Distortion in Risk Estimation Driven by Study Period Adjustment and Young-Age Event Sparsity: A Critical Evaluation of Secondary Analyses on the Nagoya City HPV Vaccination Survey

No mundo da saúde pública, pesquisadores frequentemente buscam padrões em grandes grupos de pessoas para entender se um tratamento médico causa danos ou proporciona benefícios. Um desafio central nesse trabalho é separar os efeitos de um tratamento das mudanças naturais que ocorrem conforme as pessoas envelhecem. Por exemplo, se um estudo acompanha adolescentes ao longo de vários anos, os tipos de problemas de saúde que eles experimentam mudarão naturalmente à medida que passam da infância para a adolescência. Para obter uma imagem precisa da segurança de uma vacina, os cientistas devem ajustar cuidadosamente seus cálculos para considerar essas mudanças relacionadas à idade, garantindo que um sintoma que aparece em um adolescente não seja erroneamente culpado por uma aplicação feita anos antes, nem que um efeito colateral real seja ocultado pelo ruído das dores de crescimento normais. Quando esses ajustes são feitos corretamente, os dados revelam a verdadeira relação entre uma vacina e um desfecho de saúde. Quando são feitos incorretamente, no entanto, os números podem contar uma história completamente diferente e potencialmente enganosa.

Uma avaliação recente de Sadao Suzuki, professor emérito da Universidade de Nagoya, examina criticamente um método estatístico específico usado para analisar dados de um grande levantamento sobre a vacina contra o papilomavírus humano (HPV) na cidade de Nagoya. O levantamento original, realizado em 2015, acompanhou 24 sintomas diferentes em jovens para ver se a vacina aumentava o risco de desenvolvê-los. Embora a análise original não tenha encontrado evidências de que a vacina causasse esses sintomas, um estudo posterior dos pesquisadores Yaju e Tsubaki contestou essas descobertas. Eles propuseram uma nova forma de observar os dados que envolvia um ajuste específico para o "período de estudo", que é o tempo decorrido entre quando uma pessoa recebeu sua primeira dose da vacina e quando o levantamento foi realizado. O artigo de Suzuki argumenta que esse novo método contém uma falha matemática fundamental que distorce os resultados, criando a ilusão de perigo onde não existe.

O cerne do problema reside em como os pesquisadores lidaram com o tempo dos sintomas. No levantamento original, algumas pessoas relataram sintomas que começaram antes mesmo de receberem a vacina. O estudo posterior decidiu remover esses casos precoces do grupo vacinado, raciocinando que um sintoma iniciado antes da aplicação não poderia ser causado por ela. Suzuki aponta que, embora isso pareça lógico superficialmente, a maneira como foi combinado com o ajuste do "período de estudo" criou uma armadilha oculta. O método tratou os grupos vacinados e não vacinados de forma diferente. Para o grupo vacinado, a janela de observação começou apenas após a primeira dose. Para o grupo não vacinado, a janela começou aos doze anos de idade, independentemente de quando o levantamento ocorreu. Isso criou um campo de jogo desigual, onde o grupo não vacinado foi observado por um período mais longo de sua juventude inicial do que o grupo vacinado.

Esse desequilíbrio estrutural tornou-se crítico devido a um fenômeno natural conhecido como "escassez de eventos em idades precoces" (young-age event sparsity). Muitos dos sintomas monitorados no levantamento são raros em crianças muito pequenas, mas tornam-se mais comuns à medida que os adolescentes envelhecem. Como o grupo não vacinado foi observado a partir dos doze anos, seus dados incluíram uma proporção maior desses eventos raros do início da vida, simplesmente devido à janela de observação mais longa. O grupo vacinado, cujo relógio começou mais tarde, perdeu muitas dessas ocorrências precoces. Quando o modelo estatístico tentou comparar os dois grupos, interpretou essa diferença de tempo como uma diferença de risco. O resultado foi um artefato matemático que inflou artificialmente os números de risco para sintomas que são raros em crianças pequenas, fazendo parecer que a vacina os estava causando, quando, na realidade, o cálculo estava apenas contando os mesmos eventos de maneira diferente.

A análise de Suzuki decompõe o estudo posterior em três modelos diferentes para mostrar como o erro se acumula. O primeiro modelo, que simplesmente removeu os sintomas precoces, já mostrava um viés, mas os números ainda mantinham alguma semelhança com os achados originais. O segundo modelo introduziu o ajuste do "período de estudo", o que fez com que a correlação com os dados originais e confiáveis caísse drasticamente. Nesta fase, o método começou a superestimar sistematicamente os riscos para os sintomas raros do início da vida, enquanto subestimava os riscos para os comuns. O modelo final adicionou um termo de interação complexo que assumia que o risco mudava de forma constante ao longo do tempo. Este passo forçou os resultados matemáticos a atingirem o pico justamente no início do período de estudo, um ponto onde os dados eram extremamente escassos e pouco confiáveis. Nesta versão final, o risco para um sintoma específico, que o estudo original considerou ser menor em pessoas vacinadas, foi calculado como sendo mais de seis vezes maior.

O artigo conclui que essas mudanças dramáticas não são descobertas de novos riscos, mas o resultado inevitável de uma ferramenta matemática quebrada. O autor do estudo posterior concentrou sua discussão nos poucos sintomas onde seu novo método mostrou um alto risco, ignorando o fato de que o mesmo método produziu resultados impossíveis para outros sintomas, como sugerir que a vacina poderia proteger contra uma enfermidade comum. Ao selecionar apenas os resultados que apoiavam sua hipótese e ignorar as contradições, o estudo posterior apresentou uma visão distorcida dos dados. A avaliação confirma que as descobertas do levantamento original permanecem válidas e que a análise alternativa baseia-se em um viés estrutural que distorce a verdade. A lição aqui é que, na epidemiologia, a maneira como você mede o tempo e define seus grupos é tão importante quanto os próprios dados; se a ferramenta de medição é falha, a imagem que ela pinta será falsa, não importa quão sofisticada a matemática pareça ser.