Objetivo Da Epidemiologia

O que as pessoas entendem (e o que realmente importa)

Muita gente estuda epidemiologia e sai repetindo que o objetivo é estudar a distribuição e os determinantes das doenças nas populações. A frase está correta, mas sozinha não te ajuda em nada quando você vai montar um estudo na prática. O trabalho de verdade começa quando você precisa decidir qual desenho usar, como lidar com vieses que vão aparecer inevitavelmente e o que fazer quando os dados não vêm bonitos e organizados como nos livros didáticos. No fim das contas, o objetivo da epidemiologia é gerar evidências que permitam tomar decisões em saúde pública e clínica com base em dados empíricos, e não em intuição. Isso significa identificar fatores de risco, estimar magnitude de problemas, acompanhar tendências temporais, avaliar intervenções e, quando necessário, descobrir surtos antes que saiam do controle. A parte teórica é só o começo. A parte difícil é transformar dados brutos em algo que realmente mude uma conduta. Um ponto que poucos estudantes percebem logo de cara: epidemiologia não é sinônimo de estatística. Você pode dominar regressão logística, Cox e modelos multinível, mas se não souber construir uma pergunta clínica ou de saúde pública bem formulada, todo o esforço analítico vai para o lixo. O problema começa muito antes do software abrir.

Desenhos de estudo: a escolha que define tudo

Eu já vi colegas gastarem semanas coletando dados de coorte prospectiva para responder uma pergunta que um estudo caso-controle resolveria em duas semanas, com menos custo e potência suficiente. A escolha do desenho não é opcional. Ela define o viés que você vai carregar, a causalidade que consegue sustentar e o tipo de medida de associação que faz sentido usar. Transversais são rápidos, baratos e terríveis para inferência causal, mas excelentes para estimar prevalência e gerar hipóteses. Coortes permitem calcular incidência e risco relativo, mas exigem tempo, acompanhamento fiel e budget. Caso-controle são eficientes para doenças raras, mas sofrem muito com viés de memória e seleção se mal conduzidos. Ensaios clínicos randomizados são o padrão-ouro para eficácia, mas não respondem bem a perguntas de eficiência, equidade ou implementação.

Vieses que todo mundo subestima

O viés de seleção é mais perigoso do que a maioria dos manuais deixa perceber. Ele não aparece como um erro grosseiro; ele se disfarça de número plausível e só fica evidente quando você compara as características da população estudada com a população-alvo real. Já passei por isso em um estudo sobre adesão a tratamento crônico onde a taxa de retenção em um grupo era 40% menor que no outro, e ninguém tinha anotado o motivo direito no protocolo. O viés de informação costuma ser ainda mais insidioso. Leitura diferencial de exposições entre casos e controles pode inchar ou esvaziar associações de maneira imprevisível. O controle disso exige protocolos rígidos de coleta, cegamento quando possível e, muitas vezes, validação substancial dos instrumentos usados.

Um problema real que eu enfrentei e como resolvi

Em um levantamento sobre exposição a agrotóxicos e desfechos respiratórios em uma região de produção intensiva, o banco inicial trouxe aproximadamente mil registros com variáveis-chave faltando em mais de 30% dos participantes. A tentação era simplesmente excluir os incompletos e rodar a análise. Isso distorceria a amostra porque os faltantes não eram aleatórios: pacientes mais graves tendiam a não retornar para exames de follow-up. A solução foi usar imputação múltipla com chained equations, construindo cinco conjuntos imputados e verificando a convergência das trajetórias. Antes disso, fiz uma análise comparativa entre completados e perdidos para mapear o padrão de missingness, que se mostrou MAR, não MCAR. O resultado mudou a magnitude dos efeitos em cerca de doze por cento, o que era suficiente para alterar a recomendação final do parecer técnico. Isso mostra algo importante: lidar com dados reais não é aplicar um teste e torcer. É entender o mecanismo que gerou o problema e escolher uma estratégia coerente com ele.

Magnitude versus significado estatístico

Um dos erros mais frequentes que eu vejo é tratar o valor-p como se fosse uma bala de prata. Ele não diz se um achado é relevante. Ele só responde à pergunta muito restrita de se os dados são incompatíveis com a hipótese nula, dentro de certas suposições. Um efeito clinicamente desprezível pode ser altamente significativo se a amostra for grande o suficiente, e um efeito substantivo pode não atingir significância em amostras pequenas. O que realmente importa são os intervalos de confiança e a magnitude do efeito. Intervalos estreitos que não cruzam o nulo dão mais informação do que um intervalo largo com p insignificante. Reportar tamanho de efeito com IC95% deve ser padrão, não exceção.

Medidas de associação que as pessoas confundem

Risco relativo, odds ratio e risco atribuído parecem similares no papel, mas têm implicações práticas distintas. ORs tendem a superestimar RRs em desfechos comuns, o que leva profissionais a interpretarem erroneamente o impacto de uma exposição. Em estudos de coorte, RR é mais intuitivo. Em caso-controle, só o OR é identificável diretamente, e isso precisa ficar explícito na discussão. Já o risco atribuído e o risco atribuível na população dizem algo que RR não diz: quanto do burden poderia ser eliminado se a exposição fosse removida. Para tomada de decisão em saúde pública, essa medida costuma ser mais útil do que qualquer p-value.

Sistematizações de evidência: o que funciona e onde elas falham

Meta-análises são ferramentas poderosas, mas não são autoreais. O problema do garbage in, garbage out é aqui mais visível do que em qualquer outra área. Se os estudos primários tiverem viés de publicação, heterogeneidade não explorada ou diferenças metodológicas graves, o pooled estimate pode parecer preciso enquanto na verdade é enganoso. Testes de heterogeneidade como I² são úteis, mas não resolvem nada sozinhos. Um I² alto não significa automaticamente que a meta-análise é inválida; significa que você precisa investigar fontes de variação, talvez por subgrupos ou meta-regressão, e ser honesto sobre as limitações. Já vi revisões que simplesmente ignoraram heterogeneidade alta e apresentaram um efeito único como se fosse consenso, o que é má prática.

Uso de dados secundários: a armadilha mais comum

Bancos como SIM, SIASUS e dados do DATASUS são recursos extraordinários e extremamente subutilizados da forma correta. O problema é que variáveis de classificação como CID não foram criadas para pesquisa etiológica. Elas registram o que aconteceu no atendimento, não necessariamente a causa fisiopatológica real. Usá-las sem críticas gera associações espúrias que parecem sólidas até você cavar um pouco mais. A solução passa por triangulação com outras fontes quando possível, validação de códigos com profissionais de saúde e, sempre que viável, confirmação em prontuários ou registros específicas. Também é essencial entender o sistema de registro por trás dos dados, porque mudanças de cobertura e critérios afetam séries temporais de maneiras que muitos não antecipam.

Avaliação de intervenções: o campo mais mal compreendido

Muitos gestores e pesquisadores tratam avaliação de programa como se fosse apenas medir mudança antes e depois. Isso ignora completamente questões de contrfactual. Sem um grupo de comparação adequado, qualquer tendência pré-existente pode ser atribuída erroneamente à intervenção. Diferenças em diferenças, regressão descontínua e pareamento por escore de propensão são opções válidas, cada uma com pressupostos específicos que precisam ser testados. Já participei de avaliação de uma campanha de vacinação onde a tendência de cobertura já estava subindo antes do início da ação. O modelo que não considerou isso superestimou o efeito da campanha em quase vinte pontos percentuais. Corrigir para a tendência basal mudou completamente a interpretação do resultado.

Ética e tradução em políticas públicas

Epidemiologia existe para informar ação. Quando os resultados ficam presos em artigos que ninguém lê ou são distorcidos por interesses políticos, o campo perde credibilidade. Transparência metodológica, registro de protocolos e disponibilização de dados quando possível são formas simples de combater isso. Também é preciso ser direto sobre limitações. Dizer explicitamente onde a evidência é fraca é mais confiável do que apresentar conclusões firmes sobre bases incertas. O objetivo da epidemiologia não se realiza só na produção de números. Ele se realiza na capacidade de transformar incerteza em orientação prática, mantendo rigor e honestidade intelectual. Quem trabalha na área sabe que esse equilíbrio é difícil, mas não é impossível.