Desenho de Estudo de Caso-Controle
- Proposto por
- Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
- Ano
- 1950s-1970s
- Tipo
- Research Design
- Família
- observational design
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Um estudo de caso-controle identifica indivíduos com uma doença ou desfecho (casos) e um grupo de comparação sem o desfecho (controles), e então mede a exposição prévia retrospectivamente.
Desenvolvidos nas décadas de 1950-1970 por epidemiologistas como Schlesselman e MacMahon, os estudos de caso-controle são especialmente eficientes para doenças raras, pois amostram casos enriquecidos para o desfecho, evitando a necessidade de coortes enormes. São um pilar da epidemiologia clínica, pesquisa observacional e investigações de surtos.
A intuição por trás do método
Estudos de caso-controle trabalham de trás para frente: começam com pessoas que têm a doença, e então perguntam 'A que você foi exposto antes de ficar doente?' Comparam com controles que não têm a doença. Se os casos são muito mais propensos a relatar uma exposição passada do que os controles, a exposição é provavelmente um fator de risco. A estatística chave é a Razão de Chances (Odds Ratio - OR), que pode ser calculada a partir da amostra de caso-controle isoladamente. Os principais desafios são o viés de recordação (casos podem lembrar de exposições de forma diferente dos controles) e o viés de seleção (como você escolhe os controles afeta seus resultados). Para doenças raras, caso-controle é muito mais eficiente do que coorte: você recruta 100 casos e 100 controles em vez de 100.000 pessoas sem a doença acompanhadas por anos.
História
A metodologia de caso-controle surgiu na década de 1950, quando epidemiologistas buscaram estudar doenças raras de forma eficiente. A monografia de Jerome Schlesselman (1982) formalizou a base estatística. Desenhos de caso-controle provaram ser decisivos no estabelecimento de elos causais: o estudo clássico de caso-controle da talidomida e defeitos congênitos (década de 1960) e do tabagismo e câncer de pulmão (Doll & Hill) exemplificam o poder do desenho para detectar exposições rapidamente. Estudos de caso-controle aninhados (selecionando controles de dentro de uma coorte) e desenhos de caso-controle pareados evoluíram para aumentar a precisão. Hoje, estudos de caso-controle permanecem fundamentais na epidemiologia, particularmente para investigar surtos, riscos ocupacionais e eventos adversos raros.
Quando usar
Usar estudos de caso-controle quando: (1) a doença ou desfecho é raro (ex., cânceres raros, defeitos congênitos), tornando estudos de coorte proibitivamente caros, (2) existe um longo período de latência entre exposição e desfecho (anos a décadas), (3) estudar múltiplas exposições para um único desfecho, (4) conduzir investigações de surtos ou epidemias (comparando expostos vs. não expostos), (5) gerar hipóteses a partir de dados existentes (registros médicos, registros de doenças), (6) recursos são limitados (caso-controle é mais barato e rápido que coorte), (7) estudar exposições passadas onde o acompanhamento é impossível.
Limitações e considerações
- Viés de recordação: casos, tendo experimentado o desfecho, podem lembrar de exposições passadas de forma diferente dos controles. Se casos exageram ou minimizam o relato da exposição, o OR é enviesado.
- Viés de seleção: como os controles são escolhidos afeta criticamente o OR. Controles devem vir da mesma população fonte que gerou os casos; usar controles hospitalizados quando os casos são derivados da comunidade introduz viés.
- Ambiguidade temporal: a medição retrospectiva da exposição pode obscurecer a causalidade. A exposição precedeu o desfecho, ou o desfecho influenciou a recordação da exposição?
- Não é possível calcular incidência: amostras de caso-controle são enriquecidas para o desfecho, portanto, não é possível estimar diretamente a incidência da doença ou o risco absoluto. O OR é a única medida de associação estimável.
- Classificação incorreta da exposição: a avaliação retrospectiva da exposição (especialmente para exposições distantes) é propensa a erros, enviesando o OR em direção ao nulo.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Eficiência para desfechos raros: a amostragem enriquecida para o desfecho torna o caso-controle muito mais eficiente do que estudos de coorte para doenças raras. Um estudo de câncer raro pode recrutar 300 casos e 300 controles em vez de 100.000 pessoas acompanhadas por anos.
- Rapidez e custo: a coleta de dados retrospectiva é mais rápida e barata do que o acompanhamento prospectivo.
- Múltiplas exposições: um único estudo de caso-controle pode examinar muitas exposições simultaneamente, identificando novos fatores de risco.
- Registros de doenças estabelecidos: muitas doenças têm registros (câncer, defeitos congênitos), fornecendo acesso rápido a casos bem caracterizados.
- Latência: caso-controle lida naturalmente com longos períodos de indução-latência entre exposição e diagnóstico do desfecho.
Aplicações
- Investigação de surtos: durante um surto de doença de origem alimentar, identificar casos (pessoas doentes) e controles (aqueles expostos, mas não doentes), comparar os alimentos consumidos e identificar a fonte.
- Epidemiologia de defeitos congênitos: recrutar bebês com anomalias congênitas como casos, selecionar controles baseados na população, perguntar às mães sobre uso de medicamentos, infecções ou exposições durante a gravidez.
- Saúde ocupacional: trabalhadores com mesotelioma (desfecho raro) são casos; controles são trabalhadores sem doença relacionada ao amianto; avaliar retrospectivamente a exposição ao amianto a partir de registros de emprego.
- Efeitos adversos de medicamentos: pacientes hospitalizados com insuficiência hepática (casos) são comparados a controles hospitalizados (sem insuficiência hepática); histórico de medicação é revisado para identificar drogas hepatotóxicas.
- Etiologia do câncer: pacientes com câncer recém-diagnosticado (casos) são pareados por frequência a controles sem câncer por idade/sexo; históricos dietético, de tabagismo e reprodutivo são coletados para identificar fatores de risco.
Como funciona
Como funciona
Definir casos: indivíduos com o desfecho de interesse (ex., diabetes, infarto do miocárdio, anomalia congênita). Casos podem ser recém-diagnosticados (incidentes) ou todas as pessoas com a doença em um período definido (prevalentes). Definir casos claramente: critérios diagnósticos, data do diagnóstico, status da doença confirmado por registros médicos. Selecionar controles da população fonte que gerou os casos — controles representam a distribuição de exposição na população que produziu os casos. Controles devem estar livres da doença (pelo menos para o desfecho específico). Pareamento (Matching): controles podem ser pareados 1:1 ou 1:k a casos por idade, sexo, raça ou outros confundidores; o pareamento melhora o poder, mas requer ajuste estatístico (McNemar para pares pareados). Alternativamente, usar controles não pareados e ajustar para confundidores em regressão. Medir exposição prévia a partir de registros médicos, entrevistas, questionários ou espécimes armazenados em biobancos. Para exposição histórica (passado distante), usar registros médicos ou históricos ocupacionais; para exposição recente, entrevistas são viáveis.
Fórmula
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
Construir uma tabela de contingência 2×2: linhas = status de exposição (sim/não), colunas = status de caso/controle. Calcular Razão de Chances (Odds Ratio - OR): OR = (a × d) / (b × c), onde a = casos expostos, b = casos não expostos, c = controles expostos, d = controles não expostos. Calcular IC de 95% usando escala logarítmica. Para dados pareados (n pares pareados), usar o teste de McNemar: χ² = ((b − c)²) / (b + c), que testa se os pares discordantes são balanceados. Para dados não pareados, usar regressão logística para ajustar para confundidores e calcular OR ajustado. Relatar OR ajustado com IC e valor p. Verificar interação entre exposição e confundidores.
Fórmula
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
OR = 1: nenhuma associação entre exposição e desfecho. OR > 1: exposição associada ao aumento das chances de ter o desfecho (fator de risco). OR < 1: exposição associada à diminuição das chances (fator protetor). Por exemplo, OR = 3 significa que as chances de exposição entre casos são 3 vezes as chances entre controles. Quando a doença é rara (prevalência <10%), OR aproxima o Risco Relativo (RR). Quando a doença é comum, OR superestima o efeito. Intervalos de confiança excluindo 1.0 sugerem significância estatística. Causalidade requer mais do que associação estatística: considerar força (OR >2–3), consistência entre estudos, dose-resposta, plausibilidade temporal e mecanismo biológico. Avaliar explicações alternativas: viés de seleção, viés de recordação ou confundimento não medido podem explicar a associação observada?
Fórmula
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.
Erros comuns
- Seleção inadequada de controles: controles selecionados de pacientes hospitalizados (quando os casos são casos da comunidade) ou controles com uma doença relacionada incorrem em viés de seleção. Controles devem estar livres da doença e ser representativos da população fonte.
- Ignorar o pareamento na análise: se casos e controles são pareados por idade/sexo, a regressão logística padrão é inadequada; usar regressão logística condicional ou teste de McNemar para análise pareada.
- Viés de recordação diferencial: casos podem recordar exposições mais detalhadamente ou distorcê-las mais do que os controles. Minimizar usando registros objetivos (ex., prontuários médicos, registros de emprego) em vez de pesquisas de recordação.
- Seleção de controles post-hoc: ajustar a seleção de controles após ver os dados (ex., selecionar controles adicionais para balancear uma covariável específica) introduz viés. Definir critérios de controle a priori.
- Viés prevalência-incidência: se casos prevalentes (todos os casos de doença na população) em vez de casos incidentes (recém-diagnosticados) são recrutados, sobreviventes de doenças graves podem ser enriquecidos, distorcendo o OR.
Perguntas frequentes
Quando a Razão de Chances (Odds Ratio) é uma boa aproximação para o Risco Relativo?
A Razão de Chances (OR) aproxima o Risco Relativo (RR) quando a doença é rara na população (tipicamente <10% de prevalência). Em baixa prevalência, as chances de doença ≈ risco de doença, então OR ≈ RR. Quando a prevalência é >10%, o OR superestima o efeito em relação ao RR. Por exemplo, se RR = 2, o OR pode ser 2,5 ou maior em prevalência mais alta. Sempre esclareça que estudos de caso-controle fornecem OR, não RR. Se a interpretação clínica requer RR, você deve converter o OR usando o risco de base (prevalência da doença na população fonte).
O que é um estudo de caso-controle aninhado e por que usá-lo?
Um estudo de caso-controle aninhado seleciona casos e controles de dentro de uma coorte prospectiva. Todos os membros do caso são identificados a partir da coorte à medida que os desfechos ocorrem; controles são amostrados aleatoriamente de não casos na coorte, frequentemente pareados a casos por idade e sexo. Caso-controle aninhado combina os pontos fortes de coorte e caso-controle: a sequência temporal e os dados de incidência estão disponíveis (como em coortes), porém o custo é menor, pois apenas subconjuntos de casos e controles são medidos para exposições caras (ex., biomarcadores, testes genéticos). A Razão de Chances de um caso-controle aninhado aproxima o Risco Relativo de coorte, mesmo que a doença não seja rara.
Como escolho entre controles pareados e não pareados?
Controles pareados (pareados 1:1 a casos por idade, sexo, etc.) aumentam a precisão e reduzem o confundimento pelas variáveis pareadas. No entanto, o pareamento é estatisticamente 'caro': você deve usar regressão logística condicional e não pode estimar os efeitos independentes das variáveis pareadas. Controles não pareados permitem o ajuste para muitos confundidores em regressão logística e podem ser mais custo-efetivos. O pareamento é mais útil para confundidores fortes (idade, sexo, ano civil) e quando controles são difíceis de encontrar. Se os potenciais confundidores são numerosos, considere o desenho não pareado com ajuste por regressão.
Como distingo entre viés de seleção e viés de informação em estudos de caso-controle?
Viés de seleção surge de como você seleciona casos e controles. Se casos e controles vêm de diferentes populações fonte (ex., casos hospitalizados vs. controles da comunidade), o OR é enviesado. Viés de informação (classificação incorreta) surge de erros na medição da exposição ou desfecho. Viés de recordação é um tipo de viés de informação: casos com uma doença grave podem recordar exposições passadas de forma diferente dos controles. Ambos enviesam o OR, mas de maneiras diferentes. Para minimizar o viés de seleção, garanta que casos e controles venham da mesma população fonte. Para minimizar o viés de informação, use registros objetivos (prontuários médicos, biomarcadores) em vez de recordação.
Métodos relacionados
Fontes
Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN: 978-0195027815Copiado.Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755657Copiado.Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.
Abrir referência da publicaçãoCopiado.