Estudos longitudinais

Os estudos longitudinais ou prospectivos são mais informativos do que os estudos transversais, mas além de terem limitações, também impõem algumas dificuldades para a análise. Primeiramente, não custa lembrar que as diferenças individuais são mais a regra do que a exceção. A média geral obtida de uma amostra diz pouco sobre cada pessoa em particular, uma vez que cada participante de pesquisa tem um erro específico em relação ao padrão populacional médio. Daí a necessidade de bem estudar a heterogeneidade observada na amostra, medida pela variância. Mas como fazer a análise?

A dificuldade mais importante para uma boa análise dos dados é, possivelmente, aquela trazida pela perda de dados. Afinal de contas, nem todos os participantes de pesquisa permanecem no estudo por todo o período em que as medições estavam planejadas. As razões para um participante se retirar do estudo são múltiplas e variadas. Por exemplo, um participante pode se retirar da pesquisa por se sentir bem o suficiente a ponto de achar que permanecer com o tratamento não mais trará benefícios. Por outro lado, uma pessoa pode desistir pelo fato de não ter obtido resultados conforme a própria expectativa ou por ter se assustado com efeitos colaterais do tratamento, mesmo que leves e eventuais.

Quando as desistências (drop-outs) ocorrem em ensaios clínicos controlados e randomizados, os analistas em geral optam por fazer uma análise considerando a “intenção de tratar”. A última medida feita é mantida até o final do ensaio, como se fosse medida observada. É o que se chama LOCF (last observation carried forward). Isso também é feito nos estudos longitudinais, principalmente quando de longa duração, em que ocorrem muitas desistências. No entanto, participantes que permanecem até o final do estudo podem ser diferentes daqueles que se retiraram. Mais ainda, as respostas dos participantes que seriam obtidas no final do estudo talvez fossem diferentes das respostas observadas na última medição. De qualquer forma, o uso de LOCF ajuda para o procedimento de uma análise de variância, porque os dados ficam balanceados.

Também é possível que ocorram dados perdidos mesmo quando os participantes permanecem até o final. Isto acontece porque o número de participações de cada pessoa pode variar, uma vez que a pessoa pode faltar em uma ou mais consultas. As medições podem, também, não ficar igualmente espaçadas para todos pelo simples fato de nem todos os participantes terem tempo disponível na mesma ocasião. Dados perdidos são sempre um problema para uma análise de variância tradicional, mas que pode ser bem resolvido por uma análise de regressão. 

As dificuldades para análise não param, porém, por aqui. Existe correlação entre medidas sucessivas tomadas no mesma pessoa. A análise estatística precisa, portanto, considerar a auto correlação dos resíduos, para que as conclusões não fiquem prejudicadas. Na análise de variância, participantes são tomados como um critério de classificação, de efeitos aleatórios.

Mas além da correlação que aparece devido às medidas feitas repetidamente nas mesmas pessoas, há, ainda, a correlação devido o 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. Vamos ampliar a discussão em novas postagens.