📊 statistics

Two-stage imputation of longitudinal anthropometric data with cross-reference harmonisation: a simulation study

Este estudo de simulação avalia um método reprodutível de dois estágios para imputar dados longitudinais ausentes de peso e altura que combina interpolação linear intrasujeito com estimativa baseada em referências de crescimento, demonstrando alta precisão e a capacidade de lidar e auditar explicitamente diferentes padrões de referência entre as fontes de dados.

Autores originais: Flavia Alves

Publicado 2026-06-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Flavia Alves

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

Imagine que você está tentando reconstruir um filme do crescimento de uma criança, mas o rolo do filme está danificado. Alguns quadros estão faltando (dados ausentes) e, pior ainda, algumas cenas foram filmadas usando dois tipos diferentes de câmeras que registram as cores de forma ligeiramente diferente (padrões de crescimento diferentes, como OMS vs. CDC). Se você apenas adivinhar as partes que faltam ou ignorar as diferenças das câmeras, seu filme final ficará embaçado ou distorcido.

Este artigo apresenta um método simples de "restauração de filme" de duas etapas para corrigir essas medições de crescimento ausentes (peso e altura), mantendo um registro claro de exatamente como cada peça do quebra-cabeça foi encontrada.

Aqui está como o método funciona, usando analogias do cotidiano:

O Problema: Quadros Ausentes e Câmeras Misturadas

Na pesquisa de saúde, acompanhamos o peso e a altura das pessoas ao longo do tempo. Frequentemente, as pessoas perdem consultas, deixando lacunas nos dados. Além disso, alguns estudos usam os gráficos de crescimento da OMS (como uma "câmera europeia") e outros usam os gráficos do CDC (como uma "câmera americana"). Mesmo que uma criança tenha o mesmo tamanho, esses dois gráficos podem dizer que ela está em um "percentil" diferente (um ranking em comparação com outras crianças). Se você misturar esses conjuntos de dados sem notar, introduzirá um erro oculto, como tentar editar um filme onde a iluminação muda aleatoriamente de cena para cena.

A Solução: Um Processo de Restauração de Duas Etapas

Os autores propõem um método de "Duas Etapas" para preencher as lacunas, priorizando o que sabemos sobre a pessoa específica antes de adivinhar com base na população geral.

Etapa 1: O Método "Ligar os Pontos" (Interpolação Intra-indivíduo)

A Analogia: Imagine que você tem uma foto de uma criança aos 5 anos e outra aos 7 anos, mas a foto dos 6 anos está faltando. O palpite mais fácil e lógico é desenhar uma linha reta entre a foto dos 5 e a dos 7 anos. Você assume que a criança cresceu de forma constante nesse intervalo.
O que o artigo faz: Se uma pessoa tem medições antes e depois de uma visita ausente, o computador simplesmente desenha uma linha reta entre elas para preencher a lacuna. Ele usa apenas os dados dessa pessoa específica. Esta é a maneira mais precisa de preencher uma lacuna porque respeita o padrão de crescimento daquela criança específica.

Etapa 2: O Método do "Gráfico de Crescimento" (Imputação de Centil LMS)

A Analogia: E se você não tiver foto nenhuma para um determinado ano, ou se a criança tiver apenas uma foto? Você não pode ligar os pontos. Em vez disso, você olha para um "gráfico de crescimento" padrão (como os gráficos da OMS ou do CDC). Você descobre onde aquela criança geralmente se posiciona no gráfico (por exemplo, no percentil 50, o que significa que ela tem um tamanho médio) e assume que ela permaneceu nessa mesma "trilha" até a próxima vez que você a viu.
O que o artigo faz: Se a Etapa 1 não puder preencher uma lacuna, o método analisa as medições conhecidas da criança para descobrir sua "trilha de crescimento" (centil). Ele então assume que a criança permaneceu nessa trilha e calcula qual deveria ser seu peso/altura no tempo ausente, usando o gráfico de crescimento específico (OMS ou CDC) que a fonte original dos dados utilizou.
A Reviravolta do "Parâmetro Explícito": Crucialmente, este método força o pesquisador a dizer: "Estou usando o gráfico da OMS para a Fonte A e o gráfico do CDC para a Fonte B". Ele não esconde essa escolha. Ele registra exatamente qual "câmera" foi usada para cada suposição feita.

O Rótulo de "Proveniência": O Recibo para Cada Suposição

O artigo enfatiza que cada número no conjunto de dados final recebe um "rótulo" ou recibo:

Observado: Nós realmente medimos isso.
Interpolado: Nós ligamos os pontos (Etapa 1).
Referência de Crescimento: Nós adivinhamos com base no gráfico (Etapa 2).

Isso é vital porque, se um pesquisador quiser ser extra cuidadoso, ele pode dizer: "Eu confiarei apenas nos números 'Observados' e 'Interpolados', e ignorarei as suposições de 'Referência de Crescimento'", ou pode analisá-los separadamente para ver se as "suposições" alteram os resultados.

Os Resultados: Quão Boa é a Restauração?

Os autores testaram este método usando dados sintéticos (dados falsos gerados por computador que se parecem com estudos de crescimento reais). Eles deliberadamente esconderam 20% dos números conhecidos e tentaram adivinhá-los de volta.

O Resultado: O método preencheu 100% das lacunas.
A Precisão: As suposições foram muito próximas da verdade. Para o peso, o erro médio foi de cerca de 1,78 kg (aproximadamente 3,5% de diferença). Para a altura, o erro foi de cerca de 2,84 cm (2% de diferença).
O Veredito: Como esperado, as suposições de "Ligar os Pontos" (Etapa 1) foram mais precisas do que as suposições do "Gráfico de Crescimento" (Etapa 2). Isso prova que a ordem de duas etapas (tentar ligar os pontos primeiro, usar gráficos apenas se necessário) é a abordagem correta.

Limitações Importantes (O Que o Artigo Diz)

O artigo é muito honesto sobre o que ele ainda não faz:

É uma "Suposição Única": O método fornece um único melhor palpite para um número ausente. Ele não calcula a "incerteza" ou a gama de possibilidades. Se você usar essas suposições em um estudo médico final, pode acidentalmente pensar que sabe mais do que realmente sabe.
A Suposição de "Estabilidade": A Etapa 2 assume que uma criança permanece na mesma trilha de crescimento. Se uma criança tiver uma doença súbita ou um surto de crescimento que mude drasticamente seu percentil, este método pode não captar essa mudança. No entanto, devido aos "rótulos", os pesquisadores podem identificar essas suposições e tratá-las com cautela.
Apenas Sintético: Estes resultados baseiam-se em simulações de computador, não em pacientes reais. O método funciona perfeitamente na simulação, mas precisa ser testado em dados reais e desordenados antes de ser usado para conclusões médicas sérias.

Resumo

Este artigo oferece uma ferramenta simples e transparente para corrigir dados de crescimento ausentes. Ele prioriza o histórico da própria pessoa primeiro, recorrendo aos gráficos de crescimento padrão apenas se necessário, enquanto anuncia claramente qual "padrão" foi usado para cada cálculo. É uma forma de garantir que, ao combinar dados de diferentes fontes, não estejamos acidentalmente misturando maçãs e laranjas sem saber o que estamos fazendo.

Resumo Técnico: Imputação em Dois Estágios de Dados Antropométricos Longitudinais

Problema
Conjuntos de dados de saúde longitudinais frequentemente sofrem com a ausência de medições de peso e altura devido à coleta não padronizada ou avaliações perdidas. O tratamento ingênuo dessa ausência (ex: análise de casos completos) pode introduzir viés. Além disso, a combinação de dados de diferentes fontes frequentemente envolve o indexamento de medições contra padrões de referência de crescimento distintos (ex: OMS vs. CDC). Como esses padrões atribuem centis diferentes à mesma medição física, a combinação deles sem uma harmonização explícita introduz diferenças sistemáticas, muitas vezes não declaradas. A imputação em indivíduos em crescimento é particularmente complexa porque valores plausíveis dependem conjuntamente da idade e do sexo, o que impede a imputação a partir de uma única distribuição fixa.

Metodologia
O artigo propõe um método de imputação em dois estágios, reproduzível, implementado em software estatístico base (R) sem dependências de pacotes externos. O processo é projetado para priorizar dados longitudinais individuais antes de recorrer a referências populacionais, enquanto rastreia explicitamente a origem de cada valor.

Estágio 1: Interpolação Linear Intra-Indivíduo
Para cada sujeito, os valores observados são ordenados por data de visita. Valores interiores ausentes (lacunas entre duas medições observadas) são preenchidos usando interpolação linear. Nenhuma extrapolação é realizada; valores antes da primeira ou após a última observação permanecem ausentes para o Estágio 2. Este estágio baseia-se exclusivamente nos próprios dados do sujeito.
Estágio 2: Imputação de Centil por Referência de Crescimento (LMS)
Os valores ausentes restantes são imputados usando referências de crescimento específicas de idade e sexo via o método LMS (que modela assimetria $L$ , mediana $M$ e coeficiente de variação $S$ ).

Para medições observadas, o escore de desvio padrão ( $z$ ) do LMS e o centil correspondente são calculados.
Esses centis são transportados para frente e para trás através das visitas do sujeito, assumindo uma estabilidade de centil aproximada ao longo do tempo.
Se um sujeito não possui valores observados para uma medida, o 50º centil é atribuído por padrão.
O valor esperado da medição é derivado pela leitura da curva de referência na idade e sexo específicos da visita.
Diferentes tabelas de referência podem ser fornecidas por fonte de dados (ex: estilo OMS para uma fonte, estilo CDC para outra), tornando o padrão um parâmetro explícito e auditável.

Pré-processamento e Proveniência
Antes da imputação, valores implausíveis são sinalizados usando z-scores robustos por faixa etária e definidos como ausentes se excederem um limite configurável (padrão: z-score robusto absoluto > 3). Cada valor final é rotulado por sua proveniência: Observado, Interpolado (Estágio 1) ou Referência de Crescimento (Estágio 2). Esse rotulagem permite estratificação ou análise de sensibilidade a jusante.

Avaliação e Resultados
O método foi avaliado usando um conjunto de dados sintéticos ( $n=60$ sujeitos, 288 visitas) com 30% de ausência e quatro outliers grosseiros. Um design de "mascaramento e recuperação" foi usado, onde 20% dos valores observados foram ocultados e reimputados para avaliar a precisão.

Completude: O método alcançou 100% de completude de dados.
Precisão: O erro absoluto médio (MAE) para o peso recuperado foi de 1,78 kg (MAPE de 3,5%), e para a altura, 2,84 cm (MAPE de 2,0%). O viés foi negligenciável (−0,07 kg para peso; +0,17 cm para altura).
Comparação de Estágios: Como hipotetizado, os valores recuperados via interpolação intra-indivíduo foram mais precisos do que aqueles derivados de referências de crescimento (MAE de Peso: 1,47 kg vs. 2,06 kg; MAE de Altura: 2,60 cm vs. 2,99 cm), validando a ordem de dois estágios.

Principais Contribuições e Significância
O artigo identifica quatro inovações primárias:

Harmonização Explícita: Trata a escolha do padrão de referência de crescimento como um parâmetro explícito e específico da fonte, em vez de uma suposição oculta, tornando o processo de harmonização auditável e reversível em análises de sensibilidade.
Uso Prioritário de Dados: O design de dois estágios prioriza a informação longitudinal intra-indivíduo antes de recorrer a referências populacionais, refletendo a maior confiabilidade das tendências individuais.
Rastreamento de Proveniência: Ao rotular cada valor imputado por sua origem, os analistas podem estratificar resultados ou excluir tipos específicos de imputação (ex: excluir imputações de referência de crescimento para sujeitos com mudanças fisiológicas rápidas).
Acessibilidade e Reproduzibilidade: O método é implementado em software base sem dependências de pacotes, reduzindo a barreira de uso e garantindo total reprodutibilidade em dados sintéticos.

Limitações e Trabalhos Futuros
Os autores observam explicitamente que o método depende da suposição de estabilidade de centil dentro de um indivíduo, o que pode não se sustentar em indivíduos passando por mudanças rápidas ou patológicas. Além disso, o método produz previsões de ponto único; usá-las como dados observados em modelos inferenciais subsequentes subestima a incerteza. Os autores afirmam que os próximos passos necessários são:

Aplicação a dados empíricos para validar a precisão da recuperação em cenários do mundo real.
Propagação da incerteza de imputação para modelos a jusante (ex: via imputação múltipla).
Comparação direta de padrões de referência alternativos.

O artigo conclui que, embora os resultados atuais sejam baseados em dados sintéticos para demonstrar comportamento e reprodutibilidade, a abordagem oferece uma ferramenta simples, sem dependências e transparente para lidar com a ausência de antropometria em conjuntos de dados combinados.