PUBLICIDADE

Topo

Causalidade ou correlação? Entenda a diferença em pesquisas sobre Covid-19

Engin Akyurt/Unsplash
Imagem: Engin Akyurt/Unsplash

Luiza Pollo

Colaboração para o TAB

16/04/2020 04h00

Você deve ter ouvido em algum momento que a Itália apresenta uma taxa aparentemente alta de mortalidade do novo coronavírus porque lá os netos passam muito tempo com os avós. Talvez tenha lido que, na verdade, a culpa é da proximidade entre as pessoas em um país tão caloroso — muito beijinho no rosto, abraço... Há, ainda, a hipótese de que a culpa seja mesmo dos millennials (sempre eles), que estão morando com os pais até idade mais avançada em alguns países, e portanto levam o vírus para dentro de casa, facilitando a transmissão entre famílias e diferentes gerações.

Em certa medida, tudo isso faz sentido. Mas as constatações de onde essas "verdades" saíram vêm de pesquisas no mínimo incompletas, por não conseguirem apontar com segurança uma relação clara de causalidade entre hábitos culturais e a letalidade do novo coronavírus — ou seja, é complicado cravar que costumes e cultura local explicam o maior número de mortes na Itália em relação à Alemanha ou ao Brasil. Esses fatores podem contribuir, mas não podem ser tomados como causa única.

"Nós, como pessoas, temos tendência a atribuir causalidade a fenômenos correlacionados. Isso é característico dos seres humanos. E estamos numa situação desesperadora, que faz com que muitas pessoas estejam preocupadas em agir de alguma forma com base em uma suposta causalidade." A avaliação poderia ter vindo de um psicólogo, mas é do professor do Departamento de Epidemiologia da Faculdade de Saúde Pública da USP (Universidade de São Paulo), Fredi Alexander Diaz Quijano.

Estatística é parte essencial do estudo de epidemias, e Quijano explica ao TAB que há uma série de fatores que precisam ser levados em conta para garantir validade e precisão em um estudo de correlação. "Seguimos guias, e existem diversas orientações que permitem obter um maior nível de confiabilidade", afirma.

Ele exemplifica: para entender se há causalidade entre a cobertura da vacinação contra a tuberculose e uma menor taxa de mortalidade por coronavírus, seria ideal selecionar um grupo de pessoas que não foram vacinadas, imunizá-las randomicamente (ou seja, apenas algumas receberiam a vacina contra a tuberculose), e acompanhá-las por um período de tempo para saber se a taxa de incidência de Covid-19 foi realmente maior nas que não foram vacinadas. Se respeitados todos os fatores de seleção de participantes e população pesquisada, entre outros, ao final seria possível cravar com alto grau de certeza se há uma correlação chamada "negativa" — quanto mais vacinados contra a tuberculose, menos incidência do novo coronavírus.

Pesquisas assim levam tempo e, portanto, não resolvem um problema imediato. Se o momento exige respostas e ações rápidas, que elas sejam então baseadas nos estudos mais cuidadosos possíveis, principalmente quando se trata de políticas de saúde pública, ressalta o professor. "Precisamos tomar muito cuidado, principalmente em questões como a avaliação de tratamentos farmacológicos, que envolvem efeitos adversos, altos custos, risco de hospitalização. Dependendo da intervenção e das implicações, é justificado fazer estudos mais ou menos complexos", avalia.

Bonecas russas coronavírus - Evgeni Tcherkasski/Unsplash - Evgeni Tcherkasski/Unsplash
Imagem: Evgeni Tcherkasski/Unsplash

Separar netos e avós na Itália, por exemplo, provavelmente não terá consequências tão graves (além do baque psicológico) quanto as do uso de um medicamento ainda sem comprovação de eficácia ou segurança no tratamento da Covid-19, como a cloroquina. "Há algumas perguntas para as quais não é nem factível fazer estudos clínicos, como com medidas de isolamento. Não vamos randomizar pessoas para que algumas fiquem isoladas e outras não. Isso não seria ético. Mas, em outros casos, como nos farmacológicos, é preciso testar", avalia o professor da USP.

Queremos acreditar

É tentador olhar para um estudo que, à primeira vista, explica como reduzir a taxa de transmissão da doença ou como nos livrar do novo coronavírus de forma "simples". Estamos praticamente programados para isso, explica Ligia Gonçalves, sócia-fundadora da consultoria Brain Squad e especialista em economia comportamental. "Percebemos muito facilmente que há alguns vieses comportamentais que se relacionam com esse momento. Um deles é o viés de confirmação. Instintivamente, você é mais sensível, mais aberto e percebe mais as informações que vêm ao encontro daquilo que você acredita sobre o mundo", afirma.

Como queremos acreditar que a vida vai "voltar ao normal" em breve, tendemos a aceitar com facilidade pesquisas e avaliações que nos digam isso. "O viés de confirmação dificulta muito as discussões e a avaliação correta por todos nós da situação que vivemos. O que a gente pode fazer é um esforço coletivo para entender a perspectiva contrária e tentar encontrar falhas no que acreditamos", indica Gonçalves.

Calma, a ideia aqui não é colocar ciência e achismos em pé de igualdade, mas identificar se aquilo que você está enxergando como prova científica realmente passou por um crivo confiável. "Mesmo pesquisadores carregam esses vieses comportamentais", destaca ela. Uma das formas de diminuir esse efeito é a revisão de pares — quando outros especialistas revisam e buscam falhas nos estudos publicados, prática usual entre as melhores revistas de divulgação científica.

Causalidade ou simples correlação?

Para ficar atento e mais afiado na hora de interpretar um estudo sobre o novo coronavírus, Quijano dá algumas dicas. Primeiro, ele ressalta que há três possibilidades quando encontramos correlação entre dois fatores.

  1. quando pode haver erro na pesquisa. "Antes de tudo, precisamos descartar se não houve um erro sistemático, que a gente chama de vieses -- por exemplo, quando não houve um bom desenho epidemiológico, se os participantes foram escolhidos de forma enviesada e se não são representativos, ou se houve mensuração defeituosa -- ou um erro aleatório -- comumente associados a amostras pequenas."
  2. quando há apenas uma causa comum entre os fatores, mas um não influencia o outro. "No inverno as pessoas usam mais casaco, e também no inverno as pessoas sofrem mais de resfriado. Se alguém fizer uma análise, vai encontrar uma analogia entre o uso de casaco e resfriado. Mas isso não quer dizer que um influencie no outro", explica o professor. O termo técnico para isso é bem simples e autoexplicativo: confusão.
  3. quando há real relação de causalidade. "Quando ela existe, vamos encontrar uma relação entre as variáveis de forma que é de se esperar que, quando há uma mudança em A, obrigatoriamente isso leva a uma mudança em B", esclarece Quijano. Essa correlação pode ser chamada de positiva -- quanto mais A, mais B -- ou de negativa -- quanto mais A, menos B. Um exemplo de correlação negativa é o isolamento na contenção da contaminação pelo novo coronavírus: quanto mais distanciamento social, menos transmissão.
Com um número tão grande de estudos sendo feitos sobre um só assunto, é lógico se esperar que também haverá um número maior de deslizes e confusões entre esses três pontos, explica Quijano. "O importante é que a gente coloque o pé no chão na interpretação dos estudos e dê o devido valor às evidências. Algumas serão mais fracas em rigorosidade de métodos, e outras serão muito mais confiáveis", afirma. "Precisamos ter um olho crítico e evitar tomar decisões a partir de correlações gerais ou com baixos níveis de evidência. Temos que evitar extrapolações delirantes neste momento."