Causal Inference of Blood Pressure Reduction and Coronary Heart Disease Risk in the Framingham Study

Ao aplicar métodos de inferência causal ao Estudo Framingham do Coração, este artigo demonstra que as calculadoras de risco observacionais padrão superestimam o benefício absoluto da redução da pressão arterial no risco de doença arterial coronariana em aproximadamente 21,8% devido a fatores de confusão, destacando a necessidade crítica de distinguir entre probabilidades condicionais e efeitos intervencionais na tomada de decisões clínicas.

O essencial

Imagine que você está tentando descobrir o quanto uma ação específica — como baixar a pressão arterial — realmente ajuda a prevenir um ataque cardíaco. Há décadas, médicos e calculadoras de risco utilizam um método que observa pessoas que naturalmente têm pressão arterial baixa e as compara com pessoas que naturalmente têm pressão arterial alta.

O problema, segundo este estudo, é que essa comparação é como julgar uma corrida olhando os sapatos dos corredores em vez de sua capacidade de correr.

Aqui está a explicação do que os pesquisadores descobriram, usando analogias simples:

O Erro "Natural" vs. "Forçado"

Pense na pressão arterial como a temperatura dentro de uma casa.

• O Jeito Antigo (Observacional): Os pesquisadores olharam para casas que são naturalmente frias e as compararam com casas que são naturalmente quentes. Eles notaram que as casas quentes tinham mais janelas quebradas (doença cardíaca). Concluíram: "Se esfriarmos a casa, salvaremos muitas janelas."
• O Defeito: As casas que são naturalmente quentes frequentemente têm outros problemas também: são mais antigas, o isolamento é pior e os proprietários são menos cuidadosos com a manutenção. O calor não é a única razão pelas quais as janelas estão quebrando; a idade e a manutenção precária também são.
• O Jeito Novo (Causal): Este estudo fez uma pergunta diferente: "Se pegarmos uma casa que é naturalmente quente e forçarmos o termostato para baixo (usando medicamentos), quantas janelas salvamos realmente?"

O estudo descobriu que o "Jeito Antigo" estava superestimando o benefício em cerca de 22%. Ele culpava o calor por todas as janelas quebradas, quando, na realidade, a idade da casa e a manutenção precária estavam causando grande parte dos danos. Quando você corrige o calor, você corrige o calor, mas não conserta magicamente a idade ou os problemas de manutenção.

A Correção do "Mapa"

Para fazer isso corretamente, os pesquisadores desenharam um novo "mapa" (chamado de Gráfico Acíclico Direcionado ou DAG) de como a saúde do coração funciona. Eles encontraram quatro erros nos mapas que todos os outros vinham usando:

1. Tabagismo: Eles removeram uma linha sugerindo que fumar causa diretamente pressão arterial alta neste contexto específico, percebendo que afeta a saúde do coração primeiro por outros caminhos (como o colesterol).
2. Idade: Eles adicionaram uma linha mostrando que envelhecer causa diabetes, o que, por sua vez, afeta a saúde do coração.
3. Medicação: Eles perceberam que tomar pílulas para pressão arterial é um resultado de ter pressão arterial alta, e não uma causa dela. Tratar as pílulas como uma causa era como culpar o extintor de incêndio por iniciar o incêndio.
4. Histórico: Eles pararam de contar "pressão arterial alta no passado" como uma causa separada, porque é apenas um sintoma da pressão arterial alta atual.

Ao corrigir esses erros no mapa, eles puderam calcular o efeito real do "ajuste do termostato".

Os Resultados: Um Número Mais Honesto

Quando fizeram a matemática corretamente:

• A Velha Adivinhação: Baixar a pressão arterial em 20 pontos preveniria doença cardíaca em cerca de 4,14% das pessoas.
• A Nova Verdade: Baixar a pressão arterial em 20 pontos realmente previne doença cardíaca em cerca de 3,40% das pessoas.

Embora 3,40% ainda pareça bom, o estudo mostra que a "Velha Adivinhação" era excessivamente otimista. Se um médico usar o número antigo para decidir se deve prescrever medicamentos, pode achar que o benefício é grande o suficiente para tratar um paciente, quando o verdadeiro benefício pode estar apenas abaixo do limite para tratamento.

Quem Mais Se Beneficia?

O estudo também analisou se essa "correção" funciona de forma diferente para pessoas diferentes:

• Idade: Pessoas mais velhas parecem obter um benefício absoluto maior ao baixar a pressão arterial do que pessoas mais jovens. Isso faz sentido porque pessoas mais velhas têm mais "janelas quebradas" para começar.
• Diabetes: Os pesquisadores tentaram analisar pessoas com diabetes, mas havia poucas delas no estudo para dizer algo confiável. Eles alertam explicitamente que não podemos tirar conclusões sobre diabéticos a partir desses dados ainda.

A Conclusão

Este estudo não diz "não baixe a pressão arterial". Ele diz: "Tenha cuidado com o quanto você acha que baixar a pressão arterial ajudará."

As calculadoras de risco padrão são como uma previsão do tempo que prevê uma tempestade com base em quão escuro o céu está agora, ignorando que o céu está escuro por causa de uma nuvem de tempestade que já está se afastando. Ao usar um método mais avançado (chamado inferência causal), os pesquisadores mostraram que a "tempestade" (risco de doença cardíaca) é ligeiramente menos severa do que as previsões antigas previam quando se isola o efeito da pressão arterial sozinha.

Isso ajuda os médicos a tomar decisões mais precisas, garantindo que não superestimem a "magia" de um único tratamento quando o quadro geral de saúde do paciente é muito mais complexo.

Resumo técnico

Resumo Técnico: Inferência Causal da Redução da Pressão Arterial e do Risco de Doença Coronariana no Estudo Framingham

Declaração do Problema
Calculadoras padrão de risco cardiovascular, como o Escore de Risco de Framingham e as Equações de Coortes Agrupadas da ACC/AHA, estimam a probabilidade condicional de Doença Coronariana (DC) dado um perfil específico de pressão arterial, $P(\text{DC} \mid \text{PAS}=s, Z=z)$. Esta quantidade reflete a frequência observada da doença entre indivíduos que naturalmente apresentam certas características. No entanto, a tomada de decisão clínica sobre terapia anti-hipertensiva requer a quantidade intervencional, $P(\text{DC} \mid \text{do}(\text{PAS}=s))$, que representa o risco se a pressão arterial fosse farmacologicamente definida para um valor-alvo, independentemente do estado biológico subjacente do paciente (por exemplo, idade, obesidade, desregulação metabólica).

O artigo argumenta que confundir essas duas quantidades leva a uma superestimação sistemática do benefício absoluto da redução da pressão arterial. Indivíduos com pressão arterial naturalmente elevada frequentemente possuem uma maior carga de comorbidades (idade avançada, IMC mais alto, diabetes) em comparação com aqueles com pressão arterial mais baixa. As estimativas observacionais capturam o risco associado a todo esse perfil, enquanto a terapia anti-hipertensiva apenas interrompe o caminho causal da pressão para eventos vasculares. Consequentemente, ferramentas observacionais podem inflar a eficácia percebida do tratamento, influenciando potencialmente os limiares de prescrição e a estratificação de risco.

Metodologia
O estudo aplica o cálculo-d de Pearl e a modelagem causal estrutural à Coorte Filhos do Estudo Framingham ($n=4.240$; análise primária em $n=3.776$ casos completos). O pipeline metodológico inclui:

1. Especificação do Modelo Causal Estrutural (DAG): Um Gráfico Acíclico Direcionado (DAG) foi construído com 11 nós e 24 arestas. Os autores introduziram quatro correções motivadas biologicamente às formulações anteriores:

   • Remoção de Tabagismo $\to$ PAS: Reconhecendo que, embora a nicotina cause vasoconstrição aguda, ela não constitui um caminho causal estrutural em nível populacional do status de tabagismo para a pressão arterial sistólica sustentada neste contexto transversal.
   • Adição de Idade $\to$ Diabetes: Incorporando o aumento acentuado na incidência de diabetes tipo 2 com a idade, reconhecendo a idade como uma causa compartilhada tanto da elevação da pressão arterial quanto da DC.
   • Reclassificação de Medicamentos (BPMEDS): Tratando a medicação anti-hipertensiva como um descendente da Pressão Arterial Sistólica (PAS) e não como um fator de confusão. Incluí-la no conjunto de ajuste induziría viés de colisor.
   • Exclusão de Hipertensão Prevalente: Removendo a hipertensão prevalente do conjunto de ajuste primário para evitar viés de sobreajuste, pois ela é causalmente a jusante da pressão arterial de longo prazo.

   A validade do DAG foi testada por meio de testes de independência condicional (correlações parciais), todos aprovados em $\alpha=0,05$.

2. Estimação do Efeito Causal:

   • Estimador Primário: A g-computação (padronização) foi utilizada para estimar o Efeito Causal Médio (ECM) de uma redução de 20 mmHg na PAS. O conjunto de ajuste de porta-traseira $Z = \{\text{Idade, Sexo, IMC, Tabagismo Atual}\}$ foi utilizado. Colesterol total e glicose foram incluídos como covariáveis de precisão na regressão do desfecho.
   • Triangulação: Os resultados foram corroborados usando Emparelhamento por Pontuação de Propensão (PSM) estratificado por sexo e Pesos de Probabilidade Inversa (IPW).
   • Heterogeneidade: Efeitos de Tratamento Médio Condicionais (ETMC) foram estimados usando metaaprendizes R-Learner e T-Learner com modelos de ruído com gradiente-boosted para avaliar a modificação de efeito por idade, sexo e status de diabetes.
   • Robustez: O estudo empregou testes de refutação por permutação e instrumentos placebo (por exemplo, frequência cardíaca $\to$ idade) para validar as estimativas causais. Valores-E foram calculados para quantificar a robustez das descobertas a fatores de confusão não medidos.

Principais Resultados

• Lacuna entre Previsão e Causalidade: A abordagem de g-computação produziu um ECM de 3,40% de redução absoluta de risco (IC 95% bootstrap: 2,64%–4,14%) para uma redução de 20 mmHg na PAS. Em contraste, a estimativa observacional ingênua foi de 4,14%. Isso representa uma superestimação relativa de aproximadamente 21,8% pela abordagem observacional.
• Fonte do Viés: A divergência é impulsionada pelo agrupamento de idade avançada, IMC mais alto e desregulação metabólica com pressão arterial elevada. A estimativa observacional captura o risco do perfil de comorbidades, e não apenas a redução da pressão arterial.
• Heterogeneidade: Heterogeneidade estatisticamente significativa foi detectada entre estratos de idade ($p < 0,001$) e status de diabetes ($p < 0,001$). Pacientes mais velhos (45–64 anos) apresentaram maiores reduções absolutas de risco estimadas (~4,5–4,8%) em comparação com pacientes mais jovens (<45 anos, ~2,2%).
• Limitações de Subgrupos: As estimativas para o subgrupo diabético ($n=109$) foram instáveis e subdimensionadas, com um intervalo de confiança amplo cruzando zero. Os autores afirmam explicitamente que nenhuma inferência confiável sobre benefício diferencial em diabéticos pode ser extraída desses dados sem replicação.
• Robustez: O limite inferior do Valor-E foi 2,18, indicando que um fator de confusão não medido precisaria ter um risco relativo de pelo menos 2,18 tanto com a PAS quanto com a DC para explicar completamente o efeito observado. Isso excede a força de associação de todas as covariáveis medidas.

Significado e Alegações
O artigo afirma ser o primeiro a quantificar a magnitude do viés em ferramentas observacionais padrão de risco cardiovascular dentro da coorte Framingham, demonstrando que essas ferramentas podem superestimar o benefício absoluto do tratamento anti-hipertensivo em aproximadamente um quinto.

Os autores argumentam que essa superestimação tem consequências clínicas diretas. Para pacientes próximos aos limiares de prescrição, uma inflação de 21,8% no benefício estimado pode levar a decisões de tratamento onde o benefício causal real cai abaixo de um limiar clinicamente significativo. O estudo sugere que a estratificação de risco clínica deve idealmente depender de estimativas intervencionais e não de associações condicionais.

Metodologicamente, o artigo contribui com um pipeline reproduzível de ponta a ponta integrando avaliação de DAG, g-computação, PSM, IPW e metaaprendizes semiparamétricos. Destaca erros estruturais específicos em análises causais anteriores de dados cardiovasculares, particularmente o tratamento incorreto da medicação anti-hipertensiva como um fator de confusão e não como um descendente da pressão arterial, o que introduz viés de colisor.

Limitações Reconhecidas pelos Autores
Os autores mantêm um tom modesto em relação às suas conclusões, notando várias limitações:

• Fatores de Confusão Não Medidos: A suposição de ausência de fatores de confusão não medidos é inverificável; fatores como dieta, atividade física e genética poderiam enviesar os resultados.
• Natureza Transversal: A análise baseia-se em dados basais, não levando em conta fatores de confusão que variam no tempo durante o acompanhamento de 10 anos, o que pode levar a estimativas conservadoras.
• Simplificação do DAG: O DAG é uma representação simplificada; falhas em alguns testes placebo sugerem causas compartilhadas latentes não codificadas no modelo.
• Generalizabilidade: A Coorte Filhos de Framingham é uma amostra predominantemente branca, baseada na comunidade, da Nova Inglaterra de meados do século XX, limitando a generalização para populações contemporâneas, diversas ou de maior risco.
• Potência do Subgrupo: A análise do subgrupo diabético é explicitamente sinalizada como subdimensionada e não confiável para inferência.

O estudo posiciona suas descobertas como geradoras de hipóteses, chamando para validação futura contra dados de ensaios clínicos randomizados (por exemplo, SPRINT, ACCORD-BP) e replicação em coortes maiores e mais diversas.