Valores de p e Significância Estatística na Pesquisa Médica

O valor de p é uma das estatísticas mais amplamente usadas e mais amplamente mal compreendidas na pesquisa médica. A definição formal: o valor de p é a probabilidade de observar resultados tão extremos quanto os encontrados, assumindo que a hipótese nula é verdadeira. A hipótese nula geralmente é "não há efeito" ou "os dois tratamentos são iguais". Um valor de p pequeno significa: se realmente não houvesse efeito, seria muito improvável ver resultados tão extremos por acaso. Um valor de p de 0,03 significa: se a hipótese nula fosse verdadeira, você veria resultados tão extremos ou mais extremos apenas 3% das vezes por acaso.

O limiar de p < 0,05 está profundamente enraizado na pesquisa médica, mas é frequentemente interpretado incorretamente: **p < 0,05 NÃO significa:** - Há 95% de chance de o resultado estar correto - O tratamento definitivamente funciona - O efeito é clinicamente relevante - O estudo será replicado - A hipótese nula é falsa **p < 0,05 SIGNIFICA:** - Se a hipótese nula fosse verdadeira, resultados tão extremos ocorreriam menos de 5% das vezes por acaso - O achado atende a um limiar arbitrário para "significância estatística" O limiar de 0,05 foi escolhido por Ronald Fisher na década de 1920 como uma regra prática — não uma lei fundamental da natureza.

Um resultado estatisticamente significativo não é necessariamente clinicamente relevante. **Exemplo:** Um grande ensaio com 50.000 pacientes descobre que um novo medicamento reduz a pressão arterial em 1 mmHg (p = 0,0001). Isso é altamente significativo estatisticamente, mas clinicamente irrelevante — uma diferença de 1 mmHg não tem impacto nos desfechos cardiovasculares. Em contrapartida, um pequeno ensaio com 30 pacientes descobre que um medicamento reduz o tamanho do tumor em 40% (p = 0,08). Isso não atinge o limiar de 0,05, mas pode representar um efeito genuinamente importante que merece investigação adicional. Sempre pergunte: Qual é o tamanho do efeito? É clinicamente relevante? Qual é o intervalo de confiança? Inclui a diferença clinicamente importante mínima?

Um intervalo de confiança (IC) de 95% informa mais do que um valor de p isolado. Se o IC de 95% para uma razão de chances for 1,2 a 3,4: - A melhor estimativa é o ponto médio (aproximadamente 2,0) - Você pode ter 95% de confiança de que o efeito verdadeiro está entre 1,2 e 3,4 - Como 1,0 (sem efeito) está excluído, o resultado é estatisticamente significativo Intervalos de confiança comunicam: - A direção do efeito - A magnitude do efeito - A precisão da estimativa - Se o efeito é clinicamente relevante Um IC que vai de 0,9 a 12,0 é tecnicamente significativo se 1,0 estiver excluído, mas o enorme intervalo indica que a estimativa é muito imprecisa.

Se você realizar 20 testes estatísticos e usar p < 0,05 como limiar, esperaria 1 resultado "significativo" apenas por acaso — mesmo que nada esteja realmente acontecendo. Isso é chamado de problema de comparações múltiplas, e leva ao p-hacking: realizar muitas análises e relatar seletivamente as que atingem p < 0,05. Para resolver isso: - **Correção de Bonferroni**: Divida o limiar pelo número de comparações (ex.: 0,05/10 = 0,005) - **Pré-registro**: Comprometa-se com seu desfecho primário antes de coletar dados - **Taxa de Falsas Descobertas (FDR)**: Controla a proporção esperada de falsos positivos Ao ler um estudo com múltiplos desfechos, verifique se o desfecho primário foi pré-especificado e se correções para comparações múltiplas foram aplicadas.

A Associação Americana de Estatística e muitos periódicos agora recomendam ir além das decisões binárias de p < 0,05 e relatar tamanhos de efeito com intervalos de confiança. Medidas comuns de tamanho de efeito: - **d de Cohen**: Diferença de médias padronizada (d = 0,2 pequeno, 0,5 médio, 0,8 grande) - **Razão de Chances (OR)**: Razão das chances do desfecho em expostos vs. não expostos - **Risco Relativo (RR)**: Razão do risco no grupo tratado vs. grupo controle - **Redução Absoluta do Risco (RAR)**: Diferença nas taxas de eventos (clinicamente mais intuitivo) - **Número Necessário para Tratar (NNT)**: 1/RAR — quantos pacientes precisam de tratamento para que um se beneficie O MetaLens AI extrai e exibe esses tamanhos de efeito dos resumos publicados, proporcionando uma visão mais rica do que apenas os valores de p.