Teste estatístico simples - para verificar a diferença entre dois tratamentos

Em muitos ensaios, o resultado primário é um evento de doença

• os resultados podem ser um acontecimento específico, por exemplo, a morte, ou um resultado composto, como a morte, o enfarte do miocárdio ou o acidente vascular cerebral
• os métodos estatísticos padrão - modelos de risco proporcional de Cox e testes de log rank - têm em conta a variação nos tempos de seguimento dos doentes - de modo a avaliar as diferenças entre os grupos de tratamento. No entanto, se os eventos estiverem relacionados com um tempo de seguimento fixo, podem ser utilizados métodos para comparar duas proporções (por exemplo, o teste do Qui-quadrado)
• Esta página no GPnotebook descreve um método fácil para avaliar rapidamente a força da evidência para uma diferença de tratamento num resultado de um evento

Este teste é um teste estatístico utilizado para verificar se existe uma diferença entre tratamentos

• os dados-chave são os números de pacientes com o evento em cada grupo. Este teste estatístico (teste estatístico simples/simplista) compara estes dois números
• se considerarmos um ensaio clínico aleatório com dois grupos de tratamento de dimensão aproximadamente igual. Neste contexto, o resultado de interesse é um acontecimento clínico (por exemplo, enfarte do miocárdio durante um determinado tratamento) e os dados-chave são os números de doentes que sofreram o acontecimento por grupo de tratamento (por exemplo, número de indivíduos que sofreram um enfarte do miocárdio em cada grupo)

Calcular a diferença entre os dois números de acontecimentos e dividir pela raiz quadrada da sua soma. Chame ao número resultante Z

• Z = (a - b) / raiz quadrada de (a + b)
  • em que a e b representam o número de acontecimentos em cada grupo de tratamento
• a hipótese nula é que os dois tratamentos têm uma influência idêntica no risco de um acontecimento. Por conseguinte, z é aproximadamente um desvio normal normalizado, ou seja, tem uma distribuição normal com média 0 e variância 1. Por conseguinte, o valor de Z pode ser convertido num valor P através de tabelas de distribuição normal
  • por exemplo
    • um valor Z > 1,96 é equivalente a um valor P < 0,05
    • um valor Z > 2,58 representa um valor P < 0,01
  • este teste é aproximado
    • no entanto, fornece geralmente resultados fiáveis porque
      • com a aleatorização, o número de doentes nos dois grupos de tratamento será quase igual, assim como a duração do seguimento dos doentes
      • as taxas de eventos são geralmente bastante baixas - por exemplo, menos de 20% dos doentes (e frequentemente muito mais baixas). Isto permite que o número de doentes com um acontecimento em cada grupo possa ser considerado como tendo uma distribuição de Poisson. Assim, se o número total de acontecimentos não for demasiado pequeno (por exemplo, não inferior a 20), a aproximação normal para a comparação de duas variáveis aleatórias de Poisson conduz à fórmula apresentada na figura
      • as principais informações envolvidas no cálculo são os numeradores (os números com um acontecimento); a dimensão dos denominadores não é importante
    • o cálculo tem duas limitações
      • se houver uma diferença não negligenciável na quantidade de acontecimentos nos grupos de tratamento, o teste será enviesado em relação ao grupo de tratamento maior
      • se houver um número elevado de taxas de acontecimentos, o teste torna-se conservador, ou seja, os valores de P são maiores do que deveriam ser
• o teste simples também é relevante para meta-análises, desde que todos os ensaios incluídos tenham sido aleatorizados de forma igual
  • por exemplo, uma meta-análise estudou a incidência de revascularização da lesão alvo em seis ensaios que compararam dois tipos diferentes de stent (A, B)
    • combinando os dados relativos a 3669 doentes nos seis ensaios, a revascularização da lesão alvo foi efectuada em 95 e 142 doentes, respetivamente, no grupo do stent A e no grupo do stent B. Daí que Z= (142 - 95)/raiz quadrada (142+95)= 3,05, dando P = 0,002

Referência:

1. BMJ 2006; 332:1256-8.