Inferência Causal: o santo graal da evidência do mundo real
Da correlação ao efeito: DAGs, confundimento, propensity scores e emulação de ensaios-alvo
Abertura: o mistério do “bom” colesterol
Durante décadas, HDL alto esteve associado a menor risco cardiovascular. Mas elevar HDL artificialmente com algumas terapias não reduziu mortalidade ou eventos como se esperava. O marcador parecia “bom”; a intervenção não entregou o efeito causal.
Exemplo aplicado: HDL pode sinalizar estilo de vida, metabolismo e risco basal. Aumentar o número no exame não necessariamente muda o mecanismo que protege o paciente.
Sugestão visual: duas trilhas: “HDL como marcador” e “HDL como alvo terapêutico”, mostrando onde a correlação quebra.
Se uma variável prediz bem um desfecho, o que ainda falta para tratá-la como alvo de intervenção?
Referências: Barter et al. (2007); Schwartz et al. (2012); Voight et al. (2012).
IA observa muito bem — mas intervir é outra coisa
Um modelo pode identificar pacientes que receberam UTI e morreram mais. Isso não significa que a UTI causa morte. Pacientes mais graves vão para UTI: a indicação do tratamento carrega informação sobre o risco.
Exemplo aplicado: antibiótico de amplo espectro aparece associado a mortalidade maior porque é prescrito para pacientes mais graves.
Em que situações da prática clínica a predição sozinha pode induzir uma conclusão causal errada?
Referências: Pearl (2009); Hernán & Robins (2020).
Confundimento: a variável escondida que muda tudo
Em dados reais, o tratamento não cai do céu. Ele é escolhido por médicos, pacientes e sistemas. Essa escolha depende de gravidade, acesso, preferências, exames e contraindicações.
Exemplo aplicado: pacientes mais graves recebem corticoide; depois parecem ter pior desfecho. Sem ajustar gravidade, podemos culpar o tratamento pelo risco que já existia.
Qual confundidor você suspeita que quase sempre está ausente nos bancos administrativos?
DAGs: o mapa da mina causal
Em um DAG, nós são variáveis e setas representam relações causais diretas. O desenho ajuda a decidir o que ajustar, o que não ajustar e onde uma associação pode ser aberta artificialmente.
Exemplo aplicado: ajustar por um mediador — por exemplo, pressão arterial após tratamento — pode remover parte do efeito que queríamos estimar.
Que variável no seu estudo parece tentadora para ajustar, mas talvez esteja no caminho causal?
Referências: Greenland et al. (1999); Pearl (2009).
O que ajustar — e o que não ajustar
Confundidor
Causa tratamento e desfecho. Geralmente precisa ser ajustado.
Mediador
Está no caminho do efeito. Ajustar pode apagar parte do efeito total.
Collider
É consequência de duas causas. Ajustar pode criar associação artificial.
Qual erro é mais comum: deixar confundidor de fora ou ajustar variável demais?
Propensity score: criar comparabilidade em dados reais
O escore de propensão é a probabilidade de receber o tratamento dadas as características antes da intervenção. Pode ser usado para pareamento, estratificação, ponderação ou ajuste.
Exemplo aplicado: comparar pacientes com pneumonia que receberam vitamina D com controles de gravidade, idade, comorbidades e acesso semelhantes.
Quais variáveis precisam existir antes da decisão terapêutica para entrar no propensity score?
Referências: Rosenbaum & Rubin (1983); Austin (2011).
Emulação de ensaio-alvo
Target trial emulation define elegibilidade, tempo zero, estratégias de tratamento, desfechos, seguimento, estimando e plano analítico. Isso reduz vieses clássicos como immortal time bias e escolhas pós-desfecho.
Exemplo aplicado: para avaliar vitamina D em pneumonia, tempo zero pode ser admissão; tratamento deve ser iniciado em janela definida; desfecho é tempo de internação ou alta viva em 7 dias.
Qual detalhe do protocolo, se mal definido, destruiria a validade do seu estudo?
Referências: Hernán & Robins (2016); Hernán & Robins (2020).
Mendelian randomization: experimentos da natureza
A ideia é usar a “loteria genética” como uma aproximação de randomização natural. Ela é poderosa, mas depende de hipóteses fortes: o instrumento precisa afetar o desfecho apenas pela exposição.
Exemplo aplicado: estudos genéticos ajudaram a questionar HDL como causa direta de proteção contra infarto, apesar de sua associação observacional.
Qual hipótese da randomização mendeliana parece mais vulnerável na prática?
Referências: Davey Smith & Ebrahim (2003); Voight et al. (2012).
Farmacovigilância causal: interações invisíveis
Redes causais e mineração de registros podem levantar hipóteses sobre interações medicamentosas. Mas o achado observacional precisa ser tratado como sinal a investigar, não prova automática.
Exemplo aplicado: a combinação paroxetina + pravastatina foi associada a aumento de glicose, um sinal difícil de detectar estudando cada droga isoladamente.
Como separar um sinal útil de farmacovigilância de ruído gerado por múltiplas comparações?
Referência: Tatonetti et al. (2011).
Material da atividade: DAG da vitamina D
Pergunta causal: Vitamina D reduz tempo de internação por pneumonia?
Possíveis confundidores: - idade e fragilidade - gravidade na admissão - comorbidades - estado nutricional - nível socioeconômico - exposição solar / estilo de vida - acesso a cuidado ambulatorial
Possíveis problemas: - tratamento iniciado antes da admissão - dose e adesão desconhecidas - alta influenciada por suporte domiciliar
Quais setas do DAG vocês defenderiam — e quais seriam controversas?
O continuum da evidência causal
Em qual ponto do continuum você exigiria estar antes de mudar uma diretriz clínica?
Sistema de Saúde que Aprende
O ciclo ideal não é “coletar tudo e ajustar um modelo”. É formular pergunta relevante, medir bem, analisar com desenho causal, devolver conhecimento ao fluxo e monitorar consequências.
Exemplo aplicado: após implantar um protocolo de sepse, o hospital monitora efeito em mortalidade, antibiótico excessivo, resistência e eventos adversos.
Que pergunta causal o seu serviço poderia responder usando dados que já coleta hoje?