The Biomarker Interaction Trap: A Causal Audit of Spurious Discoveries in NHANES

No vasto cenário da medicina moderna, os pesquisadores frequentemente recorrem a arquivos digitais massivos de registros de pacientes para encontrar padrões ocultos que possam prever doenças. Esses bancos de dados, preenchidos com milhares de medições de testes de sangue e exames físicos, atuam como um mapa gigante onde os cientistas esperam detectar novas conexões entre marcadores biológicos e resultados de saúde. A lógica é direta: se dois números específicos em um exame de sangue sobem e descem consistentemente juntos em pessoas com uma certa doença, essa relação pode revelar uma nova causa da doença ou uma forma de tratá-la. Quando um padrão aparece em um grupo de pessoas e depois surge novamente em um grupo completamente diferente, os cientistas geralmente o celebram como uma descoberta confirmada. No entanto, essa confiança pode ser equivocada. O fato de um padrão se repetir não significa que ele seja real; pode ser simplesmente um reflexo de como os dados foram coletados ou de quem foi incluído no estudo. Se o mesmo fator oculto influencia tanto as medições quanto a doença da mesma maneira em diferentes grupos, o padrão parecerá idêntico e convincente, mesmo que não tenha nada a ver com a biologia.

Este é o enigma central que James Brody buscou resolver em uma auditoria recente do National Health and Nutrition Examination Survey, um estudo contínuo e massivo sobre a população americana. Brody examinou três interações específicas entre marcadores sanguíneos que haviam sido identificadas como fortes preditores de risco de doenças. Essas interações haviam passado no teste de replicação, aparecendo em múltiplos grupos independentes de pessoas, mas Brody demonstrou que cada uma delas era uma ilusão estatística, e não um sinal biológico genuíno. Ele mostrou que essas "descobertas" eram, na verdade, o resultado de três armadilhas metodológicas distintas: uma causada pela forma como os níveis de fluidos do corpo mudam antes de uma coleta de sangue, outra causada pela maneira como os médicos decidem quem recebe medicação, e uma terceira causada pelo modo como as médias populacionais falham em considerar as diferenças entre homens e mulheres. Ao desvendar as camadas desses artefatos, o estudo revela que o que parecia ser uma complexa dança biológica era, na verdade, uma simples miragem criada pelos próprios dados.

A primeira armadilha envolve a forma como a concentração sanguínea muda quando uma pessoa está desidratada ou tem ficado de pé por muito tempo. O sangue é composto majoritariamente por água, e as proteínas e gorduras que flutuam nele estão dissolvidas nessa água. Quando o volume de água no sangue diminui ligeiramente — talvez porque a pessoa esteja com sede ou porque um torniquete foi deixado em seu braço por tempo demais durante a coleta de sangue — o líquido restante torna-se mais concentrado. Isso faz com que os níveis medidos de grandes moléculas, como albumina e colesterol, aumentem juntos, não porque o corpo esteja produzindo mais delas, mas porque há menos água para diluí-las. No estudo, os pesquisadores encontraram uma forte ligação entre albumina alta e colesterol alto que parecia prever a hipertensão não controlada. No entanto, quando ajustaram a análise para considerar o estado de hidratação usando marcadores simples, como os níveis de sódio, a ligação desapareceu completamente. A aparente interação não era um sinal de doença; era um artefato de medição causado pelo estado físico da amostra de sangue. Agir com base nesse sinal falso poderia ser perigoso, potencialmente levando médicos a prescreverem diuréticos para um paciente que já está desidratado, agravando sua condição.

A segunda armadilha surge da forma como os médicos prescrevem medicamentos, um fenômeno conhecido como confusão por indicação (confounding by indication). No mundo real, os médicos não dão remédios para todos; eles os dão aos pacientes mais doentes que mais precisam deles. Isso cria uma situação em que o grupo de pessoas que toma um medicamento específico parece muito diferente do grupo que não o toma, simplesmente porque o medicamento foi escolhido para seus problemas de saúde específicos. No estudo, uma análise de pacientes que tomavam estatinas (medicamentos para o colesterol) sugeriu que uma combinação de hemoglobina baixa e creatinina alta previa a falha no controle do açúcar no sangue. Isso parecia um efeito colateral perigoso do medicamento. No entanto, quando os pesquisadores observaram pacientes que não tomavam estatinas, mas apresentavam os mesmos níveis de hemoglobina baixa e creatinina alta, encontraram exatamente o mesmo padrão de controle deficiente do açúcar no sangue. A ligação não era causada pelo medicamento de forma alguma. Em vez disso, esses marcadores eram sinais de doença renal avançada, uma condição comum no diabetes grave e que frequentemente leva à prescrição de estatinas. O medicamento era apenas um passageiro na jornada de uma doença grave, e o padrão estatístico refletia a gravidade da enfermidade, não o efeito do tratamento.

A terceira armadilha ocorre quando os pesquisadores aplicam um único conjunto de regras para medir marcadores biológicos que naturalmente diferem entre homens e mulheres. Muitas substâncias no sangue, como o ácido úrico e a hemoglobina, possuem faixas normais diferentes para homens e mulheres devido a diferenças hormonais. Quando um estudo utiliza um único ponto de corte para toda a população, ele inadvertidamente separa as pessoas em grupos baseados no sexo, em vez de sua saúde. Por exemplo, um nível "baixo" de ácido úrico pode ser normal para uma mulher, mas muito baixo para um homem, enquanto um nível "alto" de hemoglobina pode ser normal para um homem, mas muito alto para uma mulher. No estudo, uma análise sugeriu que ter ácido úrico baixo ou hemoglobina alta era protetor contra o diabetes, mas ter ambas as anomalias simultaneamente era arriscado. Esse estranho padrão desapareceu quando os pesquisadores levaram em conta a idade e o sexo. Os grupos que pareciam "protegidos" eram simplesmente homens ou mulheres mais jovens, que naturalmente apresentam taxas menores de diabetes. A interação não foi uma descoberta biológica, mas um erro de classificação demográfica, onde os dados estavam agrupando as pessoas por idade e gênero, em vez de por sua saúde metabólica.

As implicações dessas descobertas estendem-se muito além desses três exemplos específicos. O estudo argumenta que a prática padrão de encontrar um padrão em um grupo e confirmá-lo em outro não é suficiente para provar uma verdade biológica se a causa subjacente do padrão for um erro sistemático que existe em ambos os grupos. Quer o erro venha de como o sangue é coletado, de como os pacientes são selecionados para o tratamento ou de como as faixas de referência são aplicadas, o resultado é o mesmo: uma história convincente, porém falsa, sobre a doença. Para evitar essas armadilhas, o autor propõe um checklist simples para pesquisadores. Antes de declarar uma nova interação, eles devem ajustar para idade e sexo, verificar sinais de desidratação e testar se o padrão se mantém em pessoas que não estão tomando o medicamento em questão. Se o padrão desaparecer após essas verificações, ele nunca foi um sinal biológico real para começar. Essa abordagem não descarta o valor dos grandes conjuntos de dados, mas insiste que a busca pela verdade exige mais do que apenas encontrar um número repetitivo; exige compreender o contexto no qual esse número foi medido.