Early Cardiac Testing after Emergency-Department ECG: An Observational Target-Trial Emulation

Em salas de emergência ao redor do mundo, os médicos enfrentam um quebra-cabeça constante e de alto risco: determinar quais pacientes com dor no peito estão tendo um ataque cardíaco e quais não estão. Para resolver isso, eles dependem de ferramentas como eletrocardiogramas, que registram a atividade elétrica do coração, e exames de sangue que detectam proteínas específicas liberadas quando o músculo cardíaco é danificado. Com base nessas pistas iniciais, os clínicos decidem se o paciente precisa de testes adicionais e mais invasivos, como um teste de esforço ou um procedimento de cateterismo para olhar o interior das artérias. Esse processo de tomada de decisão não é aleatório; os médicos naturalmente escolhem testar pacientes que parecem mais doentes ou em estado mais perigoso. Isso cria uma situação complicada para pesquisadores que tentam entender o verdadeiro valor desses testes. Se você simplesmente comparar os resultados de saúde dos pacientes que foram testados contra aqueles que não foram, os resultados serão enganosos. O grupo testado parecerá estar em pior estado, não porque os testes os prejudicaram, mas porque já eram as pessoas mais doentes da sala para começar. Esse fenômeno, onde a razão para um tratamento é confundida com o próprio tratamento, torna extremamente difícil dizer se uma intervenção médica está realmente ajudando ou prejudicando.

Para cortar essa confusão, um pesquisador chamado Bjørn-Jostein Singstad conduziu um estudo que reimaginou como olhamos para dados médicos do mundo real. Em vez de tentar provar que o teste cardíaco causa melhores ou piores resultados, o estudo fez uma pergunta mais específica: se pudéssemos magicamente comparar pacientes que receberam testes dentro de dez dias de uma visita à emergência contra aqueles que não receberam, enquanto contabilizássemos cuidadosamente o quão doentes eles estavam no início, qual seria a diferença em sua saúde? O pesquisador utilizou um método chamado emulação de ensaio-alvo (target-trial emulation), que é uma forma de desenhar um estudo observacional para imitar a estrutura de um experimento randomizado perfeito. Ao vincular dados de mais de 71.000 visitas a salas de emergência em um grande hospital entre 2010 e 2015, o estudo focou em 51.158 atendimentos onde os pacientes tinham tanto um eletrocardiograma quanto registros médicos vinculados. O objetivo era medir o risco de um desfecho ruim — definido como um teste de proteína cardíaca positivo ou morte dentro de trinta dias — comparando aqueles que passaram por testes de esforço ou cateterismos dentro de dez dias contra aqueles que não passaram.

O olhar inicial sobre os dados mostrou uma diferença nítida e esperada. Pacientes que receberam testes cardíacos tiveram uma taxa muito maior de desfechos ruins, com quase 29% apresentando um teste positivo ou morte, em comparação com apenas 7% daqueles que não foram testados. Essa lacuna de 22 pontos percentuais é exatamente o que se esperaria quando pacientes mais doentes são selecionados para testes. No entanto, o estudo foi muito além dessa comparação superficial. Usando técnicas estatísticas avançadas que atuam como um filtro sofisticado, o pesquisador ajustou dezenas de fatores, incluindo idade, gênero, raça e os padrões específicos observados nos eletrocardiogramas iniciais dos pacientes. Esses ajustes foram projetados para nivelar o campo de jogo, criando uma comparação justa entre os dois grupos, como se tivessem começado com o mesmo nível de risco.

Após aplicar esses ajustes, a enorme lacuna nos desfechos diminuiu drasticamente. A diferença de risco caiu de 22 pontos percentuais para cerca de 6 pontos percentuais. Isso significa que, mesmo após considerar o fato de que os pacientes testados estavam mais doentes, ainda havia uma pequena diferença positiva de risco favorecendo o grupo não testado, sugerindo que a estratégia de teste em si pode estar associada a desfechos ligeiramente piores. No entanto, o estudo não parou por aí, pois o pesquisador sabia que a forma como os dados estavam organizados ainda poderia esconder problemas ocultos. Um grande problema é algo chamado viés de tempo imortal (immortal time bias), que ocorre quando a definição de um grupo exige que o paciente sobreviva tempo suficiente para ser classificado nele. Neste estudo, um paciente precisava permanecer no hospital ou sobreviver por até dez dias para ser contado como "testado". Se um paciente morresse no segundo dia, ele não poderia estar no grupo testado, tornando o grupo testado artificialmente mais saudável nos primeiros dias.

Para testar o quanto esse problema de tempo importava, o pesquisador mudou as regras do jogo. Quando a janela para definir o "teste" foi encurtada de dez dias para apenas um dia, a diferença estimada de risco colapsou quase totalmente para zero. Isso sugere que a pequena diferença de risco vista na janela de dez dias pode não ser um efeito real do teste, mas sim um artefato de como os grupos foram definidos ao longo do tempo. Além disso, o estudo examinou uma informação específica: se o paciente havia sido diagnosticado com um ataque cardíaco no mesmo dia de sua visita. Esse diagnóstico apareceu em 43% dos pacientes testados, mas em zero por cento dos não testados. Quando o pesquisador removeu essa informação específica da análise, a diferença de risco estimada quase dobrou, saltando de cerca de 6 pontos percentuais para 11 pontos percentuais. Essa descoberta destaca o quão frágeis podem ser os resultados ao lidar com dados onde o tempo de um diagnóstico e a decisão de testar estão tão intimamente interligados.

O estudo também calculou um valor para medir o quão forte um fator não medido precisaria ser para explicar completamente os resultados. O número foi de 2,66, o que implica que, se houvesse um fator oculto, como a gravidade dos sintomas de um paciente que os médicos não conseguiram registrar, que fosse mais do que duas vezes mais propenso a causar tanto o teste quanto desfechos ruins, ele poderia apagar a pequena diferença encontrada na análise. Dado que os médicos tomam decisões de teste baseadas em pistas clínicas sutis que muitas vezes não são capturadas em bancos de dados, tal fator oculto é inteiramente plausível. O pesquisador concluiu que, embora os métodos estatísticos tenham reduzido o viés óbvio causado pela seleção de pacientes mais doentes para testes, eles não puderam eliminar a incerteza causada pela falta de informações e pela complexa cronologia das decisões médicas do mundo real.

Em última análise, este trabalho serve como uma demonstração poderosa dos limites dos dados observacionais. Mostra que, mesmo com as ferramentas matemáticas mais sofisticadas e os melhores registros disponíveis, não podemos replicar totalmente a certeza de um experimento controlado quando os dados vêm da realidade caótica da medicina de emergência. O estudo não provou que o teste cardíaco é prejudicial, nem provou que é inútil. Em vez disso, revelou que as pequenas diferenças vistas nos dados são altamente sensíveis a como a pergunta é feita e quais peças de informação são incluídas. A lição é de cautela: embora os métodos modernos possam nos ajudar a enxergar através da névoa do confundimento, eles não podem dissipar as sombras do julgamento clínico não registrado ou da intrincada cronologia das decisões de vida ou morte. Os resultados sugerem que a ligação aparente entre o teste e os desfechos desfavoráveis é provavelmente um reflexo da gravidade subjacente do paciente e das complexidades dos dados, e não uma simples relação de causa e efeito que possa ser facilmente corrigida pelo ajuste de alguns números.