A framework for classifying and visualising experimental designs when subjects are measured repeatedly
Este artigo aborda a confusão em torno de medidas repetidas em pesquisa experimental ao definir características fundamentais do delineamento com base em unidades experimentais, frequência de medição e estratégias de randomização para estabelecer um arcabouço para classificar e visualizar tais delineamentos usando diagramas de Hasse.
Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). 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 é um detetive tentando resolver um mistério, mas em vez de procurar pistas em uma cena de crime, você está procurando respostas no comportamento de seres vivos — pessoas, cães ou até mesmo células minúsculas. No mundo da ciência, os pesquisadores frequentemente realizam experimentos para ver como diferentes coisas, como um novo remédio ou uma rotina de treinamento específica, afetam esses sujeitos. Mas aqui está a parte complicada: às vezes, eles não apenas verificam o sujeito uma vez e seguem em frente. Eles podem verificá-lo cinco vezes ao dia, ou dar três tratamentos diferentes em sequência, ou até mesmo coletar três pequenas amostras da mesma coleta de sangue. Isso é o que os cientistas chamam de "medidas repetidas".
Pense nisso como provar uma sopa. Se você pega uma colherada, essa é uma medição única. Mas se você pega uma colherada a cada dez minutos para ver como o sabor muda enquanto ela ferve, ou se você prova com três colheres diferentes para ter certeza de que não está imaginando coisas, você está fazendo "medidas repetidas". O problema é que os cientistas têm usado o mesmo rótulo, "delineamento de medidas repetidas", para todos esses diferentes cenários, embora sejam, na verdade, muito distintos. É como chamar uma bicicleta, um skate e um monociclo de todos "veículos com rodas". Todos eles têm rodas, mas você os conduz de formas diferentes, e se você tentar andar de monociclo como se fosse uma bicicleta, pode cair. Na ciência, se você analisar seus dados da maneira errada porque entendeu mal o delineamento, suas conclusções podem estar completamente erradas, levando a conselhos médicos ruins ou pesquisa desperdiçada.
Este artigo, escrito por Damianos Michaelides e Simon T. Bate, é como um novo manual de instruções que finalmente organiza a confusão. Os autores notaram que as pessoas estavam misturando diferentes tipos de experimentos onde os sujeitos são medidos mais de uma vez, e isso estava causando erros na forma como os dados eram analisados. Eles propõem um framework claro para classificar esses delineamentos baseando-se em três perguntas simples: Quem é o personagem principal (a unidade experimental)? Estamos verificando esse personagem repetidamente? E, o mais importante, como decidimos quem recebe qual tratamento (a estratégia de randomização)?
Em vez de apenas listar regras, os autores introduzem uma ferramenta visual chamada "diagrama de Hasse". Imagine uma árvore genealógica, mas em vez de mostrar quem é parente de quem, ela mostra como diferentes partes de um experimento estão conectadas e como os tratamentos foram atribuídos. Ao desenhar esses diagramódas, os autores mostram que o que parece ser um amontoado bagunçado de medidas repetidas pode, na verdade, ser organizado em seis categorias distintas: medidas repetidas padrão, delineamentos intra-sujeito, delineamentos em blocos, delineamentos de parcelas subdivididas (split-plot), delineamentos cruzados (cross-over) e delineamentos aninhados.
O artigo argumenta que você não pode simplesmente aplicar um rótulo genérico de "medidas repetidas" a qualquer experimento onde alguém é medido duas vezes. Por exemplo, se um cachorro recebe uma pílula todos os dias em uma ordem específica que não pode ser alterada, isso é um delineamento "intra-sujeito" onde a ordem importa. Mas se um humano recebe uma pílula, e então a ordem das pílulas é embaralhada aleatoriamente para cada pessoa, isso é um delineamento de "bloco". Os autores mostram que tratar esses dois cenários diferentes como a mesma coisa é um erro. Eles demonstram que, ao identificar corretamente em qual das seis categorias seu experimento se encaixa, você pode construir o modelo matemático correto para analisar os dados.
O artigo não afirma ter descoberto um novo tipo de medicamento ou uma nova lei da física. Em vez disso, ele oferece uma maneira melhor de organizar as ferramentas que os cientistas já utilizam. Eles sugerem que, ao usar essas características específicas e os diagramas de Hasse visuais, os pesquisadores podem evitar a armadilha de usar métodos estatísticos errados. Os autores demonstram, através de vários exemplos — desde ensaios clínicos com humanos até estudos com coelhos e cães — que quando você acerta a classificação, você obtém a resposta correta. Eles não dizem que isso resolve todos os problemas da ciência, mas sugerem que isso esclarece muita da confusão que leva a resultados enganosos. Em suma, eles estão entregando aos pesquisadores um mapa melhor para que não se percam na floresta de seus próprios dados.
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.