1
Parte Teórica
Conceitos dos slides — entenda antes de calcular
Bioestatística na Medicina
Por que você precisa disso como médico?
Bioestatística não é decorar fórmula. É aprender a tomar decisões com incerteza — que é exatamente o que você vai fazer no consultório todo dia. Um exame pode estar errado. Um remédio funciona em 80% dos casos. Como você decide? Com dados.
❌ Achismo"Na minha experiência, esse remédio funciona." Sem método, sem reprodutibilidade. Não serve para medicina baseada em evidências.
✅ CiênciaMétodo + dados + reprodutibilidade. A experiência clínica é valiosa, mas precisa ser testada e confirmada.
🔬 Método científico na clínica
Observar
→
Hipóteses
→
Pedir exames
→
Interpretar
→
Conduta
Ex.: paciente com febre → hipóteses → exames → análise → tratamento
Randomização em Estudos Clínicos
Como garantir que um ensaio clínico seja justo
Num estudo você quer comparar dois grupos. Mas se o pesquisador escolher quem vai para cada grupo, pode colocar os mais saudáveis num lado e os mais doentes no outro — e o resultado seria inútil. Randomizar é sortear: ninguém escolhe, os grupos ficam comparáveis.
🎯 ObjetivoGarantir que as diferenças entre os grupos ao final sejam causadas pelo tratamento — não por diferenças que já existiam no começo.
🎲 Simples
Sorteio puro — cara ou coroa. Fácil, mas pode gerar grupos desiguais em amostras pequenas.
📊 Estratificada
Divide por características (sexo, idade) e sorteia dentro de cada grupo.
Ex.: estudo de osteoporose → separa por sexo primeiro, depois sorteia
🧩 Por Blocos
Sorteia em grupos de tamanho fixo (ex: blocos de 4). Ideal em estudos longos ou multicêntricos.
🏘️ Cluster
Randomiza grupos inteiros — escolas, UBS, bairros. Usado em saúde pública.
Ex.: campanha de vacinação randomizando escolas inteiras
🔀 RandomizaçãoQuem vai para qual grupo. Ocorre na inclusão. Reduz viés de seleção.
🙈 CegamentoOcultar qual intervenção cada um recebeu. Reduz viés de desempenho. São coisas diferentes!
🧬 Randomização Mendeliana — aparece no artigo do sono!A natureza faz a randomização: seus genes (que você não escolheu) são usados como instrumento para testar se uma exposição realmente causa uma doença. Elimina confundidores e causalidade reversa.
Testes Diagnósticos e Teorema de Bayes
Como o médico usa um exame para atualizar sua suspeita
O médico nunca começa do zero. Quando você examina um paciente, já tem uma suspeita inicial baseada nos sintomas e na prevalência da doença. O exame vem para atualizar essa suspeita.
Antes do exameProbabilidade pré-teste — o quanto você suspeita da doença com base nos sintomas e na prevalência.
Depois do exameProbabilidade pós-teste — o resultado modifica sua suspeita. Positivo aumenta. Negativo diminui.
📌 ExemploPaciente jovem, saudável, dor no peito atípica → suspeita de infarto é baixa. Se a troponina subir um pouco (possível falso positivo), a probabilidade pós-teste ainda é baixa. Contexto importa tanto quanto o exame.
⚠️ Falso Positivo vs Falso Negativo
Falso Negativo é pior quando…
A doença é grave e perder o diagnóstico mata. Ex: HIV, TB, câncer → priorize sensibilidade alta.
Falso Positivo é pior quando…
O tratamento tem efeitos graves. Ex: quimioterapia → priorize especificidade alta.
fim da teoria — agora os cálculos
2
Parte de Cálculos
Fórmulas, exemplos resolvidos e como interpretar
A Tabela 2×2 — base de tudo
Toda fórmula aqui embaixo vem dessas 4 células
Toda medida — RR, OR, sensibilidade, especificidade — é calculada a partir dessa tabela. Ela organiza os dados do estudo em 4 células: A, B, C e D.
| Tem a doença (D+) | Não tem a doença (D−) | Total |
|---|
| Exposto (E+) |
A
Verdadeiro Positivo |
B
Falso Positivo |
A + B |
| Não exposto (E−) |
C
Falso Negativo |
D
Verdadeiro Negativo |
C + D |
AExposto e ficou doente. O que esperamos se a exposição é de risco.
BExposto mas não ficou doente. Escapou — falso positivo.
CNão se expôs mas ficou doente. Casos que ocorrem naturalmente — falso negativo.
DNão se expôs e não ficou doente. Cenário ideal.
Risco Relativo (RR) cai na prova
Quantas vezes mais risco o exposto tem comparado ao não exposto?
O RR compara o risco de adoecer entre expostos e não expostos. Só pode ser usado em estudos de coorte (acompanha grupos ao longo do tempo).
Fórmula
RR = [A ÷ (A+B)] ÷ [C ÷ (C+D)]
A÷(A+B) = risco nos expostos | C÷(C+D) = risco nos não expostos
RR = 1Sem efeito. A exposição não muda o risco.
RR > 1Fator de risco. RR = 4 → exposto tem 4× mais risco.
RR < 1Fator protetor. RR = 0,5 → exposto tem metade do risco.
✏️ Exemplo resolvido — Aula 5
Fumantes: 40/100 com câncer → risco = 0,40 | Não fumantes: 10/100 → risco = 0,10
RR = 0,40 ÷ 0,10 = 4,0
Fumantes têm 4× mais risco de desenvolver câncer que não fumantes.
Odds Ratio — Razão de Chances (OR) cai na prova
Usado em estudos caso-controle — parte dos doentes e olha para trás
Antes da fórmula: odds ≠ probabilidade.
Probabilidade1 em 4 adoece → probabilidade = 1/4 = 25%
Odds1 em 4 adoece → odds = 1/3 → 1 doente para 3 saudáveis
Fórmula
OR = (A × D) ÷ (B × C)
A = exposto e doente | B = exposto e saudável | C = não exposto e doente | D = não exposto e saudável
OR = 1Sem associação.
OR > 1Fator de risco. Expostos têm mais chances.
OR < 1Fator protetor. Exposição reduz as chances.
✏️ Exemplo resolvido — Álcool e Doença Cardíaca (Aula 5)
Bebe álcool: 80 com doença (A), 120 sem (B) | Não bebe: 40 com doença (C), 160 sem (D)
| Doença (D+) | Sem doença (D−) |
|---|
| Bebe álcool | A = 80 | B = 120 |
|---|
| Não bebe | C = 40 | D = 160 |
|---|
OR = (80×160) ÷ (120×40) = 12.800 ÷ 4.800 = 2,67
Quem bebe álcool tem 2,67× mais chances de desenvolver doença cardíaca.
RR vs ORRR → estudos de coorte | OR → estudos caso-controle
Quando a doença é rara, OR ≈ RR.
Sensibilidade cai na prova
"O teste detecta quem realmente TEM a doença?"
De todos os pacientes que realmente estão doentes, em quantos o teste acertou dizendo que estão doentes?
🪣 Analogia da peneiraTeste muito sensível = peneira com buracos pequenos. Não deixa escapar nenhum peixe doente. Pode pegar alguns saudáveis junto, mas não perde os doentes.
Fórmula
Sensibilidade = A ÷ (A + C)
A = doente e teste positivo (✅ correto) | C = doente e teste negativo (❌ falso negativo — o erro grave)
Alta sensibilidade serve para…Triagem. Se negativo, descarta a doença. Ex: ELISA para HIV.
Baixa sensibilidade gera…Muitos falsos negativos. Paciente doente, exame diz saudável. Perigoso!
⚡ Macete — SnNoutTeste Snsensível + resultado Negativo = out (descarta a doença)
Especificidade cai na prova
"O teste identifica corretamente quem NÃO tem a doença?"
De todos os pacientes que realmente estão saudáveis, em quantos o teste acertou dizendo que estão saudáveis?
🕵️ Analogia do detetiveTeste muito específico só acusa quando tem certeza. Não prende inocentes. Não confunde saudável com doente.
Fórmula
Especificidade = D ÷ (B + D)
D = saudável e teste negativo (✅ correto) | B = saudável e teste positivo (❌ falso positivo — alarme falso)
Alta especificidade serve para…Confirmação. Se positivo, confirma a doença. Ex: Western blot para HIV.
Baixa especificidade gera…Muitos falsos positivos. Paciente saudável, exame diz doente. Gera ansiedade e tratamento desnecessário.
⚡ Macete — SpPinTeste Specífico + resultado Positivo = in (confirma a doença)
VPP e VPN — Valores Preditivos
O que o resultado significa para o paciente?
Sensibilidade e especificidade são características do teste. O paciente quer saber outra coisa: "Meu exame deu positivo — eu realmente estou doente?"
VPP — Valor Preditivo Positivo
VPP = A ÷ (A + B)
Dos que testaram positivo, quantos realmente têm a doença?
VPN — Valor Preditivo Negativo
VPN = D ÷ (C + D)
Dos que testaram negativo, quantos realmente não têm a doença?
⚠️ ImportanteVPP e VPN dependem da prevalência. Quanto mais rara a doença, menor o VPP (mais falsos positivos). O mesmo teste pode ter VPP diferente em contextos diferentes.
Quadro resumo — todas as fórmulas
| Medida | Fórmula | Pergunta que responde | Erro que evita |
|---|
| Sensibilidade | A ÷ (A+C) | Dos doentes, o teste pegou quantos? | Falso Negativo |
| Especificidade | D ÷ (B+D) | Dos saudáveis, o teste liberou quantos? | Falso Positivo |
| VPP | A ÷ (A+B) | Positivo = chance de ter a doença? | — |
| VPN | D ÷ (C+D) | Negativo = chance de não ter a doença? | — |
| RR | [A/(A+B)] ÷ [C/(C+D)] | Exposto tem quantas vezes mais risco? | — |
| OR | (A×D) ÷ (B×C) | Qual a razão de chances entre os grupos? | — |
fim dos cálculos — agora o artigo
3
Artigo do Sono e Aterosclerose cai na prova
O único artigo cobrado — entenda o que ele realmente diz
Referência
Xu et al., 2024 — Arq Bras Cardiol. 121(9):e20240813
Duração do Sono e Risco de Aterosclerose: Um Estudo Mendeliano de Randomização
⚠️ Atenção — conclusão contraintuitiva!A maioria imagina que "dormir mal causa aterosclerose". Esse artigo chega numa conclusão diferente. Não confunda com estudos observacionais antigos.
Qual era a pergunta?
Dormir pouco (ou demais) causa aterosclerose? Estudos observacionais já mostravam uma associação. Mas associação não é causalidade — talvez pessoas com aterosclerose durmam mal por causa da doença. Este estudo testou: existe relação causal?
Método: Randomização Mendeliana
Usaram variantes genéticas (SNPs) como instrumento. Você nasce com seus genes, eles influenciam quanto você dorme, mas você não os escolheu — funcionam como randomização natural. Isso elimina confundidores (obesidade, hipertensão) e causalidade reversa.
Genes (SNPs)
→
influenciam
→
Duração do sono
→
causaria?
→
Aterosclerose
Quem participou?
1
Dados de 460.099 pessoas do MRC-IEU → exposição (duração do sono)
2
Dados de 361.194 pessoas do UK Biobank → desfecho (aterosclerose): 14.334 casos e 346.860 controles
3
Todos de ascendência europeia — limitação importante!
4
62 SNPs usados como variáveis instrumentais
Resultado — o mais importante
Resultado principal (método IVW)
OR = 0,992 | IC 95%: 0,979 – 1,004 | p = 0,186
OR próximo de 1 → sem efeito relevante
IC 95% inclui o número 1 → não é estatisticamente significativo
p > 0,05 → não há evidência de associação causal
🔑 ConclusãoNão foi encontrada associação causal entre duração do sono e aterosclerose nas populações europeias. Dormir pouco ou muito não causou aterosclerose de forma direta e independente — pelo menos com esse método e essa população.
Mas outros estudos não dizem o oposto?
Sim — e o artigo reconhece. Estudos observacionais mostram associação, mas têm confundidores. Quem dorme mal tende a ser mais obeso, sedentário, hipertenso — e são essas condições que causam a aterosclerose, não necessariamente o sono em si.
O artigo discute que, se houver mecanismo: sono prolongado → baixo HDL, hiperglicemia, resistência à insulina → disfunção endotelial → aterosclerose. Mas esse caminho não foi provado aqui.
Limitações do estudo
1
Só população europeia — pode não se aplicar a brasileiros
2
SNPs explicam apenas 0,001%–0,01% da variação no sono — baixo poder explicativo
3
Sem dados individuais — usaram estatísticas resumidas de GWAS públicos
4
Possível sobreposição entre as duas amostras utilizadas
🔗 Conexão com OR — conteúdo da provaO artigo usa o Odds Ratio (OR). OR = 0,992 com IC 95% de 0,979 a 1,004 — o IC cruza o 1, portanto não é significativo.
Se a professora trouxer uma tabela 2×2 baseada nesse contexto: OR = (A×D) ÷ (B×C) e sempre interprete o IC 95%.