Análise Decisional: integridade e validação Por: Lionel Morgado Susana Silva

Transcrição

1 Análise Decisional: integridade e validação Por: Lionel Morgado Susana Silva Algoritmos de Diagnóstico e de Auto-Regulação FCTUC

2 DIAGNÓSTICO DIAGNÓSTICO - em Medicina é o processo analítico de que se vale o especialista no exame de uma doença ou de um quadro clínico, para chegar a uma conclusão. É também o nome dado à conclusão em si mesma. Importância de um bom diagnóstico: - permite intervenção terapêutica mais eficaz; - evita a exposição desnecessária do paciente a terapêuticas muitas vezes penosas; - Evita desperdício de recursos; - redução do erro médico; 2

3 Enfermeira, leve urgentemente o paciente para a maternidade! Está prestes a ter um bebé! A utilidade de um teste é julgada pela eficiência com que faz um diagnóstico na presença ou ausência de doença. 3

4 FONTES DE INCERTEZA Dada a regra Regra R1: Se A & B então C Existem três potenciais áreas de Incerteza: Incerteza nos dados (quão verdadeiros são A e B) Incerteza na regra (com que frequência A & B implicam C) Imprecisão em geral As duas primeiras podem ser tratadas usando Probabilidades A terceira usando Lógica Difusa Raciocínio com Incerteza exige: - Quantificação de Incerteza - Método de combinação dos valores de Incerteza - INTEGRIDADE - VALIDAÇÃO 4

5 INTEGRIDADE INTEGRIDADE - é como o(s) observador(es) classifica(m) o mesmo indivíduo sob diferentes circunstâncias. É análoga à precisão. INTRAOBSERVADOR - avaliações feitas pelo mesmo observador em diferentes períodos de tempo INTEROBSERVADOR avaliações feitas por observadores diferentes ao mesmo tempo - A Integridade presume que todas as provas e observadores sejam iguais. 5

6 INTEGRIDADE KAPPA é um teste amplamente utilizado para avaliação da integridade, que corrige por concordância o acaso. KAPPA = C. observada C. esperada 1 Concordância esperada = 2(AD BC) N 1 N 4 + N 2 N 3 Onde, os valores N s são totais marginais, assim denominados: MD1 SIM NÃO MD2 SIM A B N 1 NÃO C D N 2 N 3 N 4 Total 6

7 INTEGRIDADE -1<KAPPA<+1 KAPPA > 0,80 é considerado excelente. KAPPA 0,60 0,80 é considerado bom. KAPPA 0,40 0,60 é considerado regular. KAPPA < 0,40 é considerado mau 7

8 VALIDAÇÃO - é como uma prova reproduz um resultado comparado à prova de maior segurança conhecida. É análoga à segurança da exactidão. A validação presume que haja um padrão de ouro com o qual a prova e o observador serão comparados. AS TRÊS MEDIDAS CHAVES DA VALIDAÇÃO: - ESPECIFICIDADE - SENSIBILIDADE - VALORES PREDICTIVOS 8

9 Tabela de avaliação da relação teste-doença Resultado Positivo (+) Resultado Negativo (-) Positivo para doença (+) a = verdadeiro positivo c = falso negativo Negative para doença (-) b = falso positivo d = verdadeiro negativo onde: a + c = todas as pessoas com doença b + d = todas as pessoas sem a doença; a + d = todos os casos correctamente classificados pelo teste 9

10 ESPECIFICIDADE - a fração dos não-doentes que deram testes negativos. especificidade = (d / (b + d)) SENSIBILIDADE - fração dos doentes com resultados positivos nos testes. sensibilidade = (a / (a + c)) Em casos de doenças raras os falsos positivos tendem a esconder-se em verdadeiros positivos, conduzindo a resultados errados. São atributos intrínsecos do teste INDEPENDENTES da prevalência. 10

11 PREVALÊNCIA proporção de casos da doença na população prevalência =(a + c) / (a + b + c + d) TAXA DE INCIDÊNCIA número de novos casos de uma doença na população total por unidade de tempo. T = unidade de tempo Taxa de incidência = prevalência/ T O conhecimento prévio da prevalência e da incidência permite no raciocínio clínico optar por um diagnóstico com maior grau de certeza 11

12 VALOR PREDICTIVO POSITIVO - probabilidade de um resultado positivo obtido ser de facto positivo Valor predictivo positivo= (a / (a + b)) NEGATIVO - probabilidade de um resultado negativo obtido ser de facto negativo Valor predictivo negativo= (d / (c + d)) Se prevalência no estudo = prevalência na população VPP<=>fórmula de Bayes 12

13 PROBABILIDADE À POSTERIORI A probabilidade condicionada permite obter a probabilidade de um evento D sabendo que o evento h (anterior a D) ocorreu P(D h) = P(D h) / P(h) Muitas vezes estamos interessados na situação inversa: Qual é a probabilidade de um evento anterior ter ocorrido sabendo que um evento posterior ocorreu? Probabilidade à Posteriori O problema em determinar a probabilidade à posteriori foi resolvido por Thomas Bayes sendo conhecido por Teorema de Bayes 13

14 TEOREMA DE BAYES P ( h D) = P( D h) P( h) P( D) - P(h D): probabilidade à posteriori de h dado D (reflecte a confiança da hipótese h depois de se observar D) - P(D h): probabilidade de D dado h - P(h): probabilidade a priori da hipótese h (representa o conhecimento de domínio, se este conhecimento prévio não existir pode ser atribuída a mesma probabilidade a cada hipótese candidata) - P(D): probabilidade a priori de D 14

15 Variável Declaração alternativa Probabilidade pré-teste de doença presente Probabilidade de teste positivo se doença presente Probabilidade pré-teste de ausência de doença Probabilidade de teste positivo se doença ausente Probabilidade de teste negativo se doença presente Probabilidade de ausência de doença se teste negativo prevalência sensibilidade (1 - (prevalência)) Taxa de falsos positivos = (1 - (especificidade)) Taxa de falsos negativos = (1 - (sensibilidade)) especificidade 15

16 TEOREMA DE BAYES O teorema de Bayes dá a probabilidade do paciente testado ter a doença com base na prevalência da doença e no desempenho do teste. 16

17 Aplicação do Teorema de Bayes: Diagnóstico Médico 1 Probabilidade condicional 2 Probabilidades apriori Seja M = doença meningite S = dor no pescoço Um Doutor sabe: P(S M) = 0.5 P(M) = 1/50000 P(S) = 1/20 P(M S) = P(S M)P(M) P(S) = 0,5*(1/50000) = 0,0002 1/20 A probabilidade de uma pessoa ter meningite dado que ela está com dor no pescoço é 0,02% ou ainda 1 em

18 Inconvenientes da Abordagem Bayesiana Só é matematicamente correcta se os eventos respeitarem a independência estatística Requer a existência de valores difíceis de obter Probabilidades à Priori Não admite incerteza associada às evidências Alguns problemas em que os dados ou a informação está continuamente a ser alterada é necessário recalcular as probabilidades Em bases de conhecimento de dimensão apreciável, torna-se difícil efectuar alterações dado que se tem de verificar P(H 1 ) + P(H 2 ) P(H n ) = 1 18

19 BIBLIOGRAFIA Paneth, N., Validação, Integridade e Monitoramento das doenças Coentro, L., Raciocínio e decisão em Clínica Geral, Abramson J., Making sense of data self-instruction manual on the interpretacion of epidemiological data, Oxford University Press,

20 THE END 20