Dot.lib

“Experimentos naturais”, o tratamento ou intervenção é determinado por variação que não está sob o controle do pesquisador. Esses projetos, usados ​​em economia e epidemiologia para apoiar inferências sobre relações causais entre intervenções e resultados, são ferramentas úteis para ajudar a melhorar o rigor dos estudos observacionais em política de saúde e medicina. Talvez a primeira experiência natural em medicina tenha sido a do médico inglês John Snow, em meados do século XIX. Em 1854, um surto de cólera atingiu a Broad Street em Londres, matando centenas de pessoas. Estudando grupos de casos, Snow descobriu que os bairros abastecidos com água a jusante de onde o esgoto era despejado no rio Tamisa apresentavam altos níveis de doenças, enquanto os bairros que recebiam água a montante tinham baixos níveis de doenças. Snow descreveu as populações como semelhantes em idade, ocupação, renda e posição social, divididas em grupos sem escolha, ilustrando um componente essencial dos experimentos naturais: populações semelhantes, mas distintas que estão expostas a uma condição fora do controle dos pesquisadores, permitindo razoável conclusões sobre a relação causal potencial entre a exposição e o resultado.

Os ensaios clínicos randomizados (RCTs) têm sido tradicionalmente vistos como o método principal para estabelecer causalidade em cuidados de saúde, mas têm limitações importantes: são caros; nem sempre é possível randomizar os pacientes; e suas descobertas podem não ser generalizáveis ​​para diferentes populações de pacientes ou ambientes não experimentais. Quando os ensaios clínicos randomizados não são possíveis, os pesquisadores de políticas médicas e de saúde se voltam para os estudos observacionais. Em estudos observacionais, no entanto, os indivíduos não são designados para a intervenção independentemente de potenciais fatores de confusão que também podem influenciar os resultados, tornando difícil separar o efeito do tratamento de outros fatores que podem estar associados ao recebimento do tratamento.

Por outro lado, os experimentos naturais dependem da variação na exposição ao tratamento que pode não estar relacionada a outros fatores associados aos resultados. Suponha que os pesquisadores estejam interessados ​​em examinar a probabilidade do uso em longo prazo e os resultados adversos para os pacientes após uma prescrição inicial de opióides. Uma análise observacional pode ser confundida se os fatores que influenciam a decisão do médico de prescrever opióides (por exemplo, dor relacionada ao câncer) também afetam os resultados de longo prazo (por exemplo, dependência de opióides). Um RCT pode resolver esse problema, mas seria um desafio ético e prático. Em vez disso, os pesquisadores poderiam examinar como o uso de opióides a longo prazo varia entre os indivíduos ingênuos para opióides que, por acaso, são expostos a médicos com alta propensão vs baixa propensão para prescrever opióides. Nesse cenário, os resultados em longo prazo após uma prescrição inicial de opioides poderiam ser identificados pela variação no uso do medicamento associada à variação do prescritor que é plausivelmente não relacionada à variação em fatores não observáveis ​​do paciente associados ao uso inicial de opioides e resultados de longo prazo.

Experimentos naturais usam quase-randomização, um método de alocação para grupos de estudo que não é verdadeiramente aleatório e não é atribuído por um pesquisador, como uma data, idade ou evento específico. Esses desenhos de estudo têm uma característica importante: a similaridade dos grupos pode ser medida. Os grupos de tratamento e controle devem ser semelhantes em características sociodemográficas, comorbidades, utilização anterior de cuidados de saúde e quaisquer outros fatores que possam estar associados aos resultados, mas frequentemente este não é o caso e são necessários ajustes com base nessas variáveis ​​observadas. Experimentos naturais tentam controlar variáveis ​​não observadas. Quando bem implementados, os experimentos naturais podem ser mais informativos do que os estudos observacionais tradicionais que não controlam os fatores de confusão não observáveis, mas são menos informativos do que os ECRs no estabelecimento de causa e efeito verdadeiros. 

Cinco tipos de experimentos naturais são particularmente relevantes para estudos observacionais em política de saúde e medicina: projetos de descontinuidade de regressão (RDD), projetos de variáveis ​​instrumentais, análises de diferenças em diferenças (DID), análises de estudos de eventos e séries temporais interrompidas 2 - 4.

Projetos de descontinuidade de regressão identificam tamanhos de efeito associados a uma intervenção, estudando indivíduos com atribuição de tratamento que difere por posição em ambos os lados de um corte arbitrário específico (por exemplo, um limite de tratamento, data de implementação de política, um limite de idade ou uma descontinuidade geográfica). Nesse desenho, a probabilidade de exposição à intervenção muda de maneira descontínua nesse ponto de corte. Os estudos que usam RDD baseiam-se no pressuposto de que os indivíduos em ambos os lados do ponto de corte são semelhantes, de modo que a designação do tratamento é quase independente de suas características, tanto observadas quanto não observadas. Por exemplo, um estudo de 2018 avaliou a introdução em fases do programa Value-Based Payment Modifier do Medicare. Os pesquisadores usaram os limites de tamanho da prática do programa (por exemplo, 100 ou mais médicos) para avaliar se o programa estava associado ao desempenho da prática - com a suposição de que as práticas logo acima e abaixo do corte não diferiam de maneiras importantes - e descobriram que o programa era não está associado a um melhor desempenho da prática e pode ter exacerbado as disparidades de saúde.

Análises de variáveis ​​instrumentais usando variação quase aleatória na atribuição de tratamento ou intervenção também têm sido usadas para estudar intervenções de políticas clínicas e de saúde. Por exemplo, pesquisadores de políticas de saúde têm se interessado em saber se hospitais com gastos mais altos alcançam melhores resultados, uma relação que é confundida pelo fato de que hospitais com gastos mais altos podem tratar pacientes que estão desproporcionalmente mais doentes, o que poderia sugerir de forma espúria que gastos hospitalares mais altos levam a piores resultados. Para resolver esse problema, um estudo examinou a associação entre gastos hospitalares e mortalidade usando a variação quase aleatória nos padrões de envio de ambulâncias como uma variável instrumental. As ambulâncias podem ter preferências para os hospitais que os pacientes são levados por motivos que não estão relacionados à gravidade clínica do paciente; isso, por sua vez, pode fazer com que pacientes semelhantes sejam transportados (e tratados em) hospitais com gastos mais elevados versus menos gastos.

Outros experimentos naturais usam diferentes tipos de análises para avaliar possíveis relações causais. Isso inclui DID, estudo de eventos e análises de séries temporais interrompidas. Na análise DID, os pesquisadores comparam os resultados em 2 grupos que eram semelhantes antes de uma intervenção (natural ou não) que afetou apenas 1 dos grupos. A análise DID postula que, se o tratamento não tivesse efeito, as diferenças entre os grupos permaneceriam inalteradas após o tratamento. Um desses estudos encontrou taxas de mortalidade de longo prazo mais baixas após o furacão Katrina entre as pessoas que viviam em Nova Orleans em comparação com aquelas que viviam em outras cidades semelhantes, o que eles concluíram que representava o efeito da migração porque os residentes de Nova Orleans migraram para áreas com melhores condições socioeconômicas e menor mortalidade basal após o furacão. Um experimento randomizado sobre os efeitos do reassentamento de uma população nessa escala teria sido inviável.

Em análises de estudos de eventos, os pesquisadores contam com o tempo exógeno e variável de intervenções em grupos expostos para estudar as mudanças dentro dos grupos ao longo do tempo (por exemplo, estimar o tamanho do efeito para a associação entre a continuidade do cuidado e os resultados estudando pacientes cujos médicos de cuidados primários se aposentaram em diferentes pontos no tempo). Embora as análises de estudo de eventos não exijam grupos de controle, grupos de controle sem qualquer exposição são frequentemente incorporados a esta abordagem. As análises de séries temporais interrompidas são semelhantes, mas normalmente se concentram nas mudanças nos resultados antes e depois de um único evento que afeta uma população de interesse (por exemplo, um imposto especial de consumo de refrigerante em toda a cidade).

Cada um desses tipos de desenhos e análises de estudo tem limitações importantes que devem ser consideradas, incluindo não controlar as diferenças não observadas ou não medidas entre os grupos, risco de viés de seleção devido à alocação que não pode ser ocultada dos pesquisadores, tendências não paralelas que poderiam afetar as comparações entre os grupos e as influências de transbordamento de um grupo para o outro. Por exemplo, em estudos de RDD, as suposições devem ser testadas para garantir que as variáveis ​​observadas sejam contínuas no ponto onde o tratamento e as descontinuidades do resultado ocorrem, de modo que não haja mudanças abruptas na relação entre as variáveis ​​observadas e o tratamento ou resultado, exceto em o corte de descontinuidade. 

De forma similar, os experimentos naturais oferecem uma abordagem importante para examinar possíveis ligações causais entre intervenções e resultados. Os estudos que usam esses métodos de forma adequada podem ajudar a fornecer dados para informar as questões que afetam a saúde dos pacientes que, de outra forma, podem permanecer sem resposta.

Fonte: Texto traduzido livremente a partir do artigo do JAMA Health Forum - "“Natural Experiments” in Health Care Research”.