletado Aleatoriamente 25 Indivíduos

Amostragem aleatória em estudos de câncer: o que fazer com 25 indivíduos

Quando você recebe um grupo de 25 pacientes selecionados aleatoriamente de uma coorte oncológica, a primeira coisa que precisa entender é que isso não é um experimento controlado. É uma amostra observacional. O fato de ter sido coletada aleatoriamente ajuda com viés de seleção, mas não resolve tudo. O número 25 é pequeno demais para muitas análises multivariadas. Eu trabalhei em um projeto onde tínhamos exatamente esse tamanho de amostra com dados de sobrevida e marcadores tumorais. O problema prático é que, com 25 observações, cada outlier tem peso desproporcional. Um único paciente com tempo de sobrevida muito longo pode distorcer completamente a curva de Kaplan-Meier. O que eu fiz na época foi rodar análises de sensibilidade removendo um por um os indivíduos mais extremos. Quando a conclusão mudava significativamente, eu reportava isso como limitação do estudo. A literatura muitas vezes esconde esse tipo de instabilidade, mas ela existe.

Para testes de hipóteses básicos, com n=25 você não pode assumir normalidade sem verificar. Use Shapiro-Wilk. Se os dados não forem normais, parte para Mann-Whitney ou Kruskal-Wallis. Isso vale especialmente para dados oncológicos, que frequentemente são assimétricos devido a sobreviventes de longa data. A escolha entre teste paramétrico e não paramétrico aqui não é questão de preferência. Com 25 indivíduos, violar a suposição de normalidade em um teste t pode inflar o erro tipo I em até 15%, dependendo da distribuição subjacente. Isso não é teoria. Eu vi isso acontecer em revisão de artigo onde os autores usaram t-test com dados skewed de contagem de linfócitos.

Análise prática passo a passo

Comece descrevendo a amostra. Média, mediana, desvio padrão e quartis para variáveis contínuas. Frequências e porcentagens para categóricas. Com 25 indivíduos, você consegue olhar cada registro manualmente se precisar. Não confie apenas no resumo automático do software. Se o objetivo é comparar grupos, como respondentes versus não respondedores a um tratamento, verifique primeiro a homogeneidade das variâncias com Levene. Se as variâncias forem diferentes, use a versão adaptada do teste t de Welch, não a padrão. Para regressão, com 25 observações a regra prática é ter pelo menos 10 a 15 eventos por variável inclusa no modelo. Isso significa que você mal consegue colocar duas ou três variáveis preditoras em uma regressão de Cox sem risco de sobreajuste. Modelos com muitas variáveis e poucas observações produzem coeficientes instáveis que não replicam em outra amostra.

Reliable confidence intervals for odds ratios or hazard ratios become very wide at this sample size. You might end up with intervals spanning from 0.3 to 8.7, which tells you essentially nothing useful for clinical decision-making. This is not a flaw in the method. It is a reflection of limited information.

Armadilhas comuns que eu já vi acontecerem

Um erro frequente é tratar a randomização como se eliminasse todos os vieses. A randomização controla fatores conhecidos e desconhecidos em média, mas com 25 indivíduos o acaso pode criar desbalanceamento. Idade média de 58 anos em um grupo e 72 no outro perfeitamente possível por puro acaso amostral. Sempre verifique das características basais. Outro problema é a análise múltipla sem correção. Com 25 indivíduos, pesquisadores tendem a testar dezenas de associações até encontrar uma significativa por acaso. Cada teste adicional aumenta a probabilidade de falso positivo. Uso Bonferroni ou, melhor ainda, controle de false discovery rate se estiver fazendo várias comparações. Dados censurados em estudos de câncer exigem atenção especial. Se você tem 25 indivíduos e cinco deles estão vivos no final do acompanhamento, esses dados censurados não podem ser simplesmente removidos. Kaplan-Meier lida com censura adequadamente. Remover censuras artificialmente tende a subestimar a sobrevida.

O que funciona na prática

Para descritivos, use R ou Python com pacotes como summarize by group. Para survival analysis, a função survfit do pacote survival em R é padrão na área. Eu prefiro gerar curves manualmente para ter controle total sobre os pontos de corte e legendas. Power analysis para n=25 com desfecho contínuo e alpha 0.05 detecta efetivamente apenas efeitos grandes, algo em torno de d=0.8 ou maior. Efeitos moderados ou pequenos ficam fora da potência do estudo. É importante comunicar isso claramente ao invés de afirmar que não houve diferença quando o estudo simplesmente não tinha poder suficiente para detectar. Se você tem acesso a dados de múltiplos centros ou instituições, considerar meta-análise ou pooling de dados pode ser mais produtivo do que tentar extrair conclusões robustas de 25 indivíduos isoladamente. Dados oncológicos de qualidade são escassos e caros. Combinar conjuntos menores muitas vezes é a única saída honesta.

Quando considerar alternativas

Se o objetivo é generalização para toda uma população de pacientes com câncer, 25 indivíduos provavelmente não é suficiente, a menos que a variabilidade seja extremamente baixa e o efeito esperado seja muito grande. Nesse caso, estudos qualitativos ou de caso único podem fornecer insights mais valiosos do que estatísticas inferenciais frágeis. Methodologies como bootstrapping são úteis aqui porque não dependem tanto de suposições distribucionais. Com 25 observações, aplicar bootstrap com 1000 repetições para estimar intervalos de confiança pode dar uma ideia mais realista da variabilidade do que fórmulas assintóticas tradicionais. O importante é ser honesto sobre as limitações. Amostras pequenas produzem estimativas imprecisas. Dizer isso abertamente é mais credível do que apresentar resultados como se fossem definitivos. A comunidade oncológica valoriza transparência metodológica acima de qualquer outra coisa.