Os testes de diagnóstico de RT-PCR (reverse transcription polymerase chain reaction) para Covid-19 têm uma elevada especificidade e uma moderada sensibilidade.
Na prática se uma pessoa tem um resultado positivo isso é um forte indicador de que deve ficar em isolamento imediatamente para evitar contágios a outras pessoas.
Contudo, se tem um resultado negativo poderá ter de voltar a ser testada frequentemente caso tenha estado em contacto com alguém infetado porque pode tratar-se de um falso negativo. Um dos aspetos que mais contribui para o resultado falso negativo é a qualidade da amostra recolhida para análise. O vírus pode estar lá e não ser colhido na amostra – falso negativo.
Começo pelas más notícias – a situação é muito grave.
Em Saúde das Populações, perante uma pandemia segmentamos a cada momento a população em três grupos: 1 Infetados, 2 Imunes, 3 Suscetíveis de infeção. Com os dados disponíveis, parece-me razoável estimar estes valores (intencionalmente arredondados):
Para que haja algum efeito de imunidade de grupo temos de ter, pelo menos, 50% da população imune. Estamos muito longe de atingir esse valor e a Organização Mundial de Saúde já alertou que não se atingirá esse resultado a nível mundial em 2021.
Um exercício simples: se cerca de 1,5% dos doentes Covid-19 precisa de cuidados de saúde sem os quais morre, caso o SNS perca capacidade de resposta com (no melhor dos cenários) cerca de 9 milhões de pessoas em Portugal ainda suscetíveis de infeção o que acontecerá a 1,5% desses 9 milhões? São 135000 pessoas. Podemos até cortar esse valor para metade porque podemos admitir que se tivermos cerca de 50% da população imune (recuperados+vacinados) começamos a ter imunidade de grupo – 67500 mortes previsíveis.
Porque é que a Covid-19 tem prioridade face a outras doenças? Porque nenhuma tem o potencial de matar 67500 pessoas em tão pouco tempo.
Esse número aumentará a cada dia que passa se as UCI ficarem sem capacidade de resposta. Todos os infetados que necessitem de cuidados intensivos morrerão por ausência de resposta.
Falemos agora das muito más notícias – não estamos a fazer tudo o que devia ser feito
A primeira vaga, e o confinamento de março/abril, foi caracterizada por sentimentos de medo e pela necessidade de se obter conhecimento sobre algo novo. Estamos agora numa etapa em que a população está cansada, zangada e indiferente à gravidade da situação.
Este é o momento é de reclamar mais recursos e de alarmar a população perante a inação de quem dirige.
Ninguém deseja um confinamento. Estamos todos preocupados com a economia. No entanto, o número de cadeias de transmissão é de tal ordem que se torna impossível identificá-las e isolar atempadamente todos os novos infetados com os recursos que existem no terreno. E, por isso mesmo, temos de informar e de mobilizar a população para o cumprimento das medidas de confinamento. Se não o fizermos este irá arrastar-se no tempo e isso trará graves consequências tanto em número de mortes evitáveis como na economia.
Que ninguém venha dizer daqui a uns dias que não era possível prever.
Uma curva epidémica é uma representação visual do início de uma doença e da distribuição temporal dos casos associados a um surto. No eixo horizontal x é representada a data ou hora do início da doença entre os casos. No eixo vertical y é representado o número de casos identificados. Uma curva epidémica permite analisar a magnitude e a tendência temporal do surto. O, tão falado, pico do surto corresponde ao período em que ocorreu o maior número de casos e só pode ser identificado no final do surto. Deixo aqui a curva epidémica, com registo diário, à data de hoje de Covid-19 em Portugal. O pico do surto, até ao momento, ocorreu a 10 de Abril com o registo de 1516 casos.
p-hacking consists of the exhaustive exploitation of data through the use of different analytical models and/or the manipulation of the application criteria of these models until statistically significant results are obtained.
p-hacking can be described in a simpler manner has the art of torturing data until they confess something.
While publication bias removes from the scientific literature true or false negatives the p-hacking brings to the scientific literature true or false positives.
Conditioned scientific literature (i.e. the absence of false negatives and the presence of false positives) will bias the results of secondary studies aiming to synthesise scientific evidence, such as meta-analyses, that inform clinical guidelines and evidence-based decision making.
Here, I present a call for health ethics committees to assess the manifestation of researchers’ analytical intent in research protocols (i.e. pre-specified or exploratory) as a way to help prevent and further study the p-hacking bias.
A obtenção de resultados estatisticamente significativos (i.e. valor p < 0,05) é muitas vezes motivo de apreço e de celebração entre investigadores, mas o seu significado nem sempre é compreendido e utilizado de forma adequada. O uso do valor p como principal, senão único, elemento de suporte estatístico às conclusões em investigação científica tem sido bastante criticado e merece atenção.
A afirmação de que algo é significativo pode ser muito subjectiva. Contudo, em estatística o termo ‘resultado estatisticamente significativo’ traduz um consenso objectivo cujo significado é amplamente aceite. Porém, o que significa que o resultado é estatisticamente significativo? Considera-se um resultado significativo caso o valor p obtido seja inferior a 0,05. E o que significa que o valor p seja inferior a 0,05?
O uso de valor p ganhou notoriedade através do trabalho de Ronald Fisher que o definiu em 1925 como: ‘the probability of the observed result, plus more extreme results, if the null hypothesis were true’. Ou seja, o valor p é a probabilidade de o resultado observado, ou um resultado ainda mais extremo, ocorrer se a hipótese nula fosse verdadeira. Convencionou-se, posteriormente, que um valor p < 0,05 traduziria um resultado estatisticamente significativo (i.e. critério alpha).
Assim, um resultado observado numa dada estatística (e.g. um valor do coeficiente de correlação) com menos de 5% de probabilidade de ocorrer, por mero acaso, caso a hipótese nula se verificasse na população (i.e. H0 : r = 0 na população) sugere que a hipótese nula poderá ser rejeitada e que se poderá encarar a hipótese alternativa (i.e. H1 : r ≠ 0 na população). Assim, por exemplo, a hipótese de que na população (de onde veio a amostra) r será diferente de zero tem alguma sustentação e, de acordo com esta abordagem estatística, a melhor estimativa que temos para esse r é o valor estimado na amostra. A incerteza associada a essa estimativa pode ainda ser calculada (e.g. intervalo de confiança a 95%). A conclusão do estudo estatístico suporta assim a hipótese alternativa e aponta uma estimativa ou conjunto de estimativas (i.e. intervalo de confiança) para o valor da população em estudo (i.e. parâmetro).
Probabilidade e hipótese são termos chave do uso apropriado do valor p e da noção de significância estatística. continuar a ler…