Curso de Extensão em Economia da Saúde

Fundamentos de Bioestatística

Ministrante
Daniela Benzano
Assistente de Consultorias
Serviço de Epidemiologia e Bioestatística/HCPA

Porto Alegre, RS

Conceitos Básicos em
Bioestatística

Objetivos
• Entender os princípios fundamentais da Bioestatística
freqüentemente utilizados na área das ciências biológicas
e da saúde.

• Conhecer as principais medidas descritivas, gráficos e

testes estatísticos utilizados.

1
Livro texto:
Callegari-Jacques, SM.
Bioestatística. Princípios e
aplicações. ArtMed, 2003.

Bioestatística

Estatística: Ramo do conhecimento que consta

de processos que tem por objeto a
observação, a classificação e a análise de
fenômenos coletivos com a finalidade de obter
inferências indutivas a partir dos dados.

Bioestatística: Aplicação da Estatística nas

ciências biológicas e da saúde.

O papel da Bioestatística

Artigos científicos publicados

nas áreas das ciências biológicas
e da saúde freqüentemente apresentam
termos do domínio da
Epidemiologia e da Bioestatística.

2
 Para entender adequadamente artigos
científicos desta área o leitor deve
estar familiarizado com os princípios
fundamentais da Epidemiologia e da
Bioestatística.

Na grande maioria dos casos este

conhecimento não é de nível profundo e
nem envolve cálculos complicados.

Para o usuário comum é mais

importante conhecer as indicações e as
limitações dos procedimentos utilizados
em Epidemiologia e Bioestatística do
que saber exatamente como executá-los.

• Treinamento sugerido

- Importante conhecer indicações e limitações dos

procedimentos estatísticos.

- Futura análise de dados reais: geralmente cálculos

feitos por programas de computador.

3
Bioestatística:
Princípios Fundamentais

• Resumir a informação (p.e., média, %)

• Resumir as relações (p.e., TEP, RR)

• Estimar a magnitude das relações

Abordagem EPR em
Bioestatística

• Entidades
• Propriedades
• Relações

Entidades (Objetos de Estudo)

No seu sentido mais amplo, as entidades podem ser
consideradas como sendo os “objetos de estudo”, ou
seja, todas as coisas que nos cercam, incluindo as
animadas(indivíduos) ou inanimadas(coisas). São
também conhecidas como unidades de
observação/experimentação.
Exemplos:
• O paciente
• O dia
• A palestra

4
Propriedades (Variáveis)
São as características apresentadas pelas
entidades (objetos: coisas/indivíduos).
Estas características podem variar entre as
entidades (e em uma mesma entidade de
um momento para o outro). Por este motivo
são também conhecidas como variáveis.

O resultado da mensuração de uma

variável é conhecido como dado.

Entidades e Propriedades

Entidade Propriedade Medida

(objeto) (variável) (dado obtido)

Paciente peso? 75 kg
Dia condição do tempo? ensolarado
Palestra como foi? chata

Relações

Dentro da abordagem EPR pode-se dizer que

tanto a Epidemiologia como a Bioestatística
tem como objetivo final o estudo das
relações entre as variáveis.

5
 Conceitos básicos

• Variáveis e seus níveis de medida

• População e Amostra
• Parâmetros e Estimativas

Variáveis e seus
níveis de medida

Tipo de Características
Exemplos
Variável(1) da variável
Nominal(2) Categorias não ordenadas sexo, grupo sangüíneo
Ordinal Categorias ordenadas grau de dor, escores em geral

Espectro ordenado com temperatura, peso,

Intervalar/razão(3)
intervalos quantificáveis nº de livros em casa
(1)Variáveis qualitativas: nominal + ordinal; Variáveis quantitativas: Intervalar/razão.
(2)Duas categorias: dicotômica ou binária; Três ou mais categorias: polinomial.
(3)Podem ser contínuas ou discretas. Diferença entre intervalar e razão está na presença

do zero absoluto (razão), mas o tratamento estatístico é o mesmo.

Vantagens
da variável quantitativa
• Nível de informação é superior

• Pode ser transformada em qualquer outro

tipo de variável

• Aceita transformações matemáticas (log,

raiz quadrada, inversão, etc.)

• Estudos com este tipo de variável

necessitam tamanhos amostrais menores

6
População e Amostra
População: Refere-se ao grupo total, ou
seja, todos os indivíduos com uma
mesma condição, sem “fronteiras”. Um
conceito teórico, estatístico e abstrato,
diferente do conceito geográfico de
população.

Amostra: É toda fração (independente de

seu tamanho) obtida de uma população.

População e Amostra

n1 n2

n4
n3

Considera-se que o resultado de qualquer

cálculo estatístico realizado em um grupo de
indivíduos (população ou amostra) gera uma
estatística.

Quando a estatística é obtida em uma

população denomina-se parâmetro.

Quando a estatística é obtida em uma amostra

denomina-se estimativa (de parâmetro).

7
Duas variáveis importantes
Nas investigações das relações entre as variáveis
podemos identificar pelo menos duas variáveis nos
estudos epidemiológicos

• Desfecho: Aquilo que vai acontecer durante

uma investigação na mensuração da condição
de saúde-doença. Sinônimo: variável
dependente.

• Exposição: O fator que precede o desfecho.

Sinônimos: fator em estudo, v. preditora, v.
independente.

Medidas Descritivas
• Distribuição de freqüências

• Medidas de tendência central

média, mediana e moda

• Medidas de dispersão
amplitude, variância/desvio padrão

• Medidas de freqüência
prevalência e incidência

Distribuição de freqüências
• Toda variável (seja ela qualitativa ou
quantitativa) quando avaliada em um grupo de
indivíduos apresenta uma distribuição de
freqüências.

• Sempre que possível os dados devem ser

examinados graficamente para que possamos
identificar valores extremos e a forma da
distribuição.

8
Distribuição de freqüências:
Histograma
300

200

100

0
10 30 50 70 90

Gráfico de uma distribuição de freqüências

Distribuição de freqüências:
Histograma
300

200

100

0
10 30 50 70 90

Gráfico de uma distribuição de freqüências

Características da distribuição
de freqüências
• Geralmente a distribuição de freqüências possui
tendência central
dispersão (variação)

• A forma da distribuição determina qual o tipo de

medida descritiva mais adequada a ser usada

9
Medidas de Tendência Central
• Média: Indicação de uso em distribuições simétricas.
Possui o maior poder matemático e é a medida
descritiva mais utilizada (e preferida). No entanto, é
afetada por valores extremos e em distribuições
assimétricas pode apresentar
uma informação distorcida. dispersão de pontos
com n=200

x=
∑x indivíduos
DP

n
nº de

média

Curva de distribuição de freqüências

com representação pictórica da nuvem altura
de dispersão de pontos.

• Mediana: Medida de
posicionamento repre-
sentando o valor que
ocupa o meio da série,
ou seja, em tese 50% dos
quartil inferior
valores estão abaixo e (Percentil 25)
50% acima da mediana.
indivíduos

mediana
(Percentil 50)
nº de

Não é afetada por valo- quartil superior

res extremos, daí ser (Percentil 75)

preferida em séries com

prega tricipital
distribuição assimétrica.
Distribuição de freqüências
com assimetria positiva

• Moda (mo): Valor de X mais freqüente.

- Facilmente identificada em um gráfico de freqüências
- Pode haver mais de uma moda (mais de uma população?)

Peso em 256 universitárias Estatura em 213 estudantes

(ambos os sexos) da UFRGS

10
Medidas de Dispersão
• Amplitude (a)
• Variância (s2)
• Desvio padrão (s; DP)
• Amplitude interquartil

• Amplitude: Valor máximo - valor mínimo

Simples mas pouco informativa (apenas dois
valores). É muito sensível a valores extremos.
Ex: 1; 1; 2; 3; 6 a = 6 - 1 = 5.

Medidas de Dispersão

• Variância: Média dos desvios quadrados em

relação à média (todos os valores).
A unidade é expressa ao quadrado

É comum utilizar-se o desvio padrão (DP), que é

a raiz quadrada positiva da variância (volta à
unidade original).

• Desvio padrão (DP ou s): Representa o padrão de

oscilações dos valores da série em relação à média.
- Fundamental na inferência estatística
- Freqüentemente usado em conjunto com a média,
na forma média ± DP

Σ ( x − x )2
DP = s =
n −1

11
Representação gráfica do desvio padrão:
1. na nuvem de dispersão de valores de x;
2. em uma distribuição de freqüências gaussiana
(média ± DP reúne ~2/3 dos valores centrais)

dispersão de pontos
com n=200

DP
indivíduos
nº de

média

altura

- Quartis: valores de X que dividem uma série ordenada em

4 grupos de igual tamanho. Ex. Q1 separa 25% valores
menores
- Percentis: dividem a série em 100 partes iguais. Q1 = P25
•Amplitude interquartil:
Q3 – Q1= P75 – P25 (reúne 50% da amostra)
Usada com a mediana em séries assimétricas.
quartil inferior
(Percentil 25)

mediana
(Percentil 50)
indivíduos
nº de

quartil superior
(Percentil 75)

prega tricipital

Medidas de Tendência Central e

Distribuições de Freqüências
Média, mediana e moda

Distribuição Simétrica
moda moda
mediana
mediana
média média

Distribuição com Distribuição com

Assimetria Negativa Assimetria Positiva

12
Escolhendo a medida descritiva
Tipo de variável
• Nominal: usar freqüências e proporções (P/I).

• Ordinal: freqüências e proporções ou mediana e

amplitude interquartil. No entanto, a média e o
desvio padrão também podem ser utilizados*.

• Intervalar/razão: Depende da distribuição de

freqüências.
D. simétrica: média e desvio padrão
D. assimétrica: mediana e amplitude interquartil.

Apresentação de resultados
• Tabela descritiva
• Gráficos para var. quantitativas:
- Histograma
- Gráfico de média e barra de erro
- Box plot
- Gráficos de linha
- Gráfico dispersão de pontos
• Gráficos para var. categóricas :
- Gráfico de setores
- Gráfico de colunas

Tabela descritiva
Características dos grupos em estudo
Variável Grupo Exposto Grupo Não-Exposto
n = 97 n = 152
Idade, anos 35,2±7,2 30,2±12,0
Sexo feminino, nº (%) 12 (12,4) 81 (53,3)
Escolaridade
Primário incompleto 5 (5,2) 15 (9,9)
Primário completo 67 (69,1) 29 (19,1)
Secundário 20 (20,6) 77 (50,7)
Superior 5 (5,2) 31 (20,4)
Tabagismo, nº (%) 50 (51,5) 51 (33,6)
BDI 10,2±3,3 11,9±5,2
GAIL 23,3 (1,0 a 67,0) 16,0 (2,0 a 98,0)
Os dados são apresentados como nº (percentual), média±dp e
mediana (amplitude interquartil: P25 a P75). BDI=Escore de
Depressão Beck Depresssion Inventory ; GAIL=Escala Great
Achievements in your Life

13
Var. Quantitativas: gráfico de média e barra de erro

HDL HDL

Grupo 1 Grupo 2 Grupo 1 Grupo 2

• Variável quantitativa em dois ou mais grupos.

• Usar, sempre que possível, média ± DP.
• Dar preferência à apresentação da direita.

Var. quantitativas: Box plot

200

150

Variável 100

50

0
1 2 3

Gr1 Gr2 Gr3

• Variável quantitativa em dois ou mais grupos,

principalmente para variáveis assimétricas.
• Representa mediana, amplitude interquartil,
mínimo e máximo.

Var. quantitativas: gráfico de linha

tempo tempo

• Variável quantitativa ao longo do tempo.

• Usar, sempre que possível, média ± DP.
• Só a média: não representa variações grandes
entre indivíduos.

14
Var. quantitativas: gráfico de dispersão de pontos

1.2

1.0

Variável Y 0.8

0.6

0.4

0.2

0.0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Variável X

• Duas variáveis quantitativas

• Objetivo: observar que tipo de relação possuem
entre si

Variáveis qualitativas
Gráfico de setores Gráfico de colunas
(pizza ou torta)
%

A B C
• Usados para dados categóricos.
• Evitar uso em variáveis dicotômicas.
• Gráfico de pizza: raro em publicações científicas.
• Gráfico de colunas: não é histograma.

Resumo
• Epidemiologia e Bioestatística auxiliam a
compreender a literatura científica nas áreas
das ciências biológicas e da saúde.

• A abordagem EPR (entidades, propriedades e

relações) apresenta uma interessante visão dos
princípios fundamentais da Epidemiologia e
da Bioestatística.

15
• Partindo dos conceitos de entidade(objeto) e
propriedade(variável) a Epidemiologia e a
Bioestatística passam pela descrição dos
dados para chegar à relação entre as variáveis
e a conseqüente estimativa da magnitude
destas relações.

• Variável pode ser considerada uma

característica mensurável que pode apresentar
valores diferentes nos sujeitos do estudo.

• As variáveis são classificada de acordo com

seu nível de mensuração em qualitativas
(nominal e ordinal) e quantitativas
(intervalar/razão).

• Em Epidemiologia é importante distinguir

entre variável preditora (exposição) e
desfecho.

• As medidas descritivas clássicas usadas em

Epidemiologia e Bioestatística são:
média e desvio padrão
mediana e amplitude interquartil
prevalência/incidência

• Apresentações gráficas são importantes,

mas devem ser usadas com adequação e
seguindo suas indicações específicas.

16
 Cuidados para implementação do estudo
Banco de dados

– Numerar as fichas/questionários

– Digitar os dados (se possível digitação dupla)

– Cada ficha/questionário deve possuir

identificador único

Cuidados para implementação do estudo

Banco de dados

• Identificador
• Uma info por
coluna
• Dados de mesmo
tipo por coluna
• Nome curto de
variável
• Sem comentário
ou texto

Tamanho da amostra
• Nem sempre é tão preciso quanto se imagina
• Depende das informações dadas pelo pesquisador
• Um tamanho de amostra adequado ou suficiente
não garante a aleatoriedade (representatividade)
• Muitas vezes revela que um estudo não é factível
ou que seria necessário modificar os fatores
preditores ou desfechos

17
 Tamanho da amostra
Por isso, o tamanho da amostra deve ser
calculado ainda no projeto, quando
maiores mudanças ainda são possíveis

Tamanho da amostra
• Em estudos comparativos, a hipótese é
fundamental para o cálculo do n
• Esta deve ser baseada na questão de
pesquisa, ser simples, específica e pré-
estabelecida

Tamanho da amostra: Hipótese

Muitas vezes é óbvio numa hipótese de
pesquisa se a preditora e o desfecho são
dicotômicas, contínuas ou categóricas. Se
não estiver claro, o tipo de variável
necessita ser especificado.

Ex: consumo de álcool (mg/dia) está
associado com um aumentado risco de
proteinúria (> 30 mg/dl) em pacientes com
diabetes.

18
 Tamanho da amostra: Hipótese
• Simples vs complexa:
– Simples: contém uma variável preditora e um
desfecho
• Um estilo de vida sedentário está associado a um
aumento no risco de proteinúria em pacientes com
diabetes
– Complexa: contém mais de uma preditora ou mais
de um desfecho
• Um estilo de vida sedentário e o consumo de álcool
estão associados com um aumento no risco de
proteinúria em pacientes com diabetes
• O consumo de álcool está associado a um aumento no
risco de proteinúria e neuropatia em pacientes com
diabetes

Tamanho da amostra: Hipótese

Específica x vaga

Hipótese específica não deixa margem a
ambigüidades sobre os sujeitos e variáveis ou
sobre o sobre como os testes de significância
serão aplicados. Ex: história de uso de
medicamentos antidepressivos tricíclicos, medida
por revisão do recordatório farmacêutico, é mais
comum em pacientes hospitalizados com um
diagnóstico de admissão de infarto do miocárdio
no HCPA no último ano do que naqueles
hospitalizados por pneumonia.

Tipos de erros estatísticos:

Verdade na População
Resultados na
Amostra do Ausência de
Associação
Estudo Associação entre o
entre o Preditor
Preditor e o
e o Desfecho
Desfecho
Rejeitam a
Correta Erro tipo I
hipótese nula
Não rejeitam a
Erro tipo II Correta
hipótese nula
Hulley et all, 2003

19
 Tamanho da amostra
• Magnitudes de efeito
(informação dada pelo pesquisador: “diferença
clinicamente relevante”)
– Tamanho de efeito padronizado (effect size)
– Razão de chances (Odds ratio)
– Risco relativo
– Coeficiente de correlação

Mensuração de magnitude de efeito

Variável Desfecho
preditora Dicotômico Contínuo
- Razão de chances Tamanho de efeito
Dicotômica (Odds ratio) padronizado
- Risco relativo (effect size)

Tamanho de efeito
Contínua padronizado Coeficiente de correlação
(effect size)

Magnitude de efeito:
• A probabilidade de um estudo poder
detectar uma associação entre a variável
preditora e o desfecho depende da
magnitude real da associação na população-
alvo.

20
 Magnitude de efeito:
• Se a associação for forte, será facilmente
detectada na amostra
– Ex: os níveis de glicemia de jejum em mulheres
que praticam exercício físico são, em média,
20mg/dL mais baixos do que as que não praticam
(tamanho da amostra necessário será pequeno)
• Se a associação for fraca, será difícil
detectá-la
– Ex: diferença de 2 mg/dL (tamanho da amostra
necessário será grande)

Magnitude de efeito:
• Em geral, se obtém da literatura, de estudos
anteriores.
• Na ausência, pode-se estipular uma
diferença mínima que poderia ser
considerada clinicamente significativa.
• Se mesmo assim for impossível a sua
estimativa, se faz um pequeno estudo piloto
ou uma análise interina.

Tamanho de amostra:
comparação de proporções
• Exemplo:
– Um estudo experimental em ratos será realizado
para comparar 2 diferentes drogas cancerígenas
(A e B) quanto à presença de carcinoma.
• Deseja-se estimar um tamanho da amostra que
detecte uma diferença absoluta de 40%, sendo
que a droga de menor efeito provoca carcinoma
em 40%.

21
 Tamanho de amostra: comparação
de proporções

Tamanho de amostra: comparação

de proporções
========================================
COMPARE2 Version 1.45
Tuesday, 5th December 2006, 7:06.
========================================
----------------------------------------------
Sample sizes required for testing a difference
----------------------------------------------
DATA:
Difference between proportions
Significance level = 5% Power = 90% Ratio A:B = 1
Proportion B = 0.4 Proportion A = 0.8

RESULTS:
REQUIRED SAMPLE: Total 60 (30 in A, 30 in B)
Continuity-corrected: Total 70 (35 in A, 35 in B)
EXPECTED PRECISION:
Approx. 95% CI for difference between proportions (D) =
D - 0.238 to D + 0.238

Tamanho de amostra:
comparação de proporções
• Exemplo:
– No mesmo estudo, também se deseja dosar os
níveis de uma enzima ZYX.
• Deseja-se estimar um tamanho da amostra que
detecte uma diferença de 20 unidades, sendo
que os desvios-padrão são em torno de 17 e 18.

22
Tamanho de amostra: comparação
de médias

Tamanho de amostra: comparação

de médias
========================================
COMPARE2 Version 1.44
Thursday, 23rd February 2006, 13:27.
========================================
----------------------------------------------
Sample sizes required for testing a difference
----------------------------------------------
DATA:
Difference between means
Significance level = 5% Power = 90% Ratio A:B = 1
SD in 17 SD in 18 Difference = 20

RESULTS:
REQUIRED SAMPLE: Total 36 (18 in A, 18 in B)

EXPECTED PRECISION:
Approx. 95% CI for difference between means (D) =
D - 12.172 to D + 12.172

Plano de análise estatística

Variável Desfecho
preditora Dicotômico Contínuo
Teste de qui-
Dicotômica Teste t
quadrado
Coeficiente de
Contínua Teste t
correlação

23
 Plano de análise estatística
• Análise multivariável (caso seja necessário
controlar para possíveis variáveis confundidoras ou de
interação):
– Regressão linear
– Regressão logística;
– Regressão de Poisson;
– Regressão de Cox.

24