Análise Dose-Resposta — Quantificando Como o Nível de Exposição se Relaciona com o Risco de um Desfecho
- Proposto por
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- Ano
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- Tipo
- Quantitative analytical method
- Família
- Clinical / epidemiology
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A análise dose-resposta quantifica a relação entre a magnitude de uma exposição (a dose) e a probabilidade ou taxa de um desfecho (a resposta).
É uma estratégia analítica central em epidemiologia e toxicologia, fornecendo evidências de que o aumento da exposição aumenta — ou diminui — sistematicamente o risco de doença. Um gradiente dose-resposta demonstrado é um dos critérios clássicos de Bradford Hill que apoiam a inferência causal.
A intuição por trás do método
Pense na análise dose-resposta como a pergunta: mais exposição significa mais dano? Se trabalhadores expostos a níveis mais altos de uma substância química apresentarem taxas progressivamente mais altas de doença pulmonar em comparação com aqueles expostos a níveis mais baixos, esse gradiente é tanto uma medida de risco quanto um argumento para causalidade. O método vai além de uma simples comparação exposto vs. não exposto para mapear toda a curva de exposição-risco — que pode ser linear, baseada em limiar, em forma de U ou saturante — fornecendo a reguladores, clínicos e pesquisadores uma imagem quantitativa de como o risco muda em todo o espectro de exposição.
História
O princípio de que a dose faz o veneno foi articulado por Paracelso no século XVI. A aplicação epidemiológica formal começou com a investigação da cólera de John Snow em 1854, que quantificou o risco pela distância da bomba de Broad Street. O método foi codificado em meados do século XX através do trabalho de Bradford Hill, que incluiu o gradiente dose-resposta como um de seus nove critérios de 1965 para inferência causal em epidemiologia. A modelagem quantitativa dose-resposta baseada em regressão tornou-se padrão com o advento da regressão logística e de Cox nas décadas de 1970 e 1980, e a modelagem flexível baseada em splines de curvas de exposição-resposta tornou-se generalizada a partir da década de 1990.
Quando usar
Use análise dose-resposta sempre que a exposição puder ser quantificada em uma escala ordinal ou contínua e a questão for se uma exposição maior se traduz em um risco maior (ou menor). É prática padrão em epidemiologia ocupacional, saúde ambiental, farmacovigilância e epidemiologia nutricional. É também um componente chave do agrupamento meta-analítico de dados sumarizados de múltiplos estudos. Não a aplique quando a exposição for inerentemente binária sem um gradiente significativo (por exemplo, cirurgia vs. nenhuma cirurgia), quando as categorias de exposição forem poucas (menos de três níveis ordenados) para modelar uma tendência, ou quando a medição da exposição for tão imprecisa que a categorização seja não confiável — nesses casos, uma simples comparação de dois grupos é mais apropriada.
Limitações e considerações
- Requer medição precisa e detalhada da exposição; a classificação incorreta atenua as estimativas de dose-resposta em direção à nulidade.
- A categorização de uma exposição contínua introduz pontos de corte arbitrários e pode criar ou obscurecer a não linearidade.
- O confundimento deve ser controlado em cada nível de exposição separadamente, aumentando a complexidade da estratégia de ajuste.
- Pequenos números de sujeitos em categorias de exposição extremas reduzem a precisão e podem exigir o agrupamento de categorias.
- Viés de publicação e relato seletivo de categorias de dose podem distorcer curvas dose-resposta agrupadas em meta-análises.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Fornece evidências de um gradiente causal, fortalecendo a inferência causal além de uma única comparação exposto vs. não exposto.
- Estima o risco em múltiplos níveis de exposição, permitindo a definição de padrões regulatórios e a identificação de limiares clínicos.
- Compatível com a maioria dos desenhos de estudo observacionais (coorte, caso-controle, transversal) e com meta-análise de dados sumarizados.
- Modelagem flexível (splines, polinômios) acomoda relações não lineares e baseadas em limiar.
- Suporta avaliação quantitativa de risco e modelagem de impacto na saúde.
Aplicações
- Saúde ocupacional: quantificação do risco de câncer de pulmão em categorias de exposição cumulativa a amianto ou sílica.
- Farmacovigilância: relação entre a dose cumulativa de estatina e a redução nas taxas de eventos cardiovasculares.
- Epidemiologia ambiental: modelagem da associação entre a concentração de material particulado fino (PM2.5) ambiente e a mortalidade por todas as causas.
- Epidemiologia nutricional: caracterização da relação em forma de U entre o consumo de álcool e o risco cardiovascular.
- Toxicologia: estabelecimento de doses de referência e concentrações de referência seguras para avaliação de risco regulatório.
- Meta-análise: agrupamento de riscos relativos específicos por dose de múltiplos estudos de coorte para derivar uma curva dose-resposta resumida.
Como funciona
Como funciona
A variável de exposição é definida e medida em uma escala ordinal ou contínua: dose cumulativa, intensidade média, duração ou concentração de pico. A avaliação clara e reproduzível da exposição é crítica, pois a classificação incorreta dos níveis de exposição — especialmente a não diferencial — enviesa as estimativas de dose-resposta em direção à nulidade.
A exposição é agrupada em categorias ordenadas (por exemplo, quartis ou pontos de corte clinicamente significativos) para uma análise de tendência categórica, ou modelada como uma variável contínua usando splines de regressão, polinômios ou polinômios fracionários. Abordagens categóricas são mais transparentes e exigem menos suposições; a modelagem contínua captura a forma completa da curva e evita categorização arbitrária.
Para cada nível ou incremento de exposição, uma medida de efeito é estimada em relação a uma categoria de referência (geralmente o grupo de menor exposição ou não exposto). Em estudos de coorte, isso é tipicamente o risco relativo ou a razão de riscos instantâneos; em estudos de caso-controle, a razão de chances. Regressão de Poisson, regressão de Cox ou regressão logística podem ser usadas dependendo do tipo de desfecho. Um modelo polinomial ou spline do log-risco em função da dose produz a curva dose-resposta: ln(RR) = β₀ + β₁d + β₂d².
Fórmula
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
Um teste formal para tendência linear é realizado atribuindo a mediana ou o ponto médio de cada categoria de exposição como uma pontuação contínua e inserindo-a no modelo de regressão. Um valor p significativo (ou, em meta-análise, um coeficiente de tendência agrupado) confirma que a associação muda em uma direção consistente entre os níveis de exposição.
Além do teste de tendência linear, a forma funcional da relação é avaliada. Splines cúbicos restritos ou modelos de polinômios fracionários permitem a detecção de padrões não lineares, como um limiar (nenhum efeito abaixo de uma certa dose), um platô (o efeito se estabiliza em doses altas) ou uma forma de U (exposição baixa e alta associadas a risco aumentado). A forma escolhida tem implicações diretas para a avaliação de risco e os limiares regulatórios.
Erros comuns
- A escolha de categorias de exposição após inspeção dos dados — categorização baseada em dados infla a dose-resposta aparente e produz valores p otimistas; as categorias devem ser definidas a priori.
- Ignorar a não linearidade — usar o teste de tendência linear sem verificar a forma funcional pode perder relações de limiar ou em forma de U que são científica e praticamente importantes.
- Usar o grupo de maior exposição como categoria de referência — isso só está correto se também for o maior grupo; o grupo não exposto ou de menor exposição é a referência convencional porque maximiza o poder estatístico e a interpretabilidade.
- Confundir a dose-resposta com o efeito do trabalhador saudável ou do usuário saudável — indivíduos que se auto-selecionam para níveis de exposição mais altos podem diferir sistematicamente dos grupos de menor exposição de maneiras que enviesam o gradiente estimado.
Perguntas frequentes
Qual é a diferença entre um teste de tendência linear e um modelo completo de dose-resposta?
Um teste de tendência linear colapsa a relação dose-resposta em um único coeficiente de inclinação e testa se essa inclinação difere de zero. É conciso, mas assume linearidade e não pode detectar padrões de limiar ou em forma de U. Um modelo completo de dose-resposta — usando splines ou polinômios — estima toda a curva de exposição-risco, revelando se a relação é linear, não linear ou dependente de limiar. Ambas as abordagens são complementares e geralmente devem ser relatadas juntas.
A análise dose-resposta pode ser aplicada a dados de caso-controle?
Sim. Em um estudo de caso-controle, as categorias de exposição são definidas para casos e controles, e as razões de chances para cada nível de exposição em relação à categoria de referência são estimadas usando regressão logística condicional ou incondicional. A pontuação de exposição ordinal é então inserida como uma variável contínua no modelo para testar a tendência. A interpretação é análoga à análise de estudo de coorte, mas a razão de chances aproxima o risco relativo apenas quando o desfecho é raro.
Como agrupo dados dose-resposta de múltiplos estudos em uma meta-análise?
O método de Greenland e Longnecker (1992) é a abordagem padrão. Ele reconstrói a matriz de covariância dos log-riscos relativos entre as categorias de exposição de cada estudo e, em seguida, usa mínimos quadrados generalizados para ajustar uma tendência dose-resposta comum. Isso requer que os estudos individuais relatem o número de casos e tempo-pessoa (ou controles) por categoria de exposição, juntamente com a estimativa de efeito ajustada — informações que às vezes faltam em relatórios publicados.
Quando devo usar splines cúbicos restritos em vez de regressão polinomial?
Splines cúbicos restritos (também chamados de splines naturais) são geralmente preferidos em relação aos polinômios porque se ajustam de forma flexível no interior do intervalo de exposição, enquanto são restritos a serem lineares nas caudas, o que evita extrapolação errática além dos dados. Polinômios podem produzir curvas implausíveis nos extremos. Para a maioria das análises dose-resposta epidemiológicas, três a cinco nós colocados nos quantis da distribuição de exposição proporcionam um bom equilíbrio entre flexibilidade e parcimônia.
Um gradiente dose-resposta prova causalidade?
Não. Um gradiente dose-resposta é um dos critérios de Bradford Hill que fortalece um argumento causal, mas não é necessário nem suficiente por si só. Confundimento, causalidade reversa e classificação incorreta da exposição podem produzir ou mascarar um gradiente. As evidências de dose-resposta devem ser interpretadas em conjunto com temporalidade, consistência entre estudos, plausibilidade biológica e outros critérios causais.
Métodos relacionados
Fontes
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755641Copiado.Greenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.
Abrir referência DOICopiado.