A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

1. O Problema

A inferência causal em estudos observacionais enfrenta o desafio fundamental do confundimento não medido. Mesmo após ajustes para covariáveis observadas, a possibilidade de um fator não observado explicar a associação observada permanece.

• Limitação das Abordagens Atuais: Métodos tradicionais, como a condição de Cornfield e o valor-E (E-value), focam em quantidades de limiar. Eles calculam quão forte um confundidor deve ser para anular uma associação observada.
• A Lacuna Inferencial: Embora esses métodos indiquem a força necessária de um confundidor, eles não respondem à pergunta crucial: quão plausível é que tal confundidor exista? A interpretação atual depende frequentemente de raciocínio informal ("o valor-E é grande ou pequeno?"), carecendo de uma fundação probabilística formal. Isso torna a análise de sensibilidade descritiva, em vez de inferencial.

2. Metodologia

O artigo propõe uma reformulação bayesiana da análise de sensibilidade, tratando a força do confundimento não medido como uma variável aleatória, e não como uma constante desconhecida.

• Modelo Gerativo:
  • Seja $RR_{obs}$ a associação observada (escala de risco) e $\Gamma \geq 1$ o parâmetro que representa a distorção multiplicativa induzida pelo confundimento.
  • A relação é modelada como: $RR_{true} = RR_{obs} / \Gamma$.
  • Na escala logarítmica ($\theta = \log(RR)$), o confundimento atua como um deslocamento aditivo: $\theta_{obs} \sim \mathcal{N}(\theta_{true} + \log(\Gamma), s^2)$, onde $s$ é o erro padrão.
• Especificações de Priori:
  • Efeito Causal ($\theta_{true}$): Assumido como uma distribuição Normal com média 0.
  • Força do Confundimento ($\log \Gamma$): Assumido como uma distribuição Half-Normal (Normal truncada em zero), garantindo $\Gamma \geq 1$. O parâmetro de escala ($\sigma_+$) codifica a crença a priori sobre a plausibilidade de confundimentos fortes (valores menores indicam ceticismo sobre confundimentos extremos).
• Inferência:
  • O valor-E ($\Gamma^*$) é reinterpretado não como um limite fixo, mas como uma condição de fronteira.
  • O objetivo central torna-se calcular a probabilidade posterior de que a força do confundimento exceda esse limiar: $P(\Gamma \geq \Gamma^* | \theta_{obs})$.
  • Isso transforma a análise de sensibilidade em uma avaliação probabilística direta da robustez da associação.

3. Principais Contribuições

• Transição de Limiares para Probabilidades: O trabalho muda o paradigma de "o confundidor precisa ser X forte" para "qual a probabilidade de existir um confundidor com força X?".
• Interpretação Bayesiana do Valor-E: O valor-E é mantido como uma métrica útil, mas integrado a um quadro probabilístico onde a incerteza sobre o confundimento é explicitamente modelada.
• Aplicabilidade a Dados Resumidos: Diferente de algumas abordagens bayesianas anteriores que exigem dados individuais e modelos hierárquicos complexos, este método opera diretamente com estatísticas resumidas (como Odds Ratios e Intervalos de Confiança), tornando-o aplicável a meta-análises e revisões sistemáticas.
• Medida de Vulnerabilidade Evidencial: Introduz a probabilidade posterior $P(\Gamma \geq \Gamma^*)$ como uma medida direta e interpretável da vulnerabilidade de uma conclusão causal.

4. Resultados

A metodologia foi aplicada a 11 associações exposição-desfecho de quatro domínios (tabagismo, dor nas costas, Alzheimer e saúde ambiental), utilizando dados de um conjunto de estudos públicos.

• Relação Monotônica: Observou-se uma relação clara entre o valor-E e a probabilidade posterior. Valores-E altos correspondem a probabilidades muito baixas de que o confundimento explique a associação (alta robustez), enquanto valores-E baixos resultam em probabilidades altas (alta vulnerabilidade).
• Exemplos Empíricos:
  • Saúde Ambiental (E = 4.25): Probabilidade de confundimento suficiente de apenas ~0.004 (altamente robusto).
  • Tabagismo (E = 3.686): Probabilidade de ~0.03 (robusto).
  • Alzheimer (E = 1.32–1.39): Probabilidade de ~0.50, indicando que um confundidor suficiente é plausível.
  • Dor nas Costas: Probabilidades variando de 0.15 a 0.58, mostrando heterogeneidade dentro do mesmo domínio.
• Sensibilidade ao Prior: A análise de sensibilidade mostrou que, para valores-E grandes, as conclusões são estáveis sob diferentes especificações de priori. Para valores-E pequenos, os resultados são mais sensíveis às crenças a priori, refletindo a incerteza intrínseca de efeitos fracos.

5. Significado e Implicações

• Mudança Epistemológica: O trabalho alinha a análise de sensibilidade com os princípios bayesianos de inferência sob incerteza, substituindo julgamentos binários (robusto/não robusto) por raciocínio probabilístico contínuo.
• Decisão Informada: Ao quantificar a plausibilidade de viés oculto, o método fornece uma ferramenta mais decisiva para pesquisadores e clínicos, permitindo avaliar a credibilidade de afirmações causais de forma mais matizada.
• Ponte Metodológica: Conecta o raciocínio intuitivo de Cornfield com modelos estatísticos formais, preenchendo a lacuna entre diagnósticos descritivos e inferência coerente.
• Transparência: Ao exigir a especificação explícita de distribuições a priori sobre o confundimento, o método torna as suposições subjacentes transparentes, permitindo que a comunidade científica discuta e avalie a plausibilidade desses pressupostos.

Em suma, o artigo oferece uma estrutura coerente para transformar a análise de sensibilidade de um exercício de "o que seria necessário para invalidar o resultado" para uma avaliação probabilística de "quão provável é que o resultado seja inválido devido a viés não medido".