Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA

No estudo da saúde pública, os pesquisadores há muito buscam compreender por que alguns grupos de pessoas são mais saudáveis do que outros. Tradicionalmente, isso tem sido feito observando as médias: calculando a saúde média de uma cidade, de um bairro ou de um grupo demográfico específico. No entanto, as médias podem esconder a verdade. Assim como a profundidade média de um rio pode sugerir que é seguro caminhar nele, enquanto esconde um buraco profundo e perigoso no centro, uma estatística de saúde média pode mascarar as lutas severas de grupos menores e específicos que vivem na mesma área. Para ver o quadro completo da desigualdade, os cientistas precisam olhar além da média e examinar como o próprio ambiente molda a vida dos indivíduos. Isso envolve entender não apenas quem está doente, mas como os lugares onde vivem e suas posições sociais interagem para criar padrões de saúde. O desafio reside em medir esses padrões com precisidade sem suavizar as próprias diferenças que precisam ser vistas.

Uma equipe de pesquisadores na Suécia desenvolveu uma nova maneira de mapear essas desigualdades de saúde que se recusa a esconder os detalhes. Eles focaram em dois resultados de saúde muito diferentes na cidade de Malmö: o uso de medicação para condições de saúde mental e a escolha de consultar um médico particular em vez de um médico público. Ao analisar dados de mais de 43.000 pessoas, eles compararam um método novo e direto de contagem contra os modelos estatísticos mais complexos que são o padrão atual na área. O trabalho deles revela que, embora os modelos padrão concordem de perto sobre medidas de resumo amplas, eles podem suavizar as arestas mais afiadas da desigualdade para grupos pequenos específicos, fazendo-os parecer menos distintos do que realmente são. Os pesquisadores descobriram que uma contagem simples e direta do que está realmente acontecendo nos dados fornece um quadro mais claro e honesto das disparidades de saúde do que os modelos complexos que tentam prever o que deveria estar acontecendo.

Os pesquisadores começaram dividindo a população de Malmö em 300 grupos distintos. Cada grupo foi definido por uma combinação de onde a pessoa vivia e suas características sociais, como idade, sexo e nível de renda. Isso criou um mosaico detalhado da cidade, onde cada bairro continha doze perfis sociais diferentes. Eles então observaram dois comportamentos de saúde específicos. O primeiro foi o uso de medicação psicotrópica, que é prescrita para questões de saúde mental. O segundo foi a escolha de consultar um clínico geral particular em vez de um público. Esses dois resultados foram escolhidos porque representam extremos opostos do espectro: um é impulsionado quase inteiramente por circunstâncias pessoais, como renda e idade, enquanto o outro é fortemente influenciado pela geografia e pelo lugar onde se vive.

Quando os pesquisadores aplicaram seu novo método, que chamam de Simple-Means MAIHDA, eles simplesmente contaram o número de pessoas em cada um dos 300 grupos que usavam a medicação ou escolhiam um médico particular. Eles não tentaram ajustar esses números com base em suposições estatísticas ou fórmulas matemáticas. Em vez disso, relataram exatamente o que os dados mostravam, incluindo a incerteza que acompanha grupos menores. Para o uso de medicação de saúde mental, os resultados mostraram um padrão claro impulsionado por dinheiro e idade. Pessoas com rendas mais baixas eram significativamente mais propensas a usar essas medicações do que aquelas com rendas mais altas, independentemente do bairro onde viviam. As diferenças entre bairros ricos e pobres eram muito pequenas, e o ambiente em si desempenhava quase nenhum papel na formação desses resultados de saúde; a desigualdade era puramente uma questão de posição social individual.

Em forte contraste, a escolha de consultar um médico particular foi moldada poderosamente pela geografia, mas não substituindo a renda pessoal. Os pesquisadores descobriram que indivíduos de alta renda eram consistentemente mais propensos a escolher médicos particulares do que indivíduos de baixa renda em todas as áreas. No entanto, a geografia atuou como um poderoso amplificador: a lacuna entre residentes ricos e pobres era significativamente maior em bairros ricos do que em bairros pobres. O ambiente não apenas deslocou os números gerais; ele de fato mudou a forma da desigualdade. Em áreas ricas, a diferença entre residentes ricos e pobres era ainda mais ampla do que em áreas pobres. A geografia em si amplificou a divisão social, tornando a escolha do provedor de saúde uma história tanto de status pessoal quanto de localização.

O artigo argumenta que os modelos estatísticos padrão usados pela maioria dos pesquisadores, conhecidos como modelos de Efeitos Aleatórios (Random-Effects), falham em capturar essas realidades nítidas para grupos específicos, embora concordem sobre o quadro geral. Esses modelos funcionam "encolhendo" as estimativas de grupos pequenos em direção à média geral. A lógica é que, se um grupo é pequeno, seus dados podem não ser confiáveis, portanto, é mais seguro assumir que ele está mais próximo da média da cidade. Os pesquisadores demonstram que esse processo atua como um filtro que embaça as arestas do mapa. Para a medicação de saúde mental, o modelo padrão não alterou significadamente o achado de que a geografia era negligenciável, pois o efeito geográfico já estava ausente. No entanto, para a escolha do médico particular, o modelo padrão puxou os valores extremos dos bairros ricos e pobres para mais perto uns dos outros, fazendo a divisão geográfica parecer menos severa do que realmente era para estratos específicos.

Os pesquisadores enfatizam que esse "encolhimento" não é apenas uma peculiaridade matemática; tem consequências reais para como entendemos a desigualdade. Quando um modelo suaviza os dados, pode fazer com que um grupo pequeno e marginalizado pareça ter um risco de saúde mais próximo da média, quando, na realidade, eles podem estar enfrentando uma situação muito mais severa. Ao relatar os números brutos observados, o novo método preserva a verdadeira magnitude dessas desigualdades. Ele mostra que, para alguns problemas de saúde, o lugar onde você vive é uma força poderosa que remodela suas chances de vida, enquanto para outros, suas circunstâncias pessoais são o fator dominante. O estudo não afirma que os modelos complexos são inúteis; eles são bons para fazer previsões quando os dados são escassos. Mas para descrever a realidade da desigualdade de saúde como ela existe agora, os pesquisadores argumentam que a abordagem mais simples — contar o que está lá — é a mais honesta.

O estudo conclui que, para compreender e abordar verdadeiramente as disparidades de saúde, cientistas e formuladores de políticas devem olhar para os dados sem suavizá-los. O novo método fornece uma ferramenta para fazer isso, permitindo que pesquisadores vejam exatamente quanto de uma desigualdade se deve ao lugar onde as pessoas vivem e quanto se deve a quem elas são. No caso de Malmö, os dados revelaram que, enquanto as lutas de saúde mental são em grande parte uma história de pobreza individual, a escolha do provedor de saúde é uma história de geografia e segregação que amplifica as diferenças sociais. Ao recusar-se a esconder as pequenas e nítidas diferenças nos dados, os pesquisadores oferecem um caminho mais claro para compreender a verdadeira estrutura da saúde na sociedade. O trabalho sugere que, se quisermos corrigir as desigualdades de saúde, devemos primeiro vê-las exatamente como elas são, não como um modelo estatístico pensa que elas deveriam ser.