INFORMAÇÕES SÃO INSUFICIENTES

Muitas vezes, o investigador descobre que faltam um ou mais ingredientes para o cálculo do tamanho de amostra e se frustra ao tentar planejar o estudo. Esse problema é bastante comum quando se usa um instrumento desenvolvido especificamente para essa pesquisa (p. ex., um novo questionário que compara a qualidade de vida em mulheres com incontinência urinária de estresse versus de urgência). Como decidir que fração de um desvio-padrão dos escores obtidos pelo instrumento seria clinicamente relevante?

A primeira estratégia é fazer uma busca extensa sobre estudos

Situações apenas grosseiramente comparáveis e achados de baixa qualidade ou desatualizados já podem ser úteis. Por exemplo, existem dados sobre qualidade de vida em pacientes com outros problemas urológicos ou com condições de saúde relacionadas, como vivendo com uma colostomia? Se a revisão da literatura não for produtiva, deve-se então consultar outros investigadores sobre o que esperar, ou sobre a existência de algum estudo não publicado que possa ser relevante.

Se ainda faltarem informações, o investigador pode considerar obter os

ingredientes que faltam por meio de um pequeno estudo-piloto ou da

análise de dados secundários, antes de se aventurar no estudo principal. Na verdade, um estudo-piloto é fortemente recomendado para praticamente todos os estudos que envolvem novos instrumentos, métodos de mensuração ou estratégias de recrutamento. Ele economiza tempo, pois permite que o pesquisador planeje o estudo principal de maneira muito melhor. Estudos-piloto permitem estimar o desvio-padrão de uma medida ou a proporção de sujeitos com uma característica específica. Entretanto, uma alternativa é reconhecer que, no caso de variáveis contínuas com

distribuições próximas da normalidade, o desvio-padrão pode ser

estimado em um quarto da amplitude entre os limites superior e inferior de uma faixa comum de valores, ignorando valores extremos. Por exemplo, se a maioria dos sujeitos tem grande probabilidade de apresentar um nível de sódio sérico entre 135 e 143 mEq/L, o desvio-padrão do sódio sérico seria estimado em torno de 2 mEq/L (1/4 × 8 mEq/L).

Outra estratégia, quando há dúvidas sobre a média e o desvio-padrão de

uma variável contínua ou categórica, é dicotomizar essa variável. As

variáveis categóricas podem ser redistribuídas em dois grupos, e as contínuas podem ser divididas na sua média ou mediana. Por exemplo, dividir a qualidade de vida em “melhor do que a mediana” ou “igual ou pior do que a mediana” evita a necessidade de estimar o desvio-padrão na amostra, embora ainda seja necessário estimar a proporção de sujeitos com valores acima da mediana nos dois grupos sob investigação. O teste do qui-quadrado pode, então, ser usado para fazer uma estimativa razoável, embora levemente elevada, do tamanho de amostra.

Com frequência, no entanto, o investigador deve escolher a magnitude

de efeito detectável com base em um valor que considere clinicamente

respeito de sua escolha com colegas que trabalham nessa área. Por exemplo, imagine que um investigador está estudando um novo tratamento invasivo para gastroparesia grave refratária, uma doença na qual no máximo 5% dos pacientes melhoram espontaneamente. Seus colegas gastrenterologistas disseram que, se o tratamento se mostrar efetivo, estariam dispostos a tratar até 5 pacientes para produzir um benefício sustentado em apenas um deles (como o tratamento possui efeitos colaterais significativos e é caro, eles acham que não estariam dispostos a um número maior do que 5). Um número necessário tratar (NNT) de 5 corresponde a uma diferença de risco de 20% (NNT = 1/diferença de risco) e, portanto, o investigador deve estimar o tamanho de amostra baseando-se na comparação P1 = 5% versus P2 = 25% (isto é, 59 pacientes por grupo, considerando poder igual a 0,80 e α bilateral de 0,05).

Se tudo isso falhar, o investigador deve fazer um “chute científico”

sobre os valores prováveis dos ingredientes que faltam. O processo de pensar o problema por etapas e imaginar os achados geralmente leva a uma estimativa razoável, e é isso que significa planejar o tamanho de amostra. Normalmente essa é uma opção melhor do que simplesmente decidir, na ausência de qualquer justificativa, delinear um estudo com poder de 80% e α bilateral de 0,05 para detectar uma magnitude padronizada de efeito de, digamos, 0,5 entre os dois grupos (n = 64 sujeitos por grupo, nesse caso). Raros revisores de projetos de pesquisa irão aceitar uma decisão inteiramente arbitrária como essa.

■

Muitos investigadores com pouca experiência (e até mesmo alguns com muita experiência!) cometem erros ao planejar o tamanho de amostra. Alguns dos erros mais comuns são:

1. Um erro comum é estimar o tamanho de amostra tarde demais no delineamento do estudo. É importante fazê-lo cedo no processo, quando mudanças fundamentais ainda podem ser feitas.

2. Variáveis dicotômicas podem aparentar ser contínuas quando

(vivo ou morto) pode ser interpretado erroneamente como contínuo quando expresso em termos da percentagem de indivíduos vivos. Da mesma forma, em uma análise de sobrevivência em que nem todos os sujeitos morrem, um desfecho dicotômico pode aparentar ser contínuo (p. ex., mediana da sobrevida em meses). Em todos esses casos, o desfecho é, na verdade, dicotômico (uma proporção), e a abordagem simples apropriada para o planejamento do tamanho de amostra seria o teste do qui-quadrado.

3. O tamanho de amostra estima o número de sujeitos que deverão apresentar dados sobre o desfecho, e não simplesmente o número que deverá ser incluído no estudo. O investigador deve sempre estar

preparado para casos de abandono (dropouts) e para casos com dados

faltantes (missing data).

4. As tabelas no final deste capítulo pressupõem que os dois grupos em estudo têm tamanhos iguais de amostra. Esse nem sempre é o caso. Por exemplo, um estudo de coorte para saber se suplementos vitamínicos reduzem o risco de queimaduras solares provavelmente não poderia incluir número igual de sujeitos que usaram e que não

usaram vitaminas. Se os grupos não forem de mesmo tamanho,

deve-se usar as fórmulas que aparecem depois das tabelas ou calculadoras disponíveis na internet ou em softwares estatísticos.

5. Ao usar o teste t para estimar o tamanho de amostra, o desvio-padrão da variável de desfecho é um fator-chave. Portanto, se o desfecho for a

mudança em uma variável contínua, o investigador deve usar o desvio-padrão da mudança, em vez do desvio-padrão da própria variável.

6. Cuidado com dados em conglomerados. Quando parecem existir dois

“níveis” de tamanho de amostra (p. ex., um para médicos e outro para pacientes), os conglomerados podem ser um problema e as tabelas nos apêndices não são adequadas.

7. Se você tiver dificuldade para estimar um tamanho de amostra para seu estudo, assegure-se de que sua hipótese de pesquisa atende aos critérios discutidos no capítulo anterior (simples, específica e formulada antes dos fatos).

■

1. Para estimar o tamanho de amostra para um estudo analítico, deve-se

proceder da seguinte forma:

(a) formular as hipóteses nula e alternativa, especificando o número

de lados;

(b) selecionar um teste estatístico para analisar os dados, com base

nos tipos de variáveis preditoras e de desfecho (teste do qui- quadrado se ambas as variáveis forem dicotômicas, teste t se uma

variável for dicotômica e a outra contínua, e coeficiente de

correlação se ambas forem contínuas);

(c) estimar a magnitude de efeito e sua variabilidade, se necessário;

e

(d) estabelecer os valores apropriados para α e β., com base na

importância de se evitar erros tipo I e tipo II.

2. Outros itens a serem considerados no cálculo de tamanho de amostra

para estudos analíticos incluem ajustes para potenciais abandonos e

estratégias para lidar com variáveis categóricas, análise de

sobrevivência, amostras por conglomerados, ajuste multivariado e

abordagens estatísticas especiais para ensaios clínicos de

equivalência e de não inferioridade.

3. A estimativa de tamanho de amostra para estudos descritivos sem

hipóteses apresenta os seguintes passos: (a) estimar a proporção de

sujeitos com um desfecho dicotômico ou o desvio-padrão de um

desfecho contínuo; (b) especificar a precisão desejada (amplitude do

intervalo de confiança); e (c) especificar o nível de confiança (p. ex.,

95%).

4. Quando o tamanho de amostra é predeterminado, o investigador pode

inverter os procedimentos e estimar a magnitude de efeito detectável

ou, o que é menos comum, o poder estatístico do estudo.

5. As estratégias para minimizar o tamanho de amostra incluem usar

variáveis contínuas, medidas mais precisas, medidas pareadas e

desfechos maiscomuns, assim como aumentar o número de controles por caso em estudos de caso-controle.

6. Quando parece não haver informações suficientes para estimar o

áreas afins e consultar colegas para ajudarem a escolher uma

magnitude de efeito clinicamente relevante.

7. Erros a serem evitados incluem estimar o tamanho de amostra tarde

demais, interpretar erroneamente proporções expressas como percentagens, não levar em consideração sujeitos e dados faltantes e

não abordar dados em conglomerados e pareados de forma

APÊNDICE 6A