Estudos longitudinais (continuação)

Apesar de o número de estudos longitudinais ter aumentado ao longo do tempo, os procedimentos 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.

O dado perdido é sempre um grande problema para a análise estatística. Mas dados perdidos ocorrem principalmente porque alguns participantes se retiram do estudo (dropouts) antes de o estudo terminar. Já foram propostas diversas maneiras para resolver o problema.

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, a amostra analisada nesses casos é diferente da amostra de participantes que iniciaram o estudo. Se apenas pacientes cooperativos completarem o estudo, os resultados podem ser tendenciosos.   

Outra maneira de contornar o problema é considerar que medidas que seriam obtidas depois que o participante deixou 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 deve ser usada para análise de dados longitudinais.

Em uma tentativa de fornecer um tratamento mais geral aos dados longitudinais, com suposições mais realistas sobre o processo de resposta longitudinal e com procedimentos mais adequados para tratar dados ausentes, os pesquisadores estatísticos desenvolveram uma ampla variedade de abordagens mais rigorosas para a análise de dados longitudinais. Entre estes, estão os e modelos de equações de estimativa generalizada (GEE). 

VEJA:

      1.    Laird NM. Missing data in longitudinal studies. Stat Med. 1988; 7:305–15. [PubMed] [Google Scholar]

        2.     Gibbons R D,  Hedeker D, DuToit S. Advances in Analysis of Longitudinal  Data.  Annu Rev Clin Psychol. 2010 Apr 27; 6: 79–107.