Skip to content
Voltar aos resultados

Estudo de Caso-Controle Pareado

Proposto por
Brian MacMahon and others; systematised by Schlesselman (1982)
Ano
1950s–1970s
Tipo
Observational analytic design
Família
Clinical / epidemiology

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Um estudo de caso-controle pareado é um desenho observacional epidemiológico no qual cada caso (uma pessoa com a doença ou desfecho de interesse) é pareado com um ou mais controles (pessoas sem o desfecho) que compartilham uma ou mais características — como idade, sexo ou cenário clínico — para controlar o confundimento.

O histórico de exposição é então comparado entre casos e seus controles pareados para estimar a razão de chances (odds ratio) da associação exposição-doença.

A intuição por trás do método

Pense nisso como um detetive pareando suspeitos com sósias. Se você quer saber se uma exposição particular causou uma doença, você encontra um paciente com a doença e, em seguida, localiza uma ou mais pessoas semelhantes — mesma idade, mesmo sexo, mesmo hospital — que não contraíram a doença. Ao manter essas características de fundo idênticas, qualquer diferença no histórico de exposição entre o par é muito mais provável de refletir um vínculo real em vez de um fator de confundimento. O pareamento (matching) aperta a comparação para que o sinal seja mais limpo, ao custo de alguma flexibilidade na análise.

História

O desenho caso-controle foi formalizado na epidemiologia na década de 1950, com estudos marcantes de Doll e Hill (1950) sobre tabagismo e câncer de pulmão usando controles hospitalares. O princípio do pareamento para melhorar a comparabilidade foi aplicado precocemente e codificado por Brian MacMahon e colegas. O livro-texto de James Schlesselman, Case-Control Studies (1982), estabeleceu o arcabouço analítico para desenhos pareados, incluindo a razão de chances pareada e a regressão logística condicional. O artigo de Nathan Mantel e William Haenszel de 1959 forneceu métodos estratificados fundamentais que sustentam a análise pareada, e a abordagem de regressão logística condicional foi desenvolvida nas décadas de 1970-1980, tornando-se a ferramenta analítica padrão para dados de caso-controle individualmente pareados.

Quando usar

Usar um estudo de caso-controle pareado ao estudar uma doença ou desfecho raro onde um estudo de coorte completo exigiria amostras impraticavelmente grandes ou acompanhamento muito longo; quando confundidores específicos (como idade, sexo ou centro clínico) precisam de controle rigoroso; e quando os recursos permitem pareamento individual cuidadoso e análise condicional. É especialmente valioso em cenários hospitalares e investigações de surtos. Não usar pareamento quando as variáveis de pareamento são intermediários potenciais na via causal (sobrepareamento), quando o número de casos é muito pequeno e parceiros de pareamento não podem ser encontrados, ou quando exposições que variam no tempo tornam o pareamento estático inadequado — nessas situações, um desenho caso-crossover ou de coorte pode ser preferível. O pareamento não elimina o confundimento não medido.

Limitações e considerações

  • Não é possível estimar a prevalência ou incidência do desfecho — apenas a razão de chances para a associação exposição-desfecho.
  • As variáveis de pareamento não podem ser estudadas como exposições, a menos que métodos analíticos complexos sejam usados.
  • O sobrepareamento (matching on a variable associated with exposure but not disease) infla o tamanho da amostra necessário e enviesa a razão de chances em direção à nulidade.
  • Encontrar controles pareados adequados pode ser difícil, particularmente para combinações raras de critérios de pareamento, levando a casos não pareados que devem ser excluídos.
  • A estrutura pareada deve ser mantida na análise; ignorá-la (usando regressão logística incondicional) produz estimativas enviesadas.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Controla eficientemente confundidores fortes (idade, sexo, centro clínico) por meio do desenho, em vez de apenas por ajuste estatístico.
  • Bem adequado para desfechos raros onde uma coorte completa não é viável; uma fração da amostra não pareada pode atingir precisão comparável.
  • Reduz a variabilidade dentro dos conjuntos pareados, muitas vezes aumentando a eficiência estatística para um determinado tamanho de amostra.
  • Amplamente aceito e bem compreendido em periódicos clínicos e epidemiológicos; a regressão logística condicional é padrão e implementada em todos os principais pacotes estatísticos.

Aplicações

  • Investigar fatores de risco para cânceres raros, pareando pacientes hospitalizados com câncer a controles do mesmo hospital por idade, sexo e enfermaria de admissão.
  • Investigações de surtos em que casos de doenças transmitidas por alimentos são pareados a controles de bairro por localização geográfica e ocasião da refeição.
  • Estudos farmacoepidemiológicos examinando reações adversas a medicamentos, com casos pareados a controles expostos a medicamentos por indicação, idade e comorbidade.
  • Estudos de epidemiologia ocupacional de exposições raras (por exemplo, agentes químicos específicos) com controles pareados por indústria para remover o confundimento ocupacional.
  • Epidemiologia genética onde casos e controles são pareados por etnia para minimizar a estratificação populacional antes da genotipagem.
  • Estudos de emergência e cirurgia onde a admissão hospitalar fornece um quadro de pareamento natural para questões de exposição-desfecho agudas.

Como funciona

Como funciona

1

Formular uma definição precisa de caso especificando a doença ou desfecho, seus critérios diagnósticos, a população elegível (população fonte) e a janela de tempo. Identificar a exposição de interesse e os confundidores que você pretende controlar por meio do pareamento. Pré-especificar a razão de pareamento (1:1, 1:2, etc.) e as variáveis de pareamento.

2

Recrutar casos incidentes ou prevalentes de uma fonte definida, como registros hospitalares, registros de doenças ou um sistema de vigilância. Confirmar que cada caso atende à definição de caso. Selecionar controles da mesma população fonte — pessoas que teriam sido elegíveis para se tornar um caso — usando estratégias de amostragem baseadas em hospital, baseadas em população ou por densidade.

3

Para cada caso, selecionar um ou mais controles que compartilhem os valores das variáveis de pareamento (por exemplo, mesma faixa etária de cinco anos e sexo). O pareamento individual (um para um ou um para muitos) vincula cada controle a um caso específico; o pareamento por frequência equilibra as distribuições em todo o estudo. Documentar a razão de pareamento e quaisquer larguras de calibre (caliper widths) utilizadas.

4

Verificar o status de exposição tanto para casos quanto para seus controles pareados, usando o mesmo método de medição para ambos os grupos para evitar classificação incorreta diferencial. Fontes comuns incluem entrevistas, registros médicos, dados de biobanco ou bancos de dados administrativos. O cegamento dos avaliadores de desfecho quanto ao status de caso/controle reduz o viés de informação.

5

Analisar dados pareados com regressão logística condicional (ou teste de McNemar para pares pareados 1:1) para preservar a estrutura pareada. Para um desenho simples de pareamento 1:1, a razão de chances pareada é estimada como OR = b/c, onde b = pares discordantes com caso exposto e controle não exposto, e c = pares discordantes com caso não exposto e controle exposto. Ajustar para covariáveis adicionais dentro do modelo condicional.

Fórmula
OR = (b / c)
6

Expressar os resultados como razões de chances pareadas com intervalos de confiança de 95%. Avaliar se as variáveis de pareamento foram apropriadas, verificar o sobrepareamento (matching on an exposure intermediate) e avaliar o confundimento residual. Discutir a validade externa em relação à população fonte.

Erros comuns

  • Sobrepareamento: selecionar variáveis de pareamento que se situam na via causal entre exposição e doença (intermediários) remove a variação necessária para detectar a associação e enviesa a OR em direção a 1.0.
  • Quebra do pareamento na análise: analisar dados pareados com regressão logística padrão (incondicional) descarta os ganhos de eficiência do pareamento e pode introduzir viés — sempre usar regressão logística condicional ou teste de McNemar.
  • Viés de recordação: se os casos recordam exposições com mais vivacidade do que os controles (recordação diferencial), a razão de chances será superestimada; usar registros objetivos ou biomarcadores onde possível.
  • Ignorar casos não pareados: excluir casos para os quais nenhum controle pareado foi encontrado pode introduzir viés de seleção se a exclusão estiver relacionada à exposição.
  • Controle insuficiente para confundimento residual: parear por categorias amplas (por exemplo, faixas etárias de dez anos) deixa o confundimento dentro da categoria sem solução; refinar categorias ou ajustar para idade continuamente no modelo.

Perguntas frequentes

Por que devo usar regressão logística condicional em vez de regressão logística ordinária?

Em um estudo individualmente pareado, o caso e seus controles pareados formam um estrato. A regressão logística incondicional trata todos os estratos como uma única amostra agrupada, o que produz estimativas enviesadas porque os interceptos de conjunto pareado são tratados como parâmetros fixos — levando ao problema dos parâmetros incidentais. A regressão logística condicional condiciona a estatística suficiente para cada conjunto pareado, eliminando os interceptos específicos do estrato e produzindo uma razão de chances pareada não enviesada.

O que é sobrepareamento e por que ele é prejudicial?

O sobrepareamento ocorre quando você pareia com uma variável que está associada à exposição, mas não independentemente à doença (ou é um intermediário no caminho causal). Como casos e controles então têm históricos de exposição semelhantes por desenho, o contraste entre os grupos é reduzido, a razão de chances é enviesada em direção a 1, e uma amostra maior é necessária para atingir o mesmo poder. Evite parear com variáveis que possam ser consequências a jusante da exposição.

Como escolho a razão de pareamento?

Uma razão de 1:1 é a mais comum e fácil de gerenciar. Aumentar para 1:2 ou 1:3 controles por caso melhora a precisão quando os casos são raros, mas os controles são abundantes; o ganho de eficiência diminui além de 1:4 e raramente justifica a complexidade adicionada. Se os casos são muito raros e os controles abundantes, uma razão de 1:4 é frequentemente considerada o máximo prático.

Posso estudar múltiplas exposições no mesmo estudo de caso-controle pareado?

Sim. O modelo de regressão logística condicional pode incluir múltiplas variáveis de exposição simultaneamente, permitindo a avaliação de vários fatores de risco enquanto preserva a estrutura pareada. No entanto, cada exposição adicional adiciona parâmetros e requer uma amostra adequadamente dimensionada; evite a mineração de dados (data dredging) pré-especificando exposições primárias e secundárias em um protocolo de estudo.

Qual é a diferença entre pareamento individual e pareamento por frequência?

O pareamento individual (por par) vincula cada caso específico a um ou mais controles específicos com base em variáveis de pareamento, exigindo análise condicional. O pareamento por frequência garante que a distribuição geral das variáveis de pareamento seja equilibrada entre casos e controles, mas não cria pares específicos de casos; pode ser analisado com regressão logística incondicional ajustando para as variáveis de pareamento. O pareamento individual fornece controle mais rigoroso, mas é logisticamente mais exigente e restringe a análise.

Métodos relacionados

Fontes

  1. Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755474
    Copiado.
  2. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195029338
    Copiado.