Análise de concordância | Jiotower
classificações numa escala contínua
a maioria das medições físicas estão numa escala numérica contínua. Muitas vezes, há mais de uma técnica ou instrumento para medir a quantidade em questão, e coloca-se a questão de saber até que ponto essas técnicas concordam (1). Se se pretende introduzir um novo método de medição de uma variável médica, deve-se primeiro avaliar a sua validade, verificando até que ponto concorda com um método já estabelecido, ou com um padrão-ouro.Nesta secção, apresentaremos métodos estatísticos para comparar duas técnicas de medição e aplicá-los a alguns exemplos fictícios. Nós assumimos que algum Número n de pessoas ou objetos (talvez 100 deles) passam por medições com cada uma das duas técnicas, produzindo um total de N pares de medições. Como primeiro passo, as medições obtidas pelas duas técnicas são plotadas umas contra as outras em um gráfico: traça-se um ponto para cada membro da amostra, sendo a sua coordenada em x a medição obtida pela primeira técnica e a sua coordenada em y a medição obtida pela segunda técnica. Se as duas técnicas concordarem perfeitamente ou quase, então todos os pontos plotados devem estar sobre ou perto da linha diagonal x = Y.
duas situações distintas e facilmente compreensíveis são mostradas nas figuras 1a e 1b (exemplos a e b). Qualquer par de medições que fossem precisamente iguais (medição 1 = Medição 2) seria representado como um ponto deitado na linha diagonal x = y, que é desenhada em ambos os grafos. Em um Exemplo, as duas técnicas de medição concorda intimamente; no Exemplo b, no entanto, o enredo de uma só vez, revela que a diferença entre as Medidas 1 e 2 varia cada vez mais amplamente para valores cada vez maiores e é maior do que no Exemplo.
mais informativa forma de apresentar esse tipo de relacionamento é chamado de Bland-Altman diagrama, apresentado para os dois Exemplos nas Figuras 2a e 2b. Como antes, cada par de medições é plotado no plano x-y, Mas de uma forma diferente: a média das duas medições é plotada como a coordenada x, e a diferença entre elas como a coordenada y. Além disso, a média de todas as diferenças é plotada como uma linha horizontal sólida, e duas linhas horizontais adicionais (pontilhadas) são plotadas acima e abaixo desta linha a uma distância de 1,96 vezes o desvio padrão das diferenças. Estas duas linhas correspondem aos chamados limites do acordo. A linha média de todas as diferenças indica um desvio sistemático das duas técnicas de medição para as quais, em geral, pode ser introduzida uma correcção; os limites de concordância indicam a dimensão de desvios adicionais que, em geral, não são corrigíveis. Se a quantidade a ser medida é normalmente distribuída, então 5% das diferenças medidas devem estar além dos limites do Acordo, ou seja, mais de 1,96 desvios padrão acima ou abaixo da média de todas as diferenças (2). O fator 2 é frequentemente utilizado, por simplicidade, em vez de 1,96; este último, porém, corresponde mais precisamente ao 97.5% quantil da distribuição normal. Em resumo, o diagrama Bland-Altman é uma ajuda útil que permite uma comparação visual das técnicas de medição.
na figura 2a, O diagrama Bland-Altman, por exemplo, confirma que as duas técnicas de medição estão de acordo. A linha média de todas as diferenças está muito próxima de 0; assim, parece não haver desvio sistemático entre os valores medidos das duas técnicas. Neste exemplo,o desvio padrão de todas as diferenças é de aproximadamente 0,05. Partindo do princípio de que a quantidade medida é normalmente distribuída, podemos concluir que a diferença entre as duas medições será inferior a 0,1 em 95% dos casos; esta diferença é pequena em relação às próprias quantidades medidas. A distância entre os dois limites do Acordo (ou seja, a largura da região do acordo) é de 0,2 neste exemplo.Quando diagramas Bland-Altman são usados em situações reais para ver quão bem duas técnicas de medição concordam, a questão de saber se o grau de concordância observado é bom o suficiente só pode ser respondida em relação à aplicação particular para a qual as técnicas devem ser usadas (ou seja, “bom o suficiente para quê?”). Os utilizadores potenciais devem decidir se as medições devem estar de acordo (caso contrário: quão estreita deve ser a faixa entre os limites do acordo) para serem aceitáveis para fins clínicos. Tetzlaff et al. (1) por exemplo, comparou a imagiologia por ressonância magnética (IRM) com a espirometria para uma aplicação clínica específica utilizando diagramas Bland-Altman (entre outros métodos) e considerou o grau de concordância satisfatório.
o diagrama Bland-Altman, por exemplo b (figura 2b), revela imediatamente mais do que uma limitação ao Acordo das duas técnicas de medição investigadas. A diferença média entre as duas medições é mais uma vez próximo de zero, mas os limites de concordância são 1.4 unidades acima e abaixo do valor médio, i.e., pode-se esperar que 95% de todas as diferenças medidas se situem no intervalo -1,4 a +1,4. O médico deve decidir se um desvio desta magnitude é aceitável. Além disso, a distribuição não uniforme dos pontos deste diagrama indica distorção sistemática (viés sistemático).
mesmo assim, contudo, um mau acordo num diagrama de Bland-Altman não nos deve levar a rejeitar prematuramente uma nova técnica de medição. Na Figura 3, dois outros casos (exemplos c E d) são mostrados em que as duas técnicas de medição obviamente não concordam (os pontos plotados estão longe da linha de acordo), mas eles são, no entanto, funcionalmente relacionados, como a curva de regressão mostra em cada caso. A relação entre as duas técnicas é linear no exemplo c (figura 3c), não linear no exemplo d (figura 3d).
diagramas de nuvens pontuais para comparar duas técnicas de medição funcionalmente relacionadas; Medição 1 vs medição 2, por exemplo c (acima) e exemplo d (abaixo))
assim, muitas vezes acontece que uma medição pode ser prevista com precisão da outra porque as duas estão claramente relacionadas funcionalmente, mesmo que as duas medições em si produzam valores muito diferentes. Na figura 3d, por exemplo, quando a medição 1 produz o valor 3.0, podemos usar a curva de regressão para estimar que a medição 2 produzirá o valor 7.65. A aparente falta de acordo entre as duas técnicas de medição é, portanto, em grande parte corrigível. Tendo” corrigido ” A Medição 2 desta forma através da curva de regressão—que corresponde à nossa melhor estimativa da relação funcional entre as duas medições—podemos comparar a medição corrigida 2 com a medição 1 utilizando os métodos já descritos, por exemplo, um novo diagrama Bland-Altman. Este procedimento assemelha-se muito à calibração de um instrumento de medição. A determinação da própria relação funcional, i.e., a geração de curvas de regressão dos tipos vistos na Figura 3, requer uma variedade de métodos estatísticos, como a regressão linear e não linear, que não podemos discutir aqui em mais detalhes.
O coeficiente de correlação de Pearson (2) entre as duas técnicas de medição é muitas vezes considerado para demonstrar uma relação linear (portanto, um tipo específico de relação funcional) entre eles. Na verdade, um coeficiente com um alto valor absoluto (próximo de 1 ou -1) indica tal relação. Um erro comum, no entanto, é interpretar mal as implicações dos testes de significância que são aplicados aos coeficientes de correlação. A constatação de que a correlação entre duas técnicas de medição difere significativamente de zero não indica necessariamente que as duas técnicas estejam de acordo. Mesmo a mais pequena e praticamente irrelevante relação entre duas técnicas poderia, em princípio, produzir uma constatação estatisticamente significativa deste tipo. Uma correlação “significativa” realmente não contém qualquer informação sobre o tamanho do desacordo entre os dois tipos de medição (3, 4).
