Emprego dos Testes Estatísticos na Pesquisa em Medicina

### Análise Descritiva:

#### Variáveis Qualitativas:

Para variáveis qualitativas, como por exemplo, a presença ou ausência de uma

condição médica, os dados são geralmente apresentados em termos de percentagens ou
proporções. Isso significa que você pode calcular a porcentagem de pacientes que
têm uma determinada condição em relação ao total de pacientes estudados.

#### Variáveis Quantitativas:

Para variáveis quantitativas, que são medidas em uma escala numérica, existem duas
situações principais:

##### Distribuição Normal (Gaussiana):

Se os dados seguem uma distribuição normal, o que significa que eles se distribuem
de acordo com a curva de sino familiar, então você pode calcular várias medidas
estatísticas, tais como:

- **Média:** Representa o valor central dos dados.

- **Desvio Padrão:** Indica a dispersão dos dados ao redor da média.
- **Intervalo de Confiança:** Fornece uma estimativa da faixa na qual um parâmetro
estatístico (como a média) provavelmente se encontra.
- **Valores Máximos e Mínimos:** Indicam os extremos dos dados.

##### Distribuição Assimétrica (não Gaussiana):

Quando os dados não seguem uma distribuição normal, eles podem ser assimétricos, ou
seja, não possuem uma forma de sino. Nesse caso, é mais apropriado usar medidas de
tendência central e dispersão que não dependem da suposição de normalidade, tais
como:

- **Mediana:** É o valor que divide a distribuição ao meio, ou seja, 50% dos dados
estão abaixo da mediana e 50% estão acima.
- **Variação:** Refere-se à amplitude dos dados, indicada pelo intervalo entre o
valor máximo e o mínimo.
- **Quartis:** São valores que dividem a distribuição em quatro partes iguais,
representando o primeiro quartil (25%), a mediana (50%) e o terceiro quartil (75%).

### Aplicação de Testes Estatísticos:

Além da análise descritiva, os testes estatísticos são utilizados para inferir

conclusões sobre os dados, como por exemplo, determinar se há diferenças
estatisticamente significativas entre grupos de pacientes ou se uma intervenção
teve um efeito significativo.

Os tipos de testes estatísticos aplicados na pesquisa em medicina dependem da

natureza dos dados e das perguntas de pesquisa. Alguns exemplos comuns incluem o
teste t de Student para comparar médias entre dois grupos, a análise de variância
(ANOVA) para comparar médias entre três ou mais grupos, e o teste qui-quadrado para
analisar a associação entre variáveis categóricas.

Análise do Comportamento de Variáveis

Claro, vou explicar como a análise do comportamento de variáveis é realizada na
pesquisa, abordando cada um dos pontos que você mencionou.

### Avaliar a Existência de Diferença de Grandeza entre Variáveis:

Quando queremos avaliar se há diferenças significativas entre duas ou mais
variáveis, utilizamos técnicas estatísticas específicas. Por exemplo, se estivermos
comparando a eficácia de dois medicamentos, podemos usar testes tais como o teste t
de Student ou a análise de variância (ANOVA), dependendo do número de grupos que
estamos comparando. Esses testes nos ajudam a determinar se as diferenças
observadas são estatisticamente significantes ou se podem ter ocorrido simplesmente
por acaso.

### Analisar a Ocorrência de Associações entre Variáveis:

Para investigar se existe uma associação entre duas variáveis, como por exemplo, se
o tabagismo está associado ao desenvolvimento de câncer de pulmão, usamos métodos
estatísticos como o teste qui-quadrado para variáveis categóricas ou a correlação
de Pearson para variáveis contínuas. Esses testes nos ajudam a determinar se existe
uma relação estatisticamente significativa entre as variáveis em questão.

### Estimar a Prevalência ou a Incidência de Eventos:

A prevalência se refere à proporção de uma população que tem uma determinada

condição em um determinado momento, enquanto a incidência se refere à taxa na qual
novos casos de uma condição ocorrem em uma população durante um determinado período
de tempo. Para estimar a prevalência ou incidência de eventos, utilizamos métodos
de amostragem adequados e cálculos estatísticos para fornecer estimativas precisas
desses parâmetros.

### Identificar Fatores que Alteram ou Sejam Preditores de Respostas / Eventos:

Quando queremos identificar fatores que podem influenciar ou prever determinadas

respostas ou eventos, recorremos à análise multivariada, como a regressão linear
múltipla ou a regressão logística. Esses métodos nos permitem avaliar o efeito de
várias variáveis independentes sobre uma variável dependente, controlando o efeito
de outras variáveis. Por exemplo, podemos usar regressão logística para identificar
fatores de risco para uma doença específica.

Avaliação da Diferença entre Variáveis

Vamos abordar cada um dos pontos de forma detalhada:

### Definir o Tipo de Variável:

Ao iniciar uma análise estatística, é crucial identificar o tipo de variável que

está sendo estudada. As variáveis podem ser qualitativas, como gênero
(masculino/feminino), ou quantitativas, como idade ou pressão arterial. Identificar
corretamente o tipo de variável ajuda na escolha dos métodos estatísticos
apropriados para análise.

### Definir o Número de Grupos de Amostras:

O número de grupos de amostras se refere à quantidade de categorias ou tratamentos

diferentes que estão sendo comparados. Por exemplo, em um estudo clínico, podemos
ter um grupo recebendo um novo medicamento, outro grupo recebendo um placebo e um
terceiro grupo recebendo um tratamento padrão. Identificar o número de grupos de
amostras é fundamental para selecionar os testes estatísticos adequados para
comparação entre grupos.

### Definir a Relação entre os Grupos:

Existem duas relações principais entre grupos de amostras:

#### Pareados / Medidas Repetidas:

Nesse caso, as observações em um grupo estão relacionadas ou emparelhadas com as

observações em outro grupo. Por exemplo, em um estudo antes e depois de um
tratamento, cada paciente serve como seu próprio controle, o que é comumente
chamado de desenho pareado ou medidas repetidas.

#### Não Pareados / Não Relacionados:

Aqui, as observações em um grupo não têm relação direta com as observações em outro
grupo. Cada observação é independente das outras. Isso é comum em estudos onde
diferentes grupos de pacientes recebem diferentes tratamentos e não há
emparelhamento entre eles.

### Definir o Tipo de Distribuição no caso de Variáveis Quantitativas:

Quando lidamos com variáveis quantitativas, é importante considerar sua

distribuição. Duas distribuições comuns são:

#### Distribuição Normal (Gaussiana):

Os dados seguem uma distribuição normal quando se assemelham à forma de uma curva
de sino. Isso significa que a maioria dos dados está centralizada em torno da
média, com uma dispersão simétrica em ambas as direções. Muitos métodos
estatísticos assumem uma distribuição normal dos dados.

#### Distribuição Assimétrica:

Uma distribuição é assimétrica quando não segue a forma de uma curva de sino e
exibe uma inclinação para um lado. Isso pode ocorrer em situações onde há valores
extremos ou quando os dados não seguem uma distribuição normal. Em tais casos,
métodos estatísticos robustos devem ser utilizados.

Avaliaçao da Diferença entre Variáveis Qualitativas

Entendi, vamos abordar cada aspecto:

### Variável Binária (Pres./Aus.):

Uma variável binária é aquela que possui apenas dois valores possíveis, como
"Presente" e "Ausente", "Sim" e "Não", ou "1" e "0". Em contextos médicos, isso
poderia representar a presença ou ausência de uma condição de saúde, como uma
doença específica.

### Variáveis Pareadas ou Não Relacionadas:

#### Comparação de Dois Proporções:

Quando queremos comparar duas proporções, ou seja, a frequência de ocorrência de um

evento em dois grupos diferentes, podemos usar o teste exato de Fisher ou o teste
qui-quadrado. Isso é útil quando queremos investigar se a proporção de pacientes
que respondem a um tratamento é diferente entre dois grupos, por exemplo.

#### Comparação de Três ou Mais Proporções:

Quando temos mais de dois grupos e queremos comparar as proporções entre eles,
usamos uma análise de variância (ANOVA) para proporções. Isso nos ajuda a
determinar se há uma diferença estatisticamente significativa nas proporções de um
evento ocorrendo entre os grupos. Se a ANOVA indicar diferenças significativas,
testes de comparações múltiplas, como o teste de Tukey, podem ser realizados para
identificar quais grupos diferem entre si.

Por exemplo, se estivermos comparando a eficácia de três medicamentos para uma

condição específica, podemos usar uma ANOVA para proporções para determinar se há
uma diferença significativa na proporção de pacientes que respondem a cada
medicamento.

Avaliação da Diferença entre Variáveis Quantitativas

Entendi, vamos analisar cada aspecto:

### Segundo o Tipo de Distribuição:

#### Distribuição Normal (Gausiana) - Testes Paramétricos:

Quando os dados seguem uma distribuição normal (curva de sino), podemos utilizar
testes paramétricos, como o teste t de Student para duas amostras independentes ou
a análise de variância (ANOVA) para três ou mais grupos independentes. Esses testes
são robustos e poderosos quando os pressupostos de normalidade são atendidos.

#### Distribuição Não Gausiana - Testes Não Paramétricos:

Quando os dados não seguem uma distribuição normal, os testes paramétricos podem
produzir resultados enviesados ou imprecisos. Nesses casos, é aconselhável usar
testes não paramétricos, como o teste de Wilcoxon-Mann-Whitney para comparação de
duas amostras independentes ou o teste de Kruskal-Wallis para comparação de três ou
mais grupos independentes. Esses testes são menos sensíveis às violações dos
pressupostos de normalidade e são mais apropriados para dados com distribuição não
gaussiana.

### Segundo o Número de Grupos:

#### Comparação de Dois Grupos:

- **Pareados:** Quando as observações em um grupo estão relacionadas ou

emparelhadas com as observações em outro grupo. Por exemplo, em estudos antes e
depois de uma intervenção em que cada sujeito serve como seu próprio controle.

- **Não Pareados:** Quando as observações em um grupo não estão relacionadas às

observações em outro grupo. Por exemplo, ao comparar duas amostras independentes de
pacientes tratados com diferentes medicamentos.

#### Comparação de Três ou Mais Grupos:

- **Medidas Repetidas:** Quando observamos o mesmo grupo de indivíduos em

diferentes momentos ao longo do tempo ou sob diferentes condições. Por exemplo,
avaliando a pressão arterial de um grupo de pacientes antes, durante e após o
tratamento.

- **Não Relacionados:** Quando cada grupo é independente e não há relação direta

entre eles. Por exemplo, comparando a eficácia de três tratamentos diferentes em
três grupos separados de pacientes.

### Comparação de Grupos Oriundos de Duas Variáveis Determinantes (Tratamento;

Tempo):

Quando queremos comparar grupos que são determinados por duas variáveis, como
tratamento e tempo, podemos usar análises específicas, como a análise de variância
de medidas repetidas (ANOVA) ou a análise de covariância (ANCOVA). Essas técnicas
permitem investigar não apenas os efeitos principais das variáveis, mas também
possíveis interações entre elas.

Avaliação da Ocorrência de Associação entre Variáveis

Claro, vamos definir os índices de correlação e determinação e depois abordar a

identificação da relação entre duas variáveis, dependendo de sua distribuição.

### Definição dos Índices de Correlação e Determinação:

- **Correlação:** Refere-se à medida da força e direção da relação entre duas

variáveis. O coeficiente de correlação varia de -1 a +1, onde +1 indica uma
correlação positiva perfeita (quando uma variável aumenta, a outra também aumenta),
-1 indica uma correlação negativa perfeita (quando uma variável aumenta, a outra
diminui) e 0 indica ausência de correlação linear.

- **Determinação:** Também conhecido como coeficiente de determinação (R²),

representa a proporção da variabilidade de uma variável que é explicada pela outra
variável em um modelo de regressão. Varia de 0 a 1, onde 1 indica que a
variabilidade da variável dependente é completamente explicada pela variável
independente.

### Identificação da Relação entre Duas Variáveis:

#### Correlação Entre Variáveis Numéricas de Distribuição Normal:

Quando ambas as variáveis são numéricas e seguem uma distribuição normal, é

apropriado utilizar o coeficiente de correlação de Pearson para medir a relação
entre elas. Esse coeficiente varia de -1 a +1 e é sensível apenas à relação linear
entre as variáveis.

#### Correlação Entre Variáveis Ordinais ou Numéricas de Distribuição Assimétrica:

Quando as variáveis são ordinais ou não seguem uma distribuição normal, o

coeficiente de correlação de Spearman é mais adequado. Este coeficiente avalia a
relação monotônica entre as variáveis, ou seja, se as tendências das variáveis
seguem uma direção consistente, independentemente da forma da relação (linear ou
não).

Esses índices de correlação nos ajudam a entender a relação entre duas variáveis em
um estudo médico. Se a correlação for significativa, isso pode indicar uma
associação entre as variáveis, mas não implica necessariamente causalidade. É
importante interpretar os resultados com cautela e considerar outros fatores que
possam influenciar a relação entre as variáveis.