🎯

Framework PICO(T) — A Pergunta Antes da Resposta

Qualquer avaliação crítica começa com a pergunta clínica estruturada

O framework PICO é a pedra angular da medicina baseada em evidências. Antes de avaliar qualquer estudo, o leitor precisa articular a pergunta que o estudo se propõe a responder — e verificar se o estudo de fato a responde. Muitos ensaios respondem a uma pergunta ligeiramente diferente da que o título sugere.

P

Population

Quem são os participantes? Critérios de inclusão e exclusão. Qual população o estudo representa — e qual exclui? Populações altamente selecionadas (exclusão de idosos, renais crônicos, mulheres) limitam a generalização.

I

Intervention

O que exatamente foi feito? Dose, duração, protocolo de administração, fidelidade da intervenção. A intervenção do ensaio é reproduzível no mundo real? Há desvios de protocolo relevantes?

C

Comparator

O que foi o controle? Placebo, cuidado usual, dose diferente, procedimento simulado (sham). O comparador é o que você usa na prática? Um comparador inferior infla o benefício da intervenção.

O

Outcome

Quais desfechos foram medidos? Distinguir desfechos primários de secundários. Desfechos substitutos (surrogate) vs. desfechos clínicos hard (morte, IAM, AVC). Pré-especificados vs. post-hoc.

T

Time

Duração do seguimento. Adequada para capturar os desfechos relevantes? Efeitos a curto prazo podem não se sustentar. Curvas de sobrevida que divergem tardiamente podem ser perdidas com seguimento curto.

💡

Dica prática: Formule o seu próprio PICO antes de ler o artigo, depois compare com o que o trial efetivamente avaliou. Discrepâncias entre o PICO do título e o PICO real do protocolo já são um sinal de alerta.

🏛️

Hierarquia de Evidências & Tipos de Ensaio Clínico

O desenho do estudo determina o nível máximo de evidência possível — mas não garante qualidade

⚠️

Hierarquia ≠ Qualidade: Um ECR mal conduzido pode fornecer evidência de qualidade inferior a uma coorte prospectiva bem desenhada. A pirâmide indica o potencial máximo do desenho para controlar confundimento, não a qualidade do estudo individual.

Tipo de Estudo	Uso Ideal	Controle de Confundimento	Limitações Principais
Revisão Sistemática + Meta-análise de ECRs	Síntese de evidências para uma pergunta PICO específica	Máximo (se ECRs de qualidade)	Heterogeneidade entre estudos, viés de publicação, qualidade dos estudos incluídos
ECR Multicêntrico Grande	Eficácia e segurança de intervenções	Alto (randomização balanceia confundidores conhecidos e desconhecidos)	Custo, exclusão de populações vulneráveis, tempo, eficácia ≠ efetividade
ECR Unicêntrico / Piloto	Viabilidade, estimativas preliminares de efeito	Alto internamente	Baixo poder, efeito overestimado (winner's curse), baixa generalização
ECR Cruzado (Crossover)	Desfechos de curto prazo, condições estáveis	Excelente (cada paciente é seu próprio controle)	Efeito carryover, period effect, inadequado para doenças evolutivas
ECR Cluster	Intervenções no nível do serviço/instituição	Moderado	Correlação intra-cluster (ICC), necessidade de análise especial, power reduzido
Coorte Prospectiva	Etiologia, prognóstico, quando ECR inviável	Moderado (controla confundidores medidos)	Confundimento residual por variáveis não medidas
Caso-Controle	Doenças raras, etiologia	Baixo-Moderado	Viés de recordação, seleção de controles, temporalidade

Modalidades de ECR: Superiority, Non-Inferiority e Equivalência

📐

Ensaio de Superioridade: Hipótese de que a nova intervenção é melhor que o controle. H₀: sem diferença. Resultado: nova terapia é melhor, igual ou pior. O valor-p testa a hipótese nula de igualdade.

📐

Ensaio de Não-Inferioridade (NI): Hipótese de que a nova intervenção não é clinicamente pior que o controle além de uma margem pré-especificada (delta, Δ). Usado quando a nova terapia oferece outras vantagens (menor custo, menos efeitos adversos, via oral). Atenção crítica: a escolha da margem NI é subjetiva e frequentemente subestimada por patrocinadores industriais. Um ECR NI positivo não implica eficácia similar — apenas que a inferioridade não excede Δ.

📐

Ensaio de Equivalência: Hipótese de que os efeitos são virtualmente idênticos (diferença dentro de ±Δ). Requer duas margens e mais participantes. Menos comum na cardiologia.

📋

Leitura Estruturada: O Roteiro Antes do Abstract

A ordem de leitura crítica difere da ordem de publicação

1️⃣
Verifique o registro prospectivo — Busque o número de registro (NCT, ISRCTN, EUCTR). O estudo foi registrado antes do início do recrutamento? Compare o desfecho primário registrado com o publicado. Mudança de desfecho primário entre registro e publicação é sinal grave de viés de reporte.
2️⃣
Identifique a fonte de financiamento e conflitos — Ensaios patrocinados pela indústria apresentam resultados favoráveis ao patrocinador em 70–90% dos casos (Lundh et al. Cochrane 2017). Isso não invalida o estudo, mas exige escrutínio redobrado do desenho e análise.
3️⃣
Leia os Métodos antes dos Resultados — O leitor crítico lê Métodos completos antes de ver os resultados, para não ser influenciado pela narrativa dos autores. Avalie randomização, cegamento, desfechos e análise estatística de forma independente.
4️⃣
Localize o protocolo completo — Muitos ensaios publicam o protocolo separadamente (NEJM, Lancet, Trials). O protocolo descreve o plano de análise estatística (SAP) original, permitindo identificar desvios post-hoc.
5️⃣
Analise o CONSORT Flow Diagram — O diagrama de fluxo mostra recrutamento, randomização, perdas e análise. Perdas assimétricas entre grupos, elevado número de exclusões pós-randomização ou análise que exclui participantes randomizados são red flags imediatos.
6️⃣
Avalie as características basais (Tabela 1) — Em um ECR bem conduzido, as características basais devem ser equilibradas por acaso. P-valores para basais são conceitualmente equivocados (os grupos foram alocados aleatoriamente). Busque diferenças clinicamente relevantes, não estatisticamente significativas.

🚩

Red Flags no Abstract: "Endpoints co-primários" (dilui o poder), "análise exploratória pré-especificada" (contradição), desfecho primário com p = 0,049 e múltiplos desfechos secundários, resultados relativos sem absolutos, follow-up médio muito inferior ao planejado.

🎲

Randomização: Mais do que Sortear

Dois componentes distintos e independentemente críticos

⚠️

Erro conceitual frequente: Randomização e ocultação de alocação são processos distintos. A randomização gera a sequência; a ocultação impede que os investigadores saibam qual grupo o próximo participante receberá antes da inclusão. Estudos que confundem os dois conceitos frequentemente subestimam o risco de viés de ocultação.

Geração da Sequência Aleatória

O método de geração da sequência deve ser explicitamente descrito. Métodos adequados incluem tabelas de números aleatórios, software de computador (R, SAS), e geradores pseudoaleatórios. Métodos inadequados — que parecem aleatórios mas não são — incluem alternância (par/ímpar), data de nascimento, número de prontuário ou ordem de chegada. Evidências meta-epidemiológicas mostram que randomização inadequada está associada a superestimação do efeito de tratamento (ROR 0,93–0,94, Wang et al. JCE 2024).

A randomização estratificada por centros e variáveis prognósticas importantes (p.ex., fração de ejeção, tipo de SCA) reduz o desequilíbrio de confundidores nas análises de subgrupo, mas não altera a validade geral do ECR. A randomização por blocos de tamanho fixo pode ser previsível em estudos abertos — tamanhos variáveis de bloco mitigam esse risco.

Ocultação de Alocação (Allocation Concealment)

Refere-se ao mecanismo que impede os recrutadores de saber qual grupo o próximo participante receberá antes de seu ingresso formal no estudo. Isso previne seleção seletiva de pacientes para grupos favoráveis. Métodos adequados: randomização centralizada por telefone/sistema web, envelopes opacos selados e numerados sequencialmente. Métodos inadequados: envelopes translúcidos, listas abertas.

🔴

Impacto quantificado: Ocultação de alocação inadequada está associada a superestimação de 8–10% do efeito de tratamento (ROR 0,90–0,92), segundo revisão meta-epidemiológica de Page et al. (PLoS One 2016) e Wang et al. (JCE 2024). Este efeito é independente do cegamento.

🙈

Cegamento: Quem Sabe de Quê?

O impacto do descegamento varia radicalmente conforme o desfecho e quem está descegado

O cegamento ideal envolve múltiplos níveis, cada um com impacto diferente sobre o viés de medição:

Quem está descegado	Desfechos Objetivos (morte, IAM confirmado)	Desfechos Subjetivos (dor, qualidade de vida, função)	Magnitude do viés (ROR)
Paciente descegado	Impacto pequeno	Superestimação substancial — expectativa e efeito placebo	~0,36 (Wang et al. 2024)
Provedor de cuidados descegado	Moderado — cuidados co-intervenção diferenciais	Alto — decisões de tratamento influenciadas	Variável
Avaliador de desfecho descegado	Baixo para desfechos hard (morte é morte)	Superestimação substancial — ROR 0,64–0,69	0,64–0,69 (Wang et al. 2024)
Analista descegado	Viés em decisões de análise (outliers, imputação, subgrupos exploratórios)		Difícil de quantificar

💡

Ensaios abertos (open-label) com desfechos objetivos: Quando o desfecho primário é morte por todas as causas ou MACE hard (com adjudicação por comitê independente cego), o risco de viés de cegamento é menor. Contudo, desfechos secundários subjetivos no mesmo ensaio permanecem em alto risco. Avalie desfecho por desfecho — não o estudo como um todo.

⚠️

Placebo de procedimento (sham control): Em estudos de intervenções invasivas (denervação renal, TAVI, shockwave), o uso de sham procedure é o padrão-ouro para cegamento do paciente. Ensaios sem sham em intervenções invasivas têm desfechos subjetivos altamente suscetíveis ao efeito placebo — o que pode explicar diferenças de 15–30% em desfechos como angina ou dispneia.

📊

Intenção de Tratar (ITT) vs. Per Protocol (PP) vs. As-Treated

A escolha do conjunto de análise não é neutra — cada abordagem responde uma pergunta diferente

Abordagem	Definição	Preserva randomização?	Aplicação ideal	Viés principal
ITT (Intenção de Tratar)	Todos os randomizados analisados no grupo designado, independente do que receberam ou do que aconteceu	Sim	Efetividade clínica no mundo real — responde "e se todos seguissem o tratamento designado?"	Dilui efeito real se aderência baixa (conservative bias)
mITT (ITT modificado)	Inclui apenas randomizados que receberam pelo menos uma dose (critérios variam por estudo)	Parcialmente	Justificado se critérios pré-especificados e transparentes	Definições ad-hoc podem gerar viés de seleção
PP (Per Protocol)	Apenas participantes que completaram o protocolo conforme especificado	Não	Eficácia biológica máxima — "qual é o efeito se tomado corretamente?"	Seleciona aderentes (mais saudáveis), quebra randomização
As-Treated	Analisados pelo tratamento efetivamente recebido	Não	Raramente preferível — aproxima-se de um observacional	Alto risco de confundimento por indicação

💡

Para ensaios de NÃO-INFERIORIDADE: O consenso metodológico (ICH E9, FDA guidance) exige que tanto a análise ITT quanto a PP sejam reportadas. Se o resultado NI é demonstrado em apenas uma das análises, o estudo permanece inconclusivo. A lógica é que o ITT é conservador para NI (mais participantes que não receberam tratamento reduzem as diferenças, favorecendo NI) e o PP avalia o efeito máximo da intervenção.

🎯

Desfechos: Seleção, Tipos e Armadilhas

O que é medido — e como — pode ser mais determinante que qualquer aspecto do tratamento

Desfechos Hard vs. Surrogate (Substitutos)

Desfechos clinicamente hard são aqueles diretamente relevantes ao paciente: morte, IAM confirmado, AVC, qualidade de vida, hospitalização não planejada. Desfechos substitutos (surrogates) são biomarcadores ou medidas fisiológicas que se supõe correlacionados com desfechos clínicos: LDL, fração de ejeção, pressão arterial, ESV no Holter. A questão crítica não é se o surrogate se correlaciona com o desfecho, mas se melhorar o surrogate invariavelmente melhora o desfecho. Vários exemplos clássicos demonstram que não:

🚩

Exemplos históricos de surrogates que falharam: Encainida/flecainida reduziam extrassístoles ventriculares mas aumentavam mortalidade (CAST, 1989). Mibefradil reduzia PA e hipertrofia, mas foi retirado por interações. Torcetrapib aumentava HDL mas aumentava mortalidade cardiovascular (ILLUMINATE, 2007). A lista é longa — cautela máxima com aprovações baseadas exclusivamente em surrogates.

Desfechos Compostos: Potência e Perigo

Desfechos compostos (MACE = morte CV + IAM + AVC) aumentam o número de eventos e o poder do estudo, permitindo ensaios menores ou mais curtos. O risco está na heterogeneidade dos componentes:

Componentes devem ser clinicamente semelhantes em importância. Um composto de "morte + hospitalização por angina" mistura eventos fatais com eventos menores.
O componente mais frequente domina o composto. Se o composto é positivo mas impulsionado por hospitalização e não por morte ou IAM, o benefício é muito mais modesto do que parece.
Sempre busque os componentes individuais — mesmo sem poder para cada um. Um composto positivo com componente de mortalidade neutro ou adverso é clinicamente problemático.
Composite endpoint creep: Adicionar componentes mais frequentes (mas menos graves) ao composto apenas para atingir o número de eventos necessário.

HARKing e P-Hacking

HARKing (Hypothesizing After Results are Known) consiste em apresentar hipóteses post-hoc como se fossem pré-especificadas. Na prática: o investigador analisa os dados, identifica o desfecho com resultado significativo e o reporta como desfecho primário "pré-especificado". Isso é detectável comparando o registro do estudo (ClinicalTrials.gov) com o publicado.

P-hacking é a análise iterativa dos dados — diferentes subgrupos, diferentes janelas temporais, diferentes definições de desfecho — até que um resultado significativo seja encontrado. Com 20 análises independentes em nível α = 0,05, espera-se 1 resultado falso-positivo por acaso. A solução são análises pré-especificadas, SAP fechado antes da análise, e ajuste para multiplicidade.

🔍

Como detectar: Compare o protocolo/registro com o artigo. Verifique quantos desfechos secundários são reportados sem ajuste para múltiplas comparações. Um p-valor primário de 0,048–0,050 com muitos desfechos secundários negativos deve aumentar a suspeita de HARKing. Revistas como NEJM e Lancet exigem registro prospectivo como condição de publicação — mas a verificação não é sistemática.

🔬

Cochrane Risk of Bias 2.0 (RoB 2) — A Ferramenta Padrão-Ouro

Sterne et al. BMJ 2019 — avaliação por domínio, por desfecho, não por estudo global

📌

Princípio fundamental do RoB 2: O risco de viés é avaliado para cada desfecho individualmente, não para o estudo como um todo. Um mesmo ECR pode ter baixo risco de viés para mortalidade (desfecho hard, adjudicado por comitê cego) e alto risco para um desfecho de qualidade de vida (autorreportado por paciente descegado). Esta granularidade é a maior inovação do RoB 2 em relação ao RoB 1.

Cada domínio é classificado em três categorias: Baixo Risco Algumas Preocupações Alto Risco. A classificação geral do desfecho é a mais pessimista entre os domínios.

Clique em cada domínio para ver as perguntas sinalizadoras e critérios de julgamento:

D1

Processo de Randomização

Geração de sequência + ocultação de alocação

Mais frequentemente subestimado ▼

❓

RQ 1.1 — A sequência de alocação foi aleatória? Resposta esperada: "Sim" — geração por computador, tabela de números aleatórios, ou método equivalente. "Provavelmente sim" se descrito em detalhes insuficientes mas plausíveis. "Provavelmente não / Não" para alternância, data de nascimento, número de prontuário.

❓

RQ 1.2 — A alocação foi ocultada até a aleatorização? Mecanismo que impede o investigador de saber o grupo antes da inclusão. Randomização centralizada (telefone/web/farmácia) é o padrão. Envelopes selados são adequados se opacos, numerados e invioláveis.

❓

Julgamento: Alto Risco Randomização inadequada OU evidência de desequilíbrio seletivo nas basais (participantes com pior prognóstico concentrados em um grupo) OU tentativas de manipulação documentadas.

📉

Impacto quantificado: Randomização inadequada → ROR 0,93–0,94 (superestimação de ~6–7%); ocultação inadequada → ROR 0,90–0,92 (superestimação de ~8–10%). Wang et al., JCE 2024.

D2

Desvios das Intervenções Pretendidas

Cegamento pós-aleatorização + cointervençãoes diferenciais

▼

O Domínio 2 avalia dois conceitos relacionados mas distintos:

🎯

Efeito da Atribuição (Assignment): Efeito de ser alocado para um grupo, independente do que foi recebido. Análise ITT. Relevante para intenção de tratar na prática.

🎯

Efeito da Adesão (Adherence): Efeito de receber a intervenção conforme designado. Análise PP/IV. Relevante para eficácia biológica máxima.

❓

RQ 2.1 — Participantes estavam cegos à alocação? Para desfechos subjetivos: descegamento gera efeito placebo/nocebo. Para desfechos objetivos: impacto menor, mas pode afetar aderência.

❓

RQ 2.3 — Houve cointervenções ou contaminações diferenciais entre grupos? Uso diferencial de tratamentos adjuntos não padronizados. Em ECRs abertos de procedimentos, equipes cientes da alocação podem modificar o manejo peri-procedimento.

❓

RQ 2.5 — Houve crossover entre grupos? Foi adequadamente tratado na análise? Crossover elevado (>20%) diluiu diferenças em análise ITT. Se a análise ITT ainda é positiva, sugere efeito robusto. Crossover que não é tratado com análise de variável instrumental ou similar pode mascarar o efeito real.

D3

Dados de Desfecho Ausentes

Mecanismo de perda + impacto no resultado

▼

Distinguir mecanismos de dados ausentes é essencial para avaliar o impacto:

Mecanismo	Definição	Viés	Abordagem
MCAR Missing Completely at Random	Ausência não relacionada ao tratamento nem ao desfecho (ex: amostra destruída no lab)	Nenhum, apenas perda de poder	Complete-case analysis aceitável
MAR Missing at Random	Ausência relacionada a covariáveis observadas, mas não ao desfecho	Pequeno, condicionalmente	Multiple imputation, MMRM
MNAR Missing Not at Random	Ausência relacionada ao próprio valor do desfecho (ex: abandonaram por piora)	Alto risco	Análise de sensibilidade com tipping point

❓

RQ 3.2 — Os dados ausentes eram balanceados entre grupos? Perda diferencial (ex: 8% no grupo tratamento vs. 20% no grupo controle) sugere MNAR e é altamente preocupante. Perda preferencial do grupo com pior prognóstico infla o benefício aparente.

❓

RQ 3.3 — O resultado seria alterado com imputação razoável dos ausentes? A análise de tipping point determina quantos resultados ausentes "adversos" seriam necessários para tornar o resultado não significativo. Um resultado que reverte com poucas imputações adversas é frágil.

D4

Medição dos Desfechos

Cegamento do avaliador + adequação dos métodos

▼

❓

RQ 4.1 — O método de mensuração do desfecho era adequado e consistente entre grupos? Definições de IAM (tipo 1, tipo 2, tipo 4b), critérios de hospitalização, e definições de AVC devem ser padronizados e aplicados de forma cega. Comitê de adjudicação independente e cego é o padrão.

❓

RQ 4.3 — O avaliador do desfecho estava cego à alocação? Para desfechos subjetivos: descegamento do avaliador → ROR 0,64–0,69 (superestimação de 30–36%). Para desfechos hard, o impacto é menor mas o comitê de adjudicação deve ainda assim ser cego.

❓

RQ 4.4 — Para desfechos autorreportados: o participante estava cego? Escalas de qualidade de vida, dor, dispneia e angina em estudos abertos são altamente vulneráveis ao efeito nocebo/placebo. Considere esses desfechos em alto risco mesmo que outros desfechos sejam low risk.

D5

Seleção do Resultado Reportado

Consistência entre protocolo, SAP e publicação

Frequentemente negligenciado ▼

❓

RQ 5.1 — O estudo foi prospectivamente registrado com desfechos pré-especificados? Registro antes do início do recrutamento. Registro após início mas antes do fim: "algumas preocupações". Registro após término ou sem registro: alto risco para D5.

❓

RQ 5.2 — O desfecho primário reportado é o mesmo que o pré-especificado? Comparar ClinicalTrials.gov (versões históricas disponíveis) com o artigo. Mudança de desfecho primário, adição de co-primários ou promoção de secundários a primários sem justificativa pré-especificada = alto risco.

❓

RQ 5.3 — A análise reportada é consistente com o SAP registrado? Mudanças no período de análise, na população de análise, nos co-ajustes ou na definição do desfecho composto entre SAP e publicação são bandeiras vermelhas importantes.

📝

CONSORT 2025 — Diretrizes de Reporte

Hopewell S et al. JAMA 2025;333(22):1998-2005 | Lancet 2025 | Nature Medicine 2025;31(6):1776-1783

📌

CONSORT 2025 substitui a versão de 2010, com checklist expandido para 30 itens e diagrama de fluxo obrigatório. O CONSORT avalia a qualidade do reporte, não necessariamente a qualidade metodológica — mas reporte inadequado impede a avaliação de qualidade. Publicado simultaneamente em JAMA, Lancet, BMJ, Nature Medicine e PLoS Medicine em 2025.

Itens críticos do CONSORT 2025 para o leitor crítico (seleção dos mais impactantes):

#	Item CONSORT	Por que é crítico
3a	Critérios de elegibilidade	Define a população-alvo. Critérios de exclusão excessivos podem tornar o estudo irrelevante para a prática real
4a	Intervenções em detalhe suficiente para replicação	Fidelidade da intervenção. Dose, duração, técnica devem ser reproduzíveis
6a	Desfechos primário e secundários pré-especificados	Base para detectar HARKing e outcome switching
7a	Como o tamanho amostral foi calculado	Pressupostos do cálculo (incidência esperada, tamanho do efeito) revelam vieses de otimismo ou manipulação do N
8a	Método de geração da sequência aleatória	Distingue randomização adequada de pseudorrandomização
9	Mecanismo de ocultação de alocação	Detalha como a ocultação foi garantida
10	Quem gerou a sequência, recrutou e alocou	Separação de funções é garantia adicional de ocultação
11a	Se/como participantes, intervencionistas e avaliadores foram cegados	Permite avaliar risco de viés de medição por domínio de desfecho
13a	Diagrama de fluxo CONSORT (obrigatório)	Mostra recrutamento, randomização, perdas e análise em cada grupo
16	Número de participantes analisados em cada grupo	Permite verificar se análise ITT ou PP foi de fato usada
17a	Resultado de cada desfecho com estimativa de efeito e IC 95%	Tanto absoluto quanto relativo devem ser fornecidos
19	Todos os danos e efeitos adversos	Desfechos de segurança frequentemente sub-reportados
24	Registro com número e nome do repositório	Permite verificação independente do protocolo

🔍

Autenticidade do Ensaio Clínico — INSPECT-SR

Wilkinson J et al. JCE 2025;184:111824 — além do risco de viés convencional

🚨

Dado alarmante: Aproximadamente 25% dos ECRs avaliados sistematicamente em revisões Cochrane levantam preocupações quanto à autenticidade dos dados — incluindo possível fabricação ou duplicação de dados. Esses problemas não são detectados pelo RoB 2 convencional, que assume que os dados são genuínos.

O projeto INSPECT-SR desenvolveu um checklist de avaliação de trustworthiness com indicadores de alerta:

🚩
Dados duplicados: Números idênticos em múltiplos estudos do mesmo autor/centro. Tabelas de basais com valores de média e DP implausíveis para a distribuição esperada.
🚩
Baseline impossible values: DPs muito pequenos (implica dados fabricados com baixa variabilidade), valores impossíveis para a variável (ex: frequência cardíaca média 62 ± 1,2 bpm em centenas de pacientes).
🚩
GRIM test: Verificação se a média reportada é matematicamente possível dado o N e a escala de medição. Médias "impossíveis" em variáveis discretas indicam erro ou fabricação.
🚩
Distribuição de dígitos finais: Em dados genuínos, os últimos dígitos de medições contínuas seguem distribuição uniforme (Lei de Benford adaptada). Preferência por dígitos 0 e 5 em excesso sugere arredondamento sistemático ou fabricação.
⚠️
Produtividade implausível: Um único centro com recrutamento muito superior ao esperado para sua capacidade, ou número de ECRs publicados por um investigador muito acima do esperado em período curto.
⚠️
Inconsistências entre texto, tabelas e suplementos: N total no texto diferente das tabelas, valores de p inconsistentes com as estatísticas reportadas, IC 95% incompatível com estimativa pontual e DP.

📐

Medidas de Efeito: Absolutas vs. Relativas

A escolha da métrica pode alterar radicalmente a percepção do benefício

⚠️

Viés de framing: A mesma intervenção reduzindo eventos de 4% para 2% pode ser apresentada como "redução de 50% no risco relativo" (impressionante) ou "redução absoluta de 2%" (modesta). O leitor deve sempre calcular ambas e contextualizar no risco basal do paciente.

ARR — Redução Absoluta do Risco ARR = Rc − Rt Onde Rc = taxa de eventos no controle; Rt = taxa no tratamento. A medida clínica mais diretamente útil.

RRR — Redução Relativa do Risco RRR = (Rc − Rt) / Rc = ARR / Rc Independe do risco basal. Superestima o benefício em populações de baixo risco.

NNT — Número Necessário para Tratar NNT = 1 / ARR Quantos pacientes tratados por 1 evento evitado. Sempre reporte o intervalo de confiança do NNT. NNH = 1/ARI para danos.

RR — Risco Relativo (Risk Ratio) RR = Rt / Rc Razão de proporções. Válido para ensaios com seguimento fixo. RR = 1: sem efeito; <1: benefício.

OR — Odds Ratio OR = (At/Bt) / (Ac/Bc) Razão de odds. Aproxima-se do RR apenas quando eventos são raros (<10%). Para eventos frequentes, OR exagera o efeito em relação ao RR.

HR — Hazard Ratio HR = λt / λc Taxa instantânea de eventos (risco "neste momento"). Assume proporcionalidade dos hazards. Não é igual ao RR — especialmente quando curvas de sobrevida cruzam ou divergem tardiamente.

🏥

Exemplo prático — ISCHEMIA Trial: Estratégia invasiva vs. conservadora em DAC estável. HR para morte CV = 0,90 (IC95%: 0,70–1,16), p=0,41. RRR aparente ~10%. ARR ≈ 0,5% em 3 anos. NNT ≈ 200. A magnitude absoluta do benefício é muito menor que o relativo sugere, e o IC95% inclui o 1,0. Este exemplo ilustra como o HR isolado pode ser enganoso sem o contexto das taxas absolutas.

Hazard Ratio e a Suposição de Proporcionalidade

O modelo de riscos proporcionais de Cox, que gera o HR, assume que a razão de taxas de eventos entre grupos é constante ao longo do tempo. Quando as curvas de Kaplan-Meier se cruzam, divergem tardiamente, ou mostram benefício apenas após um período de latência, essa suposição é violada. Nessas situações, o RMST (Restricted Mean Survival Time) — tempo médio livre de eventos até um horizonte temporal especificado — é uma alternativa clinicamente interpretável que não requer a suposição de proporcionalidade.

Ensaios de imunobiológicos, imunoterapia ou intervenções com mecanismo de ação tardio frequentemente violam a proporcionalidade. Sempre verifique se as curvas KM exibem proporcionalidade visual antes de interpretar o HR como resumo único do efeito.

📊

Valor-P e Intervalos de Confiança: Uso e Abuso

ASA Statement on P-Values (Wasserstein & Lazar, Am Stat 2016) — o que o p-valor não é

🚨

O que o p-valor NÃO é: (1) A probabilidade de que a hipótese nula seja verdadeira. (2) A probabilidade de que o resultado se repita. (3) Uma medida da magnitude ou importância clínica do efeito. (4) Uma dicotomia em que p<0,05 é "verdade" e p≥0,05 é "falso". A American Statistical Association, em declaração formal de 2016, explicitou que o limiar de 0,05 é arbitrário e seu uso binário é prejudicial à ciência.

O que o p-valor é: A probabilidade de observar uma diferença tão extrema quanto a observada (ou mais extrema) assumindo que a hipótese nula é verdadeira. Um p=0,03 significa que, se H₀ fosse verdadeira, veríamos esse resultado em 3% das repetições do experimento — não que a probabilidade de H₀ ser verdadeira é 3%.

Intervalo de Confiança: A Métrica Superior

O IC 95% fornece um intervalo de valores plausíveis para o efeito verdadeiro, consistente com os dados observados. A interpretação correta: "Se repetíssemos o estudo 100 vezes sob as mesmas condições, 95 dos ICs calculados conteriam o valor verdadeiro". O IC 95% é preferível ao p-valor porque:

Mostra a magnitude e direção do efeito, não apenas a existência de diferença.
Mostra a precisão da estimativa (largura do IC reflete o tamanho amostral e variabilidade).
Permite julgamento clínico: Um HR 0,85 com IC 0,70–1,03 (inclui 1,0) pode ter implicação clínica diferente de um HR 0,85 com IC 0,60–1,20.

💡

IC que cruza a nulidade (1,0 para RR/HR, 0 para diferença): Não significa que não há efeito — significa que os dados são compatíveis tanto com benefício quanto com ausência de efeito (ou dano). A largura do IC indica a incerteza. Um IC estreito que cruza 1,0 (ex: HR 0,98, IC 0,97–1,00) implica precisão alta e ausência de efeito clinicamente relevante — diferente de um IC largo (HR 0,85, IC 0,60–1,20) que implica incerteza substancial.

⚡

Poder Estatístico, Tamanho Amostral e Erros Tipo I/II

Ensaios com poder inadequado produzem estimativas de efeito infladas

Conceito	Definição	Implicação Clínica
Erro Tipo I (α)	Falso positivo — rejeitar H₀ quando ela é verdadeira. Convencional: α = 0,05	1 em 20 resultados "positivos" será falso, por acaso, mesmo em estudos perfeitos
Erro Tipo II (β)	Falso negativo — não rejeitar H₀ quando ela é falsa. Convencional: β = 0,10–0,20	Um estudo com β = 0,20 tem 20% de chance de perder um efeito real
Poder (1 − β)	Probabilidade de detectar o efeito se ele existir. Convencional: 80–90%	Poder adequado requer premissas corretas de incidência basal e tamanho do efeito esperado
Winner's Curse	Estudos menores com resultado positivo tendem a superestimar o efeito real	O primeiro ensaio positivo quase sempre superestima o efeito — as meta-análises tendem a moderar a estimativa

⚠️

Cálculo amostral otimista: Estimar uma incidência basal alta demais ou um tamanho de efeito maior do que o plausível reduz o N necessário e produz estudos subpotencializados. Um ECR que conclui "sem diferença significativa" com N = 500 para um desfecho com incidência de 3% simplesmente não tem poder para detectar diferenças clinicamente relevantes — isso é um estudo inconclusivo, não um estudo negativo.

Análises Interinas e Alpha Spending

Estudos com comitês de monitoramento independentes (DSMB) realizam análises interinas planejadas para detecção precoce de benefício, dano ou futilidade. Cada análise interina "gasta" parte do alpha total (α-spending function, O'Brien-Fleming ou Lan-DeMets). O valor-p final ajustado é frequentemente menor que 0,05. Ensaios encerrados precocemente por benefício tendem a superestimar o efeito, uma consequência do winner's curse amplificado pelo stopping prematuro (Bassler et al. JAMA 2010).

🔀

Análises de Subgrupos: Gerando Hipóteses, Não Confirmando

A maioria das análises de subgrupos publicadas representa achados falsamente positivos

🚨

A regra de Oxman e Guyatt: Cuidado especial com análises de subgrupos que: (1) não foram pré-especificadas; (2) testam muitas variáveis sem ajuste de multiplicidade; (3) mostram interação baseada apenas em p-valores dentro de cada subgrupo (comparar p=0,04 vs. p=0,06 não é uma interação); (4) contradizem o efeito principal do ensaio; (5) são biologicamente implausíveis.

O teste correto para interação é o teste de interação estatística (p para interação), não a comparação de p-valores dentro de cada subgrupo. Um subgrupo com p=0,03 e outro com p=0,12 pode ter p para interação de 0,40 — indicando que não há evidência de modificação de efeito. Esta distinção é frequentemente ignorada mesmo em periódicos de alto impacto.

Distinção entre interação qualitativa (o efeito muda de direção entre subgrupos — raro e clinicamente importante) e interação quantitativa (o efeito varia em magnitude mas não em direção — frequente e geralmente de significância clínica limitada).

📐

Número de subgrupos e inflação do erro Tipo I: Com 10 análises de subgrupos não ajustadas no nível α=0,05, a probabilidade de pelo menos um resultado falso-positivo é 1 − (0,95)¹⁰ ≈ 40%. Correção de Bonferroni (α / n testes) é conservadora; métodos hierárquicos de testing são preferíveis quando pré-especificados.

📏

Ensaios de Não-Inferioridade: Armadilhas Específicas

A margem delta é a decisão mais crítica — e mais sujeita a manipulação

🎯

Lógica do ensaio NI: Demonstrar que a nova terapia não é pior que o controle por mais do que a margem Δ. O IC 95% superior para a diferença (novo − padrão) deve ficar abaixo de Δ. Se o IC superior cruza Δ, NI não foi demonstrada.

⚠️
Como foi determinada a margem Δ? A margem deve ser derivada do efeito historicamente estabelecido do controle ativo vs. placebo (método de preservação de efeito do M2). Margens arbitrárias ou excessivamente amplas permitem que terapias inferiores passem como "não-inferiores".
⚠️
O comparador ativo foi usado em dose e protocolo ótimos? Usando o controle em condições subótimas facilita demonstrar NI. Um comparador deliberadamente enfraquecido é um viés metodológico grave.
⚠️
Biocreep (deriva de NI em NI): Se A foi demonstrado NI em relação a B, e depois C é demonstrado NI em relação a A, não se conclui que C é NI a B. A cadeia de NI pode acumular inferioridade progressiva.
🚩
Switching pós-hoc superiority → NI: Quando um ensaio planejado como superioridade falha e os autores reanalisam como NI, o resultado NI não é válido — o critério NI não foi pré-especificado com a margem e o N calculado adequadamente.

🏆

Sistema GRADE — Qualidade da Evidência e Força das Recomendações

Guyatt GH et al. BMJ 2008 | Adotado por OMS, ESC, ACC/AHA, Cochrane e >100 outras organizações

O GRADE (Grading of Recommendations Assessment, Development and Evaluation) é uma abordagem sistemática para avaliar a qualidade da evidência e a força das recomendações clínicas. Diferencia dois conceitos frequentemente confundidos:

📊

Qualidade da Evidência: Quanto confiança temos de que a estimativa de efeito está próxima do efeito real? (Alta / Moderada / Baixa / Muito Baixa)

💪

Força da Recomendação: Em que medida os benefícios superam os danos e os custos? (Forte / Condicional / Fraca)

Ponto de partida pelo desenho: ECRs iniciam como evidência de Alta Qualidade. Estudos observacionais iniciam como Baixa Qualidade. Essa classificação é ajustada pelos fatores abaixo.

⊕⊕⊕⊕ ALTA

Muito confiante de que a estimativa de efeito está próxima do efeito real. Pesquisas adicionais improváveis de alterar a estimativa.

Ex: ECRs grandes, bem conduzidos, sem rebaixamentos

⊕⊕⊕◯ MODERADA

Moderadamente confiante. Pesquisa adicional pode mudar a estimativa. Alguma preocupação com os fatores de qualidade.

Ex: ECR com limitações metodológicas moderadas, ou meta-análise com heterogeneidade

⊕⊕◯◯ BAIXA

Pouca confiança. Pesquisa adicional provavelmente mudará a estimativa. A estimativa real pode ser muito diferente.

Ex: ECR com viés grave, ou coortes com múltiplos confundidores

⊕◯◯◯ MUITO BAIXA

Muito pouca confiança. A estimativa real provavelmente é muito diferente do observado.

Ex: Estudos observacionais com limitações múltiplas, relatos de caso

⬇️

Fatores de Rebaixamento (Downgrading) da Qualidade

Cinco domínios que reduzem a confiança no efeito estimado

↓1

Risco de Viés

Limitações metodológicas nos estudos incluídos

▼

Avaliado pelo RoB 2 para ECRs ou ROBINS-I para estudos observacionais. Rebaixamento leve (−1) se preocupações moderadas na maioria dos estudos ou graves em minoria. Rebaixamento grave (−2) se alto risco em domínios críticos na maioria dos estudos. A qualidade da evidência sobre o desfecho primário é a referência — desfechos secundários podem ter rebaixamento diferente.

↓2

Inconsistência

Heterogeneidade não explicada entre estudos

▼

Quando estudos similares produzem estimativas de efeito muito diferentes. Métricas: I² (0–100%), τ² (variância entre estudos), intervalo de predição (95% PI — onde deve cair o resultado de um novo estudo?). Um I²= 75% com PI que inclui tanto benefício quanto dano implica inconsistência relevante.

⚠️

I² isolado é insuficiente: I²=50% em estudos pequenos pode representar heterogeneidade trivial, enquanto I²=30% em ensaios grandes pode ser clinicamente relevante. O intervalo de predição (PI de 95%) é mais informativo do que o I² isoladamente.

↓3

Indiretidade

Incompatibilidade PICO entre a evidência disponível e a pergunta clínica

▼

Quatro tipos principais de indiretidade:

População indireta: Evidência em jovens adultos, aplicada a idosos frágeis com multimorbidade.
Intervenção indireta: Evidência com dose A, aplicada à dose B.
Comparador indireto: Evidência vs. placebo, aplicada à decisão entre dois ativos.
Desfecho indireto (surrogate): LDL como desfecho, com inferência sobre eventos cardiovasculares. A força da associação surrogate–desfecho hard determina o grau de indiretidade.

↓4

Imprecisão

ICs largos — número de eventos insuficiente

▼

A imprecisão é determinada pela largura dos ICs em relação à MCID (Minimal Clinically Important Difference) ou ao limiar de efeito nulo. Critérios práticos: número total de eventos < 300 (regra de ouro do OIS — Optimal Information Size) como trigger para considerar rebaixamento. O IC 95% deve ser avaliado: se inclui tanto benefício clinicamente importante quanto dano clinicamente importante, rebaixar −1.

📐

OIS (Optimal Information Size): Número total de participantes (ou eventos) necessário para um único grande ECR com poder adequado. Se a evidência acumulada é menor que o OIS, imprecisão deve ser considerada mesmo que p < 0,05.

↓5

Viés de Publicação

Publicação seletiva de resultados positivos

▼

Estudos com resultados positivos e significativos têm 2–3× mais chances de serem publicados. Métodos de detecção:

Funnel plot assimétrico: Ausência de estudos pequenos com resultados negativos sugere viés de publicação (interpretar com cautela em poucos estudos).
Teste de Egger ou Begg: Testes formais de assimetria do funnel plot.
Trim-and-fill: Estimativa do efeito ajustado pelo viés de publicação.
Comparação registro vs. publicações: Estudos registrados em ClinicalTrials.gov não publicados após anos sugerem supressão seletiva.

⚠️

Rebaixe −1 se suspeita fundada de viés de publicação (ex: toda a evidência vem de estudos pequenos patrocinados pela indústria, todos com resultados positivos). Rebaixe −2 se viés de publicação muito provável.

⬆️

Fatores de Elevação (Upgrading) da Qualidade

Aplicam-se principalmente a estudos observacionais — raramente elevam ECRs

Fator	Critério	Elevação
Grande Magnitude de Efeito	RR > 2,0 ou < 0,5 (efeito grande); RR > 5,0 ou < 0,2 (efeito muito grande) em estudos observacionais sem confundimento plausível	+1 a +2
Gradiente Dose-Resposta	Relação monotônica entre dose/exposição e magnitude do efeito reduz a probabilidade de confundimento como explicação alternativa	+1
Confundimento Residual Subestima o Efeito	Todos os confundidores não medidos plausíveis reduziriam o efeito — mas ele ainda é positivo. Ex: população exposta é mais doente que o comparador, mas ainda se beneficia	+1

🌍

Validade Externa: Da População do Ensaio ao Seu Paciente

Eficácia (efficacy) no ensaio ≠ Efetividade (effectiveness) na prática

A validade externa — também chamada generalização ou aplicabilidade — avalia se os resultados do ensaio são transferíveis para o seu paciente e contexto. Um ensaio com excelente validade interna pode ter validade externa limitada:

👥
Representatividade da população: Quantos pacientes foram excluídos e por quê? Critérios de exclusão que eliminam os mais idosos, as mulheres, os renais crônicos ou os multimórbidos produzem evidência aplicável a uma minoria privilegiada dos pacientes reais. Busque a taxa de "elegibilidade teórica" — que % da sua população clínica atenderia os critérios de inclusão?
🔬
Fidelidade da intervenção: A intervenção do ensaio é reproduzível no seu contexto? Centros de alto volume, curva de aprendizado de procedimentos, acesso a tecnologias específicas. Um ensaio de revascularização realizado em centros de excelência em cirurgia pode não ser aplicável a centros com menor volume.
🔄
O comparador representa o cuidado atual? Um ensaio comparando nova terapia vs. cuidado usual de 10 anos atrás pode estar comparando com um padrão inferior ao atual. "Usual care" muda ao longo do tempo.
📊
Risco basal do seu paciente vs. da população do ensaio: O NNT é calculado com base na incidência de eventos na população do ensaio. Para um paciente com risco basal diferente, o NNT muda proporcionalmente: NNT (seu paciente) = NNT (ensaio) × [Rc ensaio / Rc paciente]. Pacientes de menor risco têm NNT maior (menos benefício absoluto).
💊
Aderência no mundo real: Ensaios com alta aderência e suporte intensivo ao participante superestimam o benefício esperado em pacientes com menor aderência habitual ao tratamento.

💡

As 5 perguntas de Users' Guides (Guyatt et al. JAMA 2008): (1) Meu paciente é semelhante aos do ensaio? (2) O tratamento é viável e exequível no meu contexto? (3) Quais são os benefícios e danos absolutos para este paciente? (4) Os valores do paciente são compatíveis com o trade-off benefício-risco? (5) Existem circunstâncias especiais que alteram a recomendação geral?

🗺️

Da Evidência à Recomendação: Força ≠ Qualidade

Uma recomendação Forte pode ser baseada em evidência de qualidade Baixa — e vice-versa

No sistema GRADE, a força da recomendação é determinada não apenas pela qualidade da evidência, mas pelo balanço entre benefícios e danos, valores e preferências dos pacientes, uso de recursos e equidade:

💪

Recomendação FORTE: A maioria dos pacientes informados escolheria esta intervenção. A discordância baseada em valores é rara. Benefícios claramente superam danos. Frase: "Recomendamos" / "Indicamos".

🤔

Recomendação CONDICIONAL: A decisão depende dos valores e preferências individuais. Uma proporção significativa de pacientes informados poderia razoavelmente escolher não realizar a intervenção. Frase: "Sugerimos considerar" / "Pode-se oferecer".

⚠️

Paradoxo da recomendação forte com evidência baixa: Ocorre quando o benefício estimado é grande, os danos são mínimos e a ausência de tratamento é invariavelmente fatal. Ex: ressuscitação em parada cardíaca — evidência de alta qualidade é impossível de obter, mas a recomendação forte é justificada. Distingue-se de recomendações fortes baseadas em evidência fraca por conveniência ou viés de autoridade.

📌

Classes de recomendação ESC vs. Níveis de evidência GRADE: As classes I/IIa/IIb/III das diretrizes ESC combinam tanto a força quanto a qualidade, com os níveis A/B/C. Classe I, Nível A = equivalente a Forte + Alta qualidade GRADE. Classe IIb, Nível C = Condicional + Muito Baixa qualidade — deve ser interpretado com muito cautela na prática clínica.

✅

Checklist Final de Avaliação Crítica

10 perguntas essenciais para qualquer ECR em cardiologia

①
O PICO do estudo é relevante para a minha prática? A população corresponde aos meus pacientes? O comparador é o cuidado atual?
②
O estudo foi prospectivamente registrado? O desfecho primário publicado corresponde ao registrado?
③
A randomização e ocultação de alocação foram adequadas? Ou há evidência de desequilíbrio seletivo nas basais?
④
O cegamento foi adequado para o tipo de desfecho avaliado? Desfechos subjetivos em estudos abertos devem ser interpretados com grande cautela.
⑤
A análise foi por intenção de tratar? Para estudos de NI: análise PP também foi realizada?
⑥
O desfecho primário é clinicamente hard ou substituto? Se composto, qual componente impulsionou o resultado?
⑦
Quais são os efeitos absolutos (ARR, NNT) e não apenas os relativos? O benefício absoluto é clinicamente relevante para o risco do meu paciente?
⑧
O estudo tinha poder adequado? Um resultado negativo em ensaio subpotencializado é inconclusivo, não negativo.
⑨
As análises de subgrupo eram pré-especificadas com teste de interação? Ou representam exploração post-hoc?
⑩
Aplicando o GRADE: qual é a qualidade da evidência? Há rebaixamentos por risco de viés, inconsistência, indiretidade, imprecisão ou viés de publicação?

📚

Referências Bibliográficas

Fontes primárias que fundamentam este guia

1
CONSORT 2025 Statement: Updated Guideline for Reporting Randomized Trials
Hopewell S, Chan AW, Collins GS, et al. JAMA. 2025;333(22):1998-2005. doi:10.1001/jama.2025.4347
2
CONSORT 2025 Statement: Updated Guideline for Reporting Randomized Trials
Hopewell S, Chan AW, Collins GS, et al. Nature Medicine. 2025;31(6):1776-1783. doi:10.1038/s41591-025-03635-5
3
CONSORT 2025 Statement: Updated Guideline for Reporting Randomised Trials
Hopewell S, Chan AW, Collins GS, et al. Lancet. 2025:S0140-6736(25)00672-5. doi:10.1016/S0140-6736(25)00672-5
4
CONSORT 2025 Statement: Updated Guideline for Reporting Randomised Trials
Hopewell S, Chan AW, Collins GS, et al. BMJ. 2025;389:e081123. doi:10.1136/bmj-2024-081123
5
RoB 2: A Revised Tool for Assessing Risk of Bias in Randomised Trials
Sterne JAC, Savović J, Page MJ, et al. BMJ. 2019;366:l4898. doi:10.1136/bmj.l4898
6
Compelling Evidence From Meta-Epidemiological Studies Demonstrates Overestimation of Effects in Randomized Trials That Fail to Optimize Randomization and Blind Patients and Outcome Assessors
Wang Y, Parpia S, Couban R, et al. Journal of Clinical Epidemiology. 2024;165:111211. doi:10.1016/j.jclinepi.2023.11.001
7
Empirical Evidence of Study Design Biases in Randomized Trials: Systematic Review of Meta-Epidemiological Studies
Page MJ, Higgins JP, Clayton G, et al. PLoS One. 2016;11(7):e0159267. doi:10.1371/journal.pone.0159267
8
Assessing the Feasibility and Impact of Clinical Trial Trustworthiness Checks via an Application to Cochrane Reviews: Stage 2 of the INSPECT-SR Project
Wilkinson J, Heal C, Antoniou GA, et al. Journal of Clinical Epidemiology. 2025;184:111824. doi:10.1016/j.jclinepi.2025.111824
9
The ASA Statement on p-Values: Context, Process, and Purpose
Wasserstein RL, Lazar NA. The American Statistician. 2016;70(2):129-133. doi:10.1080/00031305.2016.1154108
10
GRADE: An Emerging Consensus on Rating Quality of Evidence and Strength of Recommendations
Guyatt GH, Oxman AD, Vist GE, et al. BMJ. 2008;336(7650):924-926. doi:10.1136/bmj.39489.470347.AD
11
Stopping Randomized Trials Early for Benefit and Estimation of Treatment Effects: Systematic Review and Meta-regression Analysis
Bassler D, Briel M, Montori VM, et al. JAMA. 2010;303(12):1180-1187. doi:10.1001/jama.2010.310
12
Users' Guide to the Medical Literature: Essentials of Evidence-Based Clinical Practice (3rd Ed.)
Guyatt G, Rennie D, Meade MO, Cook DJ (eds). McGraw-Hill; 2015. ISBN 978-0-07-179071-0
13
Non-inferiority Trials: Design Concepts and Issues – The Encounters of Academic Consultants in Statistics
Piaggio G, Elbourne DR, Altman DG, et al. JAMA. 2012;308(24):2594-2604. doi:10.1001/jama.2012.87510
14
Composite Endpoints in Cardiovascular Trials: When Are They Used and Do They Appropriately Capture Patient-Centered Outcomes?
Ferreira JP, Rossignol P, Zannad F. Eur Heart J. 2023. doi:10.1093/eurheartj/ehad026
15
Hazard Ratios in Clinical Trials
Spruance SL, Reid JE, Grace M, Samore M. Antimicrob Agents Chemother. 2004;48(8):2787-2792. doi:10.1128/AAC.48.8.2787-2792.2004
16
Missing Data in Clinical Studies: Issues and Methods
Sterne JAC, White IR, Carlin JB, et al. J Clin Oncol. 2009;27(31):5168-5174. doi:10.1200/JCO.2008.21.8133
17
Addressing and Reporting Sources of Bias in Randomized Controlled Trials
Kotz D, West R. J Clin Epidemiol. 2022;143:197-201. doi:10.1016/j.jclinepi.2021.09.029

Aviso: Este material é destinado exclusivamente a profissionais de saúde com formação para interpretar literatura médica. Não substitui o julgamento clínico individualizado, as diretrizes vigentes ou a decisão compartilhada com o paciente. As recomendações metodológicas aqui apresentadas refletem o consenso da epidemiologia clínica e da medicina baseada em evidências até a data de publicação.

Análise Crítica de Artigos Científicos