Estudos longitudinais ou prospectivos fazem
medições repetidas das mesmas pessoas ao longo do tempo, enquanto estudos
transversais coletam dados em apenas determinado momento. Os estudos
longitudinais são mais informativos, mas têm limitações. A maior dificuldade
está na perda de observações. Nem todos os participantes de pesquisa estão
presentes em todas as sessões que foram inicialmente planejadas na pesquisa.
Ocorrem muitas desistências,
principalmente nos estudos longitudinais de longa duração. Desistências prejudicam
os resultados. Participantes que permanecem até o final do estudo podem ser
diferentes daqueles que se retiram em diferentes momentos. Também ocorrem perdas
mesmo quando não há desistências. Se as pessoas puderem faltar em uma ou mais sessões,
o número de participações de cada uma pode variar ao longo do estudo. Ainda, as
medições podem não ficar igualmente espaçadas porque nem todos os participantes
têm tempo disponível na mesma ocasião.
As dificuldades para análise não param, porém, por
aqui. Existe correlação entre medidas sucessivas tomadas na mesma pessoa. A
análise estatística precisa, portanto, considerar a auto correlação dos
resíduos, para que as conclusões não fiquem prejudicadas. Mas além da
correlação que aparece devido às medidas feitas repetidamente nas mesmas
pessoas, há, ainda, a correlação explicada pelo agrupamento de pessoas em
escolas, clínicas, hospitais, cidades. Embora a correlação produzida pelo
agrupamento seja bem menor do que aquela produzida pela repetição de medidas no
mesmo participante, ainda assim pode levar a subestimação da variância, se o
efeito do agrupamento não for levado em conta na análise.
De qualquer modo, estudos longitudinais são comuns na
literatura. No entanto, os procedimentos estatísticos para a análise desse tipo
de estudo não aumentaram na mesma velocidade. Algumas maneiras de tratar os
dados, que deveriam ter apenas interesse histórico, continuam na prática e
métodos que apenas reduzem estudos longitudinais a estudos transversais também
continuam em uso.
Algumas vezes, é feita uma “análise completa”
(complete analysis), isto é, uma análise em que são considerados somente
dados de participantes que completaram o estudo. Na maioria das vezes, porém, a
amostra analisada é diferente da amostra de participantes que iniciaram o
estudo. Se apenas participantes cooperativos completarem o estudo, os
resultados podem ser tendenciosos.
Outra
maneira de contornar o problema é considerar que medidas que seriam obtidas
depois de o participante deixar de comparecer seriam iguais à medida feita em
sua última visita. Essa
abordagem é denominada “última observação levada adiante” (last
observation carried forward - LOCF). Assumimos assim que, uma vez que o
participante abandonou o estudo, seu nível de resposta permanecerá inalterado
por longo tempo. Mas não há lógica em acreditar nisso. No entanto, a abordagem LOCF continua a ser usada porque é
conservadora. Uma crítica ao uso da LOCF é a de que ela
pode dar a falsa impressão de que essa é a forma adequada de contornar ao
problema dos dados perdidos. Então os pesquisadores podem deixar de se
preocupar com a falta de adesão à pesquisa científica e deixar de trabalhar
contra isso. E, ainda, cumpre lembrar que uma medida da qualidade do trabalho
clínico é o número de participantes que se apresentaram em todas as visitas.
Na
análise de dados longitudinais também é aplicada uma ANOVA de modelo misto, ou seja, uma
análise de variância em que cada participante da pesquisa é tomado como um
critério de classificação de efeitos aleatórios. Esse tipo de análise é muitas
vezes identificado como ANOVA para medidas repetidas. Aqui, a
pressuposição implícita é a de que a variação entre indivíduos é constante ao
longo do tempo. No entanto, parece mais razoável considerar que a variação
entre indivíduos mude ao longo do tempo. Considerando essa observação como
limitação, a ANOVA para medidas repetidas não deveria ser usada para análise de
dados longitudinais.
Foram
desenvolvidas algumas abordagens mais rigorosas para tratar dados
longitudinais, com suposições mais realistas sobre o processo de resposta longitudinal e
com procedimentos mais adequados para tratar dados perdidos. Entre elas, estão
os modelos de equações de estimativa generalizada (GEE). Você pode
usar softwares como R e SAS se quiser aplicar GEE em estudos que acompanham
pessoas ao longo do tempo.
VEJA:
1. Laird NM. Missing data in longitudinal
studies. Stat Med. 1988; 7:305–15. [PubMed] [Google Scholar]
No comments:
Post a Comment