adjustedCurves: Estimating Confounder-Adjusted Survival Curves in R
O artigo apresenta o pacote de R `adjustedCurves`, que fornece uma estrutura unificada para estimar e visualizar curvas de sobrevivência ajustadas por confundidores, tempos médios de sobrevivência ajustados e quantis em estudos observacionais com dados de tempo até o evento com censura à direita.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo da pesquisa médica, compreender quanto tempo um paciente pode viver após um tratamento específico é uma questão fundamental. Quando os cientistas estudam isso, eles frequentemente analisam dados de tempo até o evento, que rastreiam a duração desde um ponto de partida, como uma cirurgia, até que um desfecho específico ocorra, como a morte ou o retorno de uma doença. Para visualizar essas linhas do tempo, os pesquisadores tradicionalmente desenham curvas de sobrevivência. Essas linhas mostram a porcentagem de pessoas que ainda estão vivas ou livres de um evento conforme o tempo passa. Se um estudo for um experimento perfeitamente controlado, onde os pacientes são atribuídos aleatoriamente a diferentes tratamentos, essas curvas oferecem uma imagem clara e honesta de causa e efeito. No entanto, a maior parte da pesquisa médica acontece no mundo real, onde os pacientes não são atribuídos aleatoriamente. Em vez disso, os médicos escolhem os tratamentos com base na idade do paciente, gravidade da doença ou outros fatores. Isso cria uma armadilha oculta: se um grupo de tratamento for mais doente para começar, sua curva de sobrevivência parecerá pior, não porque o tratamento falhou, mas porque os pacientes já estavam em maior risco. Essa distorção é chamada de confusão (confounding), e pode fazer um tratamento útil parecer mortal ou um tratamento prejudicial parecer benéfico.
Para resolver esse problema, Robin Denz e Nina Timmesfeld, da Universidade Ruhr de Bochum, desenvolveram uma nova ferramenta para a linguagem de programação R, um ambiente de software amplamente utilizado por estatísticos. O trabalho deles, empacotado como adjustedCurves, oferece uma maneira de redesenhar essas linhas de sobrevivência para que reflitam o que teria acontecido se os grupos de tratamento tivessem sido perfeitamente equilibrados, como se os pacientes tivessem sido atribuídos aleatoriamente. Os pesquisadores não inventaram as fórmulas matemáticas para este ajuste; em vez disso, reuniram muitos métodos existentes da literatura científica e os envolveram em um sistema único e fácil de usar. Antes de esta ferramenta existir, um pesquisador poderia ter que aprender cinco pacotes de software diferentes, cada um com seu próprio conjunto confuso de regras, apenas para testar um método. O novo pacote unifica essas abordagens, permitindo que os cientistas calculem curvas ajustadas, estimem intervalos de confiança e gerem gráficos prontos para publicação com um único comando.
A equipe testou seu software usando dados reais do banco de tumores de Roterdã, que contém registros de 2.982 mulheres com câncer de mama primário. Neste conjunto de dados, algumas pacientes receberam terapia hormonal enquanto outras não. Quando os pesquisadores primeiro plotaram as curvas de sobrevivência brutas, não ajustadas, os resultados foram surpreendentes e enganosos. As mulheres que receberam terapia hormonal pareciam ter uma chance de sobrevivência muito menor do que aquelas que não receberam, com a lacuna entre os dois grupos aumentando significativamente ao longo do tempo. Isso parecia sugerir que a terapia era prejudicial. No entanto, os pesquisadores sabiam que isso era uma ilusão causada pela confusão. Na realidade, os médicos tendiam a prescrever terapia hormonal para pacientes que já eram mais doentes ou tinham tumores mais agressivos. Os dados brutos estavam simplesmente refletindo a saúde precária do grupo tratado, não o efeito do medicamento.
Ao aplicar os métodos dentro do pacote adjustedCurves, os pesquisadores removeram a influência dessas diferenças pré-existentes. Eles usaram técnicas estatísticas para reponderar os dados, criando efetivamente um cenário hipotético onde os grupos tratados e não tratados eram idênticos em termos de idade, tamanho do tumor e outros fatores de risco. Quando redesenharam as curvas de sobrevivência usando esses dados ajustados, a diferença dramática desapareceu. As duas linhas, representando os grupos tratados e não tratados, correram quase paralelas uma à outra, mostrando nenhuma diferença significativa nos desfechos de sobrevivência. Esse resultado alinhou-se com o que outros estudos rigorosos haviam sugerido: a terapia não era a causa da baixa sobrevivência observada nos dados brutos. O pacote também permitiu que a equipe calculasse números específicos, como a diferença na probabilidade de sobrevivência após cinco, seis ou sete anos, e o tempo mediano que os pacientes poderiam esperar viver. Em todos os casos, os números ajustados mostraram que o tratamento não fazia diferença substancial para o tempo de sobrevivência geral para este grupo específico de pacientes.
O artigo enfatiza que, embora a matemática por trás desses ajustes seja complexa, o objetivo é tornar o processo acessível a pesquisadores que podem não ser especialistas em estatística avançada. O software realiza o trabalho pesado, verificando se as curvas se comportam logicamente e fornecendo ferramentas para visualizar os resultados claramente. Ele inclui recursos para mostrar quantos pacientes ainda estavam sendo acompanhados em cada ponto no tempo e para exibir a margem de incerteza em torno das estimativas. Os autores observam que, embora sua ferramenta funcione bem para muitos cenários comuns, ela não é uma solução mágica para todos os problemas de pesquisa possíveis. Atualmente, ela lida com tratamentos que não mudam ao longo do tempo e depende da suposição de que todos os fatores de risco importantes foram mensurados. Se um fator crucial foi omitido ou se o tratamento muda durante o estudo, a ferramenta não consegue corrigir o viés resultante.
Em última análise, este trabalho é sobre clareza e honestidade no relato médico. Ao fornecer uma maneira de visualizar o efeito real de um tratamento, livre do ruído das diferenças pré-existentes entre os grupos de pacientes, o pacote adjustedCurves ajuda a evitar conclusões enganosas. Ele garante que, quando um médico ou um paciente olha para um gráfico de taxas de sobrevivência, ele esteja vendo o efeito do tratamento em si, e não o efeito da doença que levou à escolha do tratamento em primeiro lugar. Os pesquisadores esperam que, ao tornar esses métodos sofisticados mais fáceis de usar, mais estudos possam ir além de gráficos simples e não ajustados e fornecer uma imagem mais precisa de como as intervenções médicas realmente afetam as vidas humanas.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.