Tópico 1.4 — Razões de risco

Em uma frase: Uma razão de risco (hazard ratio) é um resumo compacto, amplamente divulgado e amplamente mal interpretado de quão depressa os eventos ocorrem num grupo em comparação com outro — e lê-la bem significa sempre perguntar "em que seguimento, em que população e o que ela representa em termos absolutos?" antes de deixá-la orientar uma decisão de comissionamento, de avaliação ou de comunicação.

Por que isso importa na saúde e nos cuidados#

Quando o slide de um fornecedor diz "a nossa intervenção alcançou uma razão de risco de 0,75", um líder está sendo convidado a sentir uma redução de 25% em algo ruim. A sensação costuma ser mais forte do que o fato justifica. Uma razão de risco (HR) é uma das estatísticas mais comuns nas evidências clínicas e de saúde pública e uma das mais sistematicamente mal compreendidas — não por estatísticos, mas pelos conselhos, comissionadores e equipes de comunicação que agem com base nela. Na saúde e nos cuidados, essa distância entre o que uma HR diz e o que as pessoas pensam que ela diz não é um incômodo acadêmico. Muda o que é comprado, o que é ampliado e o que os pacientes são orientados a esperar.

Este tópico é um complemento prático do Tópico 1.3 — Decisões baseadas em evidências. Aquele tópico defendia que se deve ajustar a força da evidência ao nível de risco e manter distintas a evidência clínica e a de entrega. Este desce uma camada mais fundo, numa única estatística que se repete nas evidências clínicas que você será chamado a ponderar: como lê-la, onde ela engana e o que exigir junto com ela. Você não precisa calcular uma razão de risco. Precisa saber que a mesma HR de manchete pode corresponder a um benefício que muda vidas ou a um quase imperceptível, dependendo de fatos que o slide omitiu — e que um líder incapaz de pedir esses fatos fica à mercê de quem escolheu o enquadramento. Como esses números moldam a comunicação pública e as vias clínicas, errar neles é uma questão de confiança e de equidade, e não apenas de exatidão.

Conceitos centrais#

O risco instantâneo (hazard) e a razão de risco. Um hazard é a taxa instantânea com que um evento (morte, internação hospitalar, recaída) ocorre entre aqueles ainda sob risco num dado momento. Uma razão de risco é a razão entre essa taxa num grupo de tratamento e a taxa num grupo de controle. Uma HR abaixo de 1 significa que o evento ocorre mais devagar no grupo de tratamento; acima de 1, mais depressa; exatamente 1, nenhuma diferença. Ela surge da análise de sobrevivência — o ramo da estatística para dados de "tempo até o evento" — e costuma ser estimada com o modelo de riscos proporcionais, conhecido pelo nome de seu criador como modelo de Cox. De modo crucial, uma HR descreve uma taxa, e não uma probabilidade, nem uma quantidade de tempo ganho.

A suposição de riscos proporcionais. A conveniência do modelo de Cox repousa numa suposição: a de que a razão de risco é constante — a mesma aos três meses e aos três anos, a mesma para uma pessoa de 50 anos e para uma de 80. É a suposição de riscos proporcionais, e ela é frequentemente falsa. Os efeitos reais variam ao longo do tempo de seguimento (uma intervenção cirúrgica pode aumentar o risco no início e diminuí-lo depois) e entre subgrupos (idade, sexo, comorbidade, privação). Quando a suposição falha, a HR única reportada é uma média sobre a janela de seguimento e a mistura populacional particulares do ensaio — uma combinação ponderada, e não uma constante universal que se possa transplantar para outro contexto.

Relativos, chances e absolutos. Uma HR se confunde facilmente com três vizinhos. O risco relativo (ou razão de riscos) compara a probabilidade cumulativa de um evento até um tempo fixo, e não a taxa; aproxima-se da HR quando os eventos são raros, mas diverge quando são comuns. A razão de chances (odds ratio) compara chances em vez de probabilidades e pode parecer dramática quando o risco subjacente é alto. As três são medidas relativas. O que pacientes e pagadores de fato valorizam é o absoluto: a redução absoluta do risco (diferença de risco) — quantos eventos a menos por cem pessoas — e seu recíproco, o número necessário para tratar (NNT), a quantidade de pessoas que é preciso tratar para evitar um evento. Uma medida relativa sem sua parceira absoluta é meia frase.

Censura e a curva de sobrevivência. Os ensaios terminam; as pessoas se mudam, desistem ou simplesmente ainda não tiveram o evento quando os dados são fechados. A censura (estatística) é como a análise de sobrevivência trata essas vidas parcialmente observadas, e é uma força — mas a censura pesada ou desequilibrada enfraquece o que uma HR pode dizer. A companheira visual honesta de qualquer HR é a curva do estimador de Kaplan–Meier, o gráfico em degraus da proporção livre de eventos ao longo do tempo. Duas curvas que se separam de forma constante contam uma história diferente de duas que se cruzam ou convergem — e, no entanto, as três podem produzir a mesma HR de manchete.

Confusão e não colapsabilidade. Uma HR de um estudo observacional pode ser distorcida por confusão: um terceiro fator determina tanto quem recebe o tratamento quanto quem tem o evento. Os ensaios randomizados protegem contra isso; as comparações do mundo real não, a menos que sejam cuidadosamente ajustadas. Há também uma armadilha mais sutil, específica de razões como a HR, chamada não colapsabilidade: mesmo sem confusão, a razão obtida depois de ajustar por um fator de risco pode diferir da não ajustada, puramente como artefato de como as razões se comportam. A lição é a mesma — uma HR está atrelada ao modelo e à população exatos que a produziram e não viaja tão livremente quanto o seu número único e limpo sugere.

O que uma HR compra em anos. As pessoas traduzem "HR 0,75" em "viverei mais", mas o tamanho desse ganho depende inteiramente do risco basal e do quanto a mortalidade de uma população já está comprimida. Pense nisso como afrouxar uma câmara num jogo de azar: reduzir uma taxa compra muito tempo extra quando o risco basal é alto e espalhado, e muito pouco quando a maioria das pessoas já sobrevive até a velhice e as mortes se concentram numa janela estreita e tardia. A mesma redução relativa se converte em quantidades diferentes de expectativa de vida conforme esse risco basal — razão pela qual uma HR não pode ser lida como um número fixo de anos acrescentados sem conhecer a população de que veio.

Significância estatística versus clínica. Por fim, uma HR pode ser estatisticamente significativa — com o intervalo de confiança excluindo o 1 — enquanto o efeito a que aponta é clinicamente trivial, especialmente num ensaio muito grande. A significância responde a "isto é distinguível do acaso?"; não responde a "vale a pena mudar uma via por isto?". Ambas as perguntas importam, e só a segunda deve decidir o investimento.

Boas práticas#

1. Pergunte sempre "em que seguimento e em que população?" Uma HR é uma média sobre uma janela de ensaio específica e um grupo de inscritos específico. Antes de agir com base nela, estabeleça a duração do seguimento e os critérios de inclusão e exclusão — ensaios que excluíram os muito idosos, os muito jovens ou pessoas com comorbidades comuns podem não descrever sua população de forma alguma. Trate uma HR sem esse contexto como um número incompleto, e não como uma manchete.

2. Exija números absolutos ao lado de cada número relativo. Para qualquer HR ou risco relativo, peça a redução absoluta do risco e o número necessário para tratar na população relevante. "HR 0,75" soa grande; "um evento evitado por 200 pessoas tratadas ao longo de três anos" diz se vale o custo, a mudança de fluxo de trabalho e os efeitos colaterais. Medidas relativas e absolutas devem sempre aparecer juntas, e as comunicações ao público devem começar pelo absoluto.

3. Insista em ver as curvas de Kaplan–Meier. Uma única HR comprime toda uma história num número e esconde se o efeito é precoce, tardio, crescente, decrescente ou reverso. Peça as curvas de sobrevivência e observe o seu formato: elas se separam de forma limpa, se cruzam ou convergem? Curvas que se cruzam são um sinal visível de que a suposição de riscos proporcionais falhou e de que a HR única engana.

4. Não extrapole um ensaio curto para uma vida inteira. Uma razão de risco medida ao longo de três anos não autoriza uma afirmação sobre trinta. Os efeitos podem diminuir, reverter ou acumular-se, e a suposição de riscos proporcionais quase nunca se sustenta ao longo de uma vida. Desconfie especialmente de modelos econômicos e de manchetes de imprensa que projetam uma HR de curto prazo para a frente, rumo a ganhos dramáticos em anos de vida; pergunte que suposição faz esse trabalho, conforme tratado no Tópico 6.1 — Economia da saúde.

5. Separe a significância estatística da clínica. Um intervalo de confiança que exclui o 1 diz que um efeito provavelmente é real; nada diz sobre se o efeito é grande o bastante para importar. Em ensaios grandes, diferenças triviais se tornam "significativas". Julgue a magnitude — o benefício absoluto — em relação ao fardo e ao custo da intervenção e deixe clínicos e pacientes definirem o que vale a pena.

6. Trate as HRs observacionais com suspeita redobrada. Fora de um ensaio randomizado, uma HR pode refletir confusão — pessoas mais doentes ou mais saudáveis selecionando-se para o tratamento — e não um efeito verdadeiro. Pergunte pelo que se ajustou e se confundidores não medidos são plausíveis. A evidência do mundo real é valiosa (ver Tópico 8.6 — Pesquisa e avaliação em mundo real), mas suas razões de risco exigem mais escrutínio, não menos.

7. Verifique se a HR está sendo reutilizada fora de contexto. Uma HR de uma população, dose ou seguimento é rotineiramente citada como se fosse universal. Quando um número é citado, rastreie-o até o estudo de origem e confirme que a população e o desfecho correspondem à sua decisão. A não colapsabilidade e as diferentes linhas de base significam que um número verdadeiro lá pode estar silenciosamente errado aqui.

8. Comunique com honestidade e comece pelo que as pessoas podem usar para agir. Quando a sua própria organização publicar resultados, associe toda HR a números absolutos e a um enquadramento em linguagem simples, declare o seguimento e a população e evite insinuar benefício vitalício a partir de dados de curto prazo. Isso se conecta diretamente à forma como você escolhe medidas no Tópico 10.1 — Indicadores-chave de desempenho (KPIs): a métrica que você coloca na manchete molda no que as pessoas acreditam.

Perguntas para discutir com a sua equipe#

1. Quando uma razão de risco chega ao nosso conselho, sabemos pedir o seguimento, a população e o benefício absoluto — ou agimos apenas com base no número relativo? Esta pergunta testa se a sua liderança consegue interrogar a estatística mais mal interpretada que encontrará. Importa porque uma HR é uma média sobre uma janela de ensaio e um grupo de inscritos particulares, e o mesmo número pode representar um benefício transformador ou desprezível, dependendo do risco basal e do seguimento que o slide omitiu. A tensão é que o número relativo é emocionalmente persuasivo e fácil de repetir, enquanto o absoluto — o número necessário para tratar, os eventos evitados por cem pessoas — é mais enfadonho e mais difícil de obter, de modo que costuma ser descartado. Trabalhem um exemplo real recente: peguem uma HR que influenciou uma decisão e reconstruam que seguimento ela cobriu, quem foi excluído e que benefício absoluto implicava para a sua população. Perguntem se alguém pediu esses fatos na época e se a resposta teria mudado a decisão. Uma boa discussão termina com a expectativa permanente de que nenhuma HR seja usada para agir sem o seguimento, a população e o parceiro absoluto ao lado.

2. Onde podemos estar extrapolando uma razão de risco de curto prazo para uma afirmação de longo prazo ou vitalícia — num caso de negócio, num modelo de benefícios ou numa mensagem pública? O tópico adverte que uma HR medida ao longo de poucos anos não autoriza afirmações sobre décadas, porque os efeitos diminuem, revertem ou se acumulam e a suposição de riscos proporcionais raramente se sustenta ao longo de uma vida. Importa porque modelos de economia da saúde e equipes de comunicação têm fortes incentivos para projetar reduções relativas de curto prazo rumo a ganhos de manchete em anos de vida ou em economias de custo, e essas projeções podem silenciosamente se tornar a justificativa de grandes investimentos. A concessão é real: é preciso planejar e modelar além do horizonte do ensaio, mas cada ano projetado além da evidência é uma suposição, e não uma descoberta. Tragam à tona um caso de negócio ou modelo de realização de benefícios em curso e perguntem que horizonte de tempo os benefícios derivados da HR assumem e o que aconteceria com o caso se o efeito se achatasse após o período do ensaio. Considerem também se alguma mensagem voltada ao paciente insinua uma vida inteira de anos acrescentados a partir de dados de curto prazo. Uma resposta honesta nomeia onde a extrapolação está fazendo o trabalho pesado e se compromete a declarar a suposição abertamente, em vez de enterrá-la numa planilha.

3. Separamos de forma consistente "isto é real?" de "isto é grande o bastante para importar?" — ou a significância estatística sozinha dirige as nossas decisões? Esta pergunta confronta a confusão entre significância estatística e clínica, em que um intervalo de confiança que exclui o 1 é tratado como sinal verde independentemente do tamanho do efeito. Importa porque ensaios grandes e grandes conjuntos de dados do mundo real tornam diferenças triviais estatisticamente significativas, e uma intervenção de saúde digital pode registrar uma razão de risco "significativa" entregando um benefício pequeno demais para justificar seu custo, a disrupção do fluxo de trabalho ou o custo de oportunidade frente a outros usos do mesmo dinheiro. A tensão mais profunda é que a magnitude é um juízo clínico e de valor — o que vale a pena depende da condição, do fardo do tratamento e da preferência do paciente —, de modo que não pode ser delegada a um valor-p nem automatizada. Peguem uma decisão que sua equipe tomou em parte com base num resultado significativo e perguntem qual era de fato o tamanho absoluto do efeito e quem decidiu que era grande o bastante para agir. Explorem se clínicos e, idealmente, pacientes participaram do julgamento de que o benefício valia a pena. Uma resposta forte mostra que a equipe rotineiramente pede magnitude, e não apenas significância, e trata as duas como portões separados que ambos precisam ser transpostos.

4. Quando uma razão de risco vem de dados de rotina ou do conjunto de dados do mundo real de um fornecedor, e não de um ensaio randomizado, perguntamos pelo que se ajustou e se confusão não medida poderia explicar o efeito? Cada vez mais, as razões de risco que chegam a uma decisão não vêm de ensaios limpos, mas de fontes observacionais — a análise de antes e depois de um fornecedor, um registro ou os seus próprios prontuários coletados de rotina —, em que as pessoas que receberam uma intervenção diferem sistematicamente das que não a receberam. Importa porque a confusão por indicação é a norma, e não a exceção: pacientes mais saudáveis ou mais doentes se selecionam para o tratamento e, a menos que isso seja cuidadosamente ajustado, a HR resultante mede quem foi tratado tanto quanto o que o tratamento fez. A tensão é que a evidência do mundo real é genuinamente valiosa e, muitas vezes, a única disponível para um serviço digital implantado em escala, mas sua conveniência tenta as equipes a lê-la como causal quando é meramente associativa. Interroguem uma HR observacional real em que sua equipe se apoiou: perguntem que variáveis foram ajustadas, que confundidores plausíveis ficaram sem medição e se a direção do provável viés favorece ou deflaciona o efeito. Considerem se a não colapsabilidade — o modo como ajustar por um fator de risco pode deslocar uma razão mesmo sem confusão — foi levada em conta na forma como o número é citado. Uma resposta honesta trata as razões de risco observacionais como hipóteses que exigem mais escrutínio, não menos, e consegue dizer com clareza o que teria de ser verdade para o efeito ser real.

5. Olhamos rotineiramente as curvas de Kaplan–Meier por trás de uma razão de risco, e reconheceríamos quando a suposição de riscos proporcionais falhou? Uma única HR faz silenciosamente a média de todo o formato de um efeito num número, ocultando se o benefício é precoce, tardio, crescente, decrescente ou reverso ao longo do seguimento. Importa porque o modelo de Cox, que produz a maioria das razões de risco, supõe que a razão é constante no tempo, e essa suposição é frequentemente falsa — uma intervenção cirúrgica ou de procedimento pode aumentar o risco no início e diminuí-lo depois, e curvas que se cruzam ou convergem podem produzir a mesma HR de manchete, tão arrumada, quanto curvas que se separam de forma limpa. A concessão é que ler curvas de sobrevivência exige mais esforço e mais expertise do que repetir um número, e as curvas muitas vezes estão ausentes do slide-resumo justamente porque complicam a história. Peguem uma razão de risco com base na qual sua equipe agiu e perguntem se alguém viu o gráfico de Kaplan–Meier, o que o formato das curvas implicava sobre quando o benefício se acumulou e se a suposição de riscos proporcionais chegou a ser testada. Discutam quem na equipe tem a alfabetização estatística para perceber linhas que se cruzam ou convergem e dizer o que isso significa para a sua população. Uma boa resposta faz de ver as curvas uma expectativa permanente, e não um favor de especialista, e trata uma curva ausente como motivo para perguntar, e não como detalhe a pular.

6. Verificamos se uma única razão de risco esconde uma distribuição desigual do benefício por idade, comorbidade e privação nas pessoas que de fato atendemos? Uma HR de manchete apresenta um efeito como se ele incidisse de modo uniforme, mas um benefício com média calculada no grupo inscrito num ensaio pode se distribuir de forma muito diferente entre as pessoas mais velhas, mais doentes e mais carentes que compõem boa parte de uma população real de saúde e cuidados. Importa porque agir com base no número agregado pode ampliar as desigualdades enquanto parece melhorar os desfechos no geral: uma intervenção que ajuda um subgrupo mais saudável e pouco faz por um mais frágil ainda registra uma HR média atraente. A tensão é que a desagregação exige dados, poder estatístico e disposição para ver variações incômodas, enquanto o número único é mais simples de reportar e mais fácil de defender. Observem uma decisão movida por uma razão de risco e perguntem se o efeito chegou a ser desdobrado por faixa etária, comorbidade ou privação e se o ensaio sequer inscreveu uma parcela suficiente da sua população para sustentar esse desdobramento. Considerem como monitorariam o benefício desigual quando um serviço estiver em produção, conectando-o à sua avaliação no mundo real e aos deveres de equidade. Uma resposta honesta aceita que uma HR de aparência uniforme pode mascarar uma realidade desigual e se compromete a olhar o quadro desagregado e absoluto antes de ampliar.

Na prática: um exemplo de saúde e cuidados#

Um sistema de cuidados integrados (ICS) recebe a oferta de um serviço de monitoramento remoto para pessoas com insuficiência cardíaca. A alegação central do fornecedor é uma razão de risco de 0,72 para o desfecho composto de morte ou internação não planejada, descrita como "uma redução de 28%" e acompanhada de uma projeção de ganhos substanciais de anos de vida na população.

Os líderes digital e clínico tratam o número como uma pergunta inicial, e não como uma conclusão. Pedem o estudo de origem e encontram um único ensaio randomizado, com seguimento mediano de dezoito meses, que inscreveu pacientes com menos de 75 anos, com uma internação recente e sem comprometimento cognitivo significativo — um grupo mais saudável e mais jovem do que a população real de insuficiência cardíaca do ICS, que tende a ser mais idosa e com mais comorbidades. Pedem as curvas do estimador de Kaplan–Meier e veem as duas linhas se separarem principalmente nos primeiros seis meses e depois correrem aproximadamente paralelas — indício de que o benefício se concentra no início e de que a suposição de HR constante é frágil num horizonte mais longo.

Em seguida, pedem os absolutos. Traduzida para a população do ensaio, a HR corresponde a uma redução absoluta do risco modesta e a um número necessário para tratar de cerca de 20 ao longo de dezoito meses para evitar um evento composto — significativo, mas muito menos dramático do que sugeria a "redução de 28%", e muito possivelmente ainda menor na sua população mais idosa. Pede-se à equipe de economia da saúde que reconstrua o modelo sem extrapolar a HR de dezoito meses para uma vida inteira e que teste o que acontece se o benefício precoce não persistir. Os responsáveis por segurança clínica e governança da informação avaliam o serviço por seus próprios méritos (Tópico 1.6 — Segurança clínica e gestão de riscos). O ICS prossegue — mas como uma implantação escalonada e monitorada, com avaliação própria no mundo real, e orienta a sua equipe de comunicação a começar pelo benefício absoluto e pelos limites honestos, e não pela manchete relativa. Quando um jornal local pergunta mais tarde sobre "o número de 28%", o ICS pode explicar exatamente o que ele significa e o que não significa.

Perspectivas setoriais#

Todos que leem uma HR devem o mesmo dever de interpretação, mas as pressões e as salvaguardas diferem conforme a organização.

Startup#

O incentivo de uma startup é apresentar o número verdadeiro mais lisonjeiro, e uma razão de risco relativa costuma ser o número verdadeiro mais lisonjeiro disponível — de modo que "HR 0,7" aparece na apresentação para investidores sem o seguimento, a população ou o benefício absoluto que o colocariam na devida proporção. A atitude honesta e, no fim, mais crível é começar pelo efeito absoluto e pelo número necessário para tratar, declarar com clareza o seguimento e as exclusões do ensaio e resistir a projetar resultados de curto prazo para uma vida inteira no caso de negócio. Avaliadores atentos do NHS e investidores sérios sabem cada vez mais fazer essas perguntas, de modo que uma equipe que oferece o contexto espontaneamente parece mais forte, e não mais fraca. A disciplina custa quase nada e protege os fundadores de uma correção posterior, mais danosa.

Pequena empresa#

Um pequeno prestador estabelecido — um consultório de clínica geral, uma farmácia comunitária, uma casa de repouso ou uma clínica de unidade única que avalia uma ferramenta de monitoramento ou a alegação de um fornecedor — tem pacientes reais em jogo, mas nenhum estatístico interno e pouco tempo para ler um ensaio. O risco prático é que a razão de risco relativa do fornecedor seja aceita pelo valor de face porque não há ninguém para reconstruir o seguimento, a população e o benefício absoluto, nem uma equipe de análise para testá-la contra a lista de pacientes da própria prática. A resposta proporcional não é dominar a análise de sobrevivência, mas fazer três perguntas simples a qualquer fornecedor — em que seguimento, em quais pacientes e quantas pessoas trataríamos para evitar um evento — e apoiar-se em recursos compartilhados, como as orientações do NICE, um farmacêutico do CCG ou do ICS ou uma rede de pares, em vez de julgar o número sozinho. Um pequeno prestador que insiste no número absoluto e nas exclusões do ensaio antes de assinar protege seus pacientes e seu orçamento sem precisar do poder de fogo estatístico de um grande hospital.

Grande organização#

Um hospital do NHS ou um ICS tem a capacidade analítica e os volumes de pacientes para interrogar uma HR adequadamente — e a responsabilização que o exige, porque implantar em escala com base numa estatística mal interpretada é, ao mesmo tempo, um risco para a segurança clínica e para o dinheiro público. A falha característica é o entusiasmo institucional: um número relativo persuasivo defendido por um clínico respeitado e adotado antes que alguém reconstrua o benefício absoluto para a população real do hospital, muitas vezes mais idosa e mais doente. O corretivo é um hábito permanente — toda HR em um documento de conselho chega com o seguimento, a população, a redução absoluta do risco e as curvas de Kaplan–Meier, e toda extrapolação nomeia sua suposição. As grandes organizações também geram as próprias HRs observacionais a partir de dados de rotina, onde a confusão é o perigo sempre presente e o ajuste precisa ser explícito.

Governo#

Um órgão nacional — NICE, NHS England, UK Health Security Agency, DHSC — muitas vezes decide como a evidência é enquadrada para todo o sistema, de modo que seu tratamento das razões de risco molda a compreensão pública em escala populacional. As decisões aqui atraem escrutínio regulatório, parlamentar e da mídia, e um número relativo citado sem seu parceiro absoluto pode enganar milhões e corroer a confiança quando corrigido depois. O dever é publicar absolutos junto com relativos, declarar população e seguimento e ser franco sobre onde a suposição de riscos proporcionais e os horizontes curtos dos ensaios limitam o que pode ser afirmado. Nessa escala, o enquadramento honesto não é uma cortesia, mas um instrumento de equidade: um benefício que parece uniforme numa HR única pode se distribuir de forma desigual por idade e privação, e só o quadro desagregado e absoluto o revela.

Modos de falha comuns#

• Relato apenas relativo. Citar "redução de 28%" sem redução absoluta do risco nem número necessário para tratar. Antídoto: associar toda medida relativa à sua parceira absoluta e começar a mensagem pública pelo absoluto.
• Extrapolação vitalícia. Projetar a HR de um ensaio curto por décadas num modelo econômico ou numa manchete. Antídoto: modelar apenas até o horizonte da evidência e nomear toda suposição além dele.
• Ignorar a população. Aplicar a HR de um ensaio a grupos mais idosos, mais doentes ou mais carentes que o ensaio excluiu. Antídoto: conferir os critérios de inclusão e exclusão com a sua população real.
• Supor constância. Tratar uma HR como válida em toda idade e em todo momento. Antídoto: inspecionar as curvas de Kaplan–Meier em busca de linhas que se cruzam ou convergem.
• Significância confundida com importância. Agir com base numa HR estatisticamente significativa cujo efeito é clinicamente trivial. Antídoto: julgar a magnitude separadamente, com contribuição clínica e dos pacientes.
• Confiar sem crítica em HRs observacionais. Ler uma HR do mundo real como causal sem perguntar pela confusão. Antídoto: perguntar pelo que se ajustou e se confundidores não medidos são plausíveis.
• Lavagem de números. Reutilizar uma HR fora de seu contexto original como se fosse universal. Antídoto: rastrear todo número citado até seu estudo de origem e desfecho.

Modelo de maturidade#

Lista de verificação#

• Toda razão de risco chega com a duração do seguimento e os critérios de inclusão e exclusão do ensaio.
• Cada medida relativa (HR, risco relativo) é associada à redução absoluta do risco e ao número necessário para tratar.
• As curvas de Kaplan–Meier são revistas quanto ao formato do efeito e a qualquer cruzamento ou convergência.
• A população do ensaio é conferida com a sua população local real antes de agir.
• Nenhuma HR de curto prazo é extrapolada para uma vida inteira sem uma suposição explicitamente declarada.
• A significância estatística e a clínica são julgadas como portões separados.
• As HRs observacionais são escrutinadas quanto à confusão e ao que foi ajustado.
• Toda HR citada é rastreada até seu estudo de origem, desfecho e seguimento.
• As comunicações públicas e ao conselho começam pelo benefício absoluto e pelos limites honestos.

Fontes-chave#

• Wikipédia — Hazard ratio, Proportional hazards model, Survival analysis (definições fundamentais).
• BMJ / série The BMJ Statistics Notes — Douglas Altman e J. Martin Bland — explicações simples sobre razões de risco, curvas de sobrevivência e risco absoluto versus relativo.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — sobre comunicar com honestidade o risco relativo e o absoluto.
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — sobre por que os números relativos enganam.
• Cochrane — Handbook for Systematic Reviews of Interventions — sobre a interpretação das medidas de efeito.
• dynomight — ensaio sobre razões de risco e expectativa de vida (dynomight.net) — a intuição da roleta-russa para explicar por que reduções relativas não equivalem a anos de vida e por que as intervenções têm razões de risco diferentes em idades diferentes.
• Equator Network — diretriz de relato CONSORT — sobre como os efeitos de ensaios, inclusive os desfechos de tempo até o evento, devem ser relatados.

Referências#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/