p A inferência causal é importante na pesquisa médica para ajudar a determinar se os tratamentos são benéficos e se as exposições naturais são prejudiciais. Em muitas configurações, a coleta de dados torna a inferência causal difícil sem fazer suposições excessivamente otimistas ou idealistas. Em um novo artigo publicado no Journal of the American Statistical Association , pesquisadores do Karolinska Institutet desenvolvem novos métodos estatísticos para tornar possível a inferência causal em alguns ambientes sem fazer tais suposições. p Os autores Erin Gabriel, Michael Sachs e Arvid Sjölander, do Departamento de Epidemiologia Médica e Bioestatística, descrever no novo artigo como esses métodos podem ser usados ​​e interpretados.

p Novas ferramentas que podem ser aplicadas em uma variedade de ambientes de pesquisa diferentes

p Ensaios randomizados são um tipo de experimento em que grupos de voluntários são designados aleatoriamente para obter um novo medicamento ou não, e, em seguida, uma comparação é feita entre os dois grupos designados aleatoriamente para avaliar o efeito do medicamento randomizado na sobrevivência, infecção, ou bem-estar dos pacientes. Ao contrário de novos medicamentos, há muitas coisas que não podem ser atribuídas aleatoriamente a voluntários, como fumo e exposição ao amianto, ou que poderia ser randomizado, mas são mais frequentemente estudados em estudos observacionais, como vinho tinto e consumo de frutas.

p Nessas configurações, o efeito de uma exposição pode ser difícil de determinar porque outros fatores podem influenciar tanto a exposição de interesse quanto o resultado. Por exemplo, morar na Suécia está associado a menor mortalidade e maior consumo de amoras silvestres do que na Hungria, Portanto, procurar o efeito do amoras silvestres na mortalidade em um grupo que incluía pessoas tanto da Hungria quanto da Suécia pode levar um pesquisador a acreditar que as amoras silvestres reduzem a mortalidade.

p Métodos estatísticos desenvolvidos usando uma nova abordagem

p Embora existam muitas ferramentas para lidar com fatores medidos, como país de residência, para permitir o teste e estimativa de tais efeitos, todos esses métodos requerem que o pesquisador esteja disposto a adivinhar sobre todos os outros fatores que não mediram. O trabalho apresentado aqui usa matemática, lógica e estatística para diminuir a necessidade de suposições e, em vez de fornecer um único valor do efeito, fornece uma gama de tamanhos de efeito possíveis. Embora alguns pesquisadores tenham desenvolvido métodos semelhantes, os métodos são muito poucos e específicos para o tipo de dados e como os dados foram coletados. Erin Gabriel e seus colegas desenvolvem novos métodos para permitir um número muito maior de estilos de coleta de dados, muitos dos quais são muito comuns na Suécia devido aos registros.

p "Esses métodos estatísticos, que são fáceis de implementar, pode ajudar em muitos ambientes onde a inferência causal é ameaçada por confusão não medida e / ou viés de seleção, "diz a primeira autora Erin Gabriel.

p Os autores esperam que suas ferramentas sejam usadas por pesquisadores em todo o mundo para ajudá-los a tomar decisões sem ter que adivinhar sobre fatores não medidos em seus dados. Em seu trabalho contínuo e futuro, eles visam construir e descrever novas ferramentas estatísticas que podem ser usadas em ensaios clínicos imperfeitos.