Intervalos de confiança superam valores ao integrar efeito, precisão e relevância clínica

Aldemar Araujo Castro
Criação: 05/04/2026
Atualização: 05/04/2026
Palavras: 3990
Tempo de leitura: 20 minutos

Resumo

A interpretação de resultados científicos foi historicamente dominada pelo uso de testes de hipótese e p valores, frequentemente reduzindo conclusões a decisões binárias. Este capítulo apresenta a crítica clássica de Gardner e Altman e propõe uma mudança de paradigma baseada na estatística de estimação. Intervalos de confiança permitem quantificar o tamanho do efeito, avaliar sua precisão e integrar a interpretação clínica de forma mais robusta. São discutidas limitações do p valor, vantagens dos intervalos de confiança, exemplos clínicos e implicações para ensino e leitura crítica. O objetivo é promover uma abordagem mais informativa, transparente e cientificamente coerente.

1. Introdução, a crise silenciosa da inferência estatística

Durante várias décadas, a metodologia da pesquisa científica adotou uma abordagem predominante que se concentrava exclusivamente no teste de hipóteses estatísticas. Consequentemente, o resultado final da análise estatística foi progressivamente simplificado e reduzido a uma interpretação binária, uma dicotomia simplista:

• Resultado considerado estatisticamente significativo
• Resultado classificado como não estatisticamente significativo

Este modelo excessivamente simplificado, embora oferecesse uma facilidade operacional inegável no dia a dia da pesquisa, gerou uma distorção importante e prejudicial na correta interpretação dos dados coletados. O foco principal da análise deslocou-se drasticamente: deixou de ser o fenômeno ou o objeto de estudo em si, e passou a ser o mero resultado numérico do teste estatístico aplicado.

O problema central desta prática não reside no teste estatístico específico utilizado, que é uma ferramenta válida quando usada corretamente, mas sim no seu uso inadequado como a única e exclusiva ferramenta decisória. A prática científica convencional passou a direcionar seus esforços para responder a uma pergunta de natureza secundária e menos relevante para o conhecimento real:

“De fato, existe uma diferença estatisticamente significativa entre os grupos comparados ou as variáveis analisadas?”

Quando, na realidade fundamental, a pergunta verdadeiramente relevante, aquela que oferece o maior valor para a ciência e a prática clínica, é completamente outra, focada na utilidade prática:

“Qual é, de maneira concreta, a magnitude real do efeito observado, e qual é, acima de tudo, sua relevância e implicação clínica ou prática para a área de estudo?”

2. O modelo clássico e suas limitações estruturais

O modelo estatístico clássico, focado no cálculo do p valor, é amplamente utilizado nas ciências da saúde para determinar a significância estatística de um resultado. Contudo, essa abordagem possui limitações inerentes e estruturais que podem levar a interpretações errôneas e decisões clínicas questionáveis, especialmente quando usada como único critério de avaliação.

2.1 O que o p valor realmente mede?

O p valor é uma métrica estatística que quantifica a probabilidade de se observar um resultado nos dados coletados (ou um resultado ainda mais extremo do que o observado) assumindo que a hipótese nula é verdadeira. A hipótese nula, por sua vez, afirma que não há diferença ou não há efeito entre os grupos comparados. Um p valor baixo sugere que o resultado obtido é improvável se a hipótese nula for verdadeira, levando à sua rejeição.

É crucial entender o que o p valor não mede para evitar equívocos. Ele não informa a magnitude do efeito, ou seja, a diferença real e o tamanho do benefício ou malefício de uma intervenção. Da mesma forma, ele não avalia a importância clínica ou a relevância prática daquele efeito para o paciente ou a saúde pública. Por fim, ele não indica a precisão da estimativa do efeito. Essa precisão é melhor capturada pelo intervalo de confiança.

2.2 O problema da dicotomização

A prática comum de dicotomizar os resultados — classificando-os estritamente em “estatisticamente significativos” (geralmente p < 0,05) ou “não significativos” (p > 0,05) — impõe um raciocínio artificial à interpretação dos dados. Essa abordagem cria uma fronteira abrupta e rígida que não reflete a natureza contínua da evidência científica.

Essa dicotomização é problemática pois pequenas variações no p valor, que são inerentes à variabilidade amostral, podem mudar completamente a conclusão do estudo, levando a decisões contraditórias:

• Um p = 0,049 é rotulado como “funciona” e é considerado digno de publicação.
• Um p = 0,051 é classificado como “não funciona” e muitas vezes é rejeitado ou ignorado.

Essa transição abrupta no julgamento, baseada em um limite arbitrário, não reflete a realidade biológica e a incerteza contínua da pesquisa.

2.3 Dependência do tamanho da amostra

O p valor é intrinsecamente ligado ao tamanho da amostra do estudo. Essa dependência é uma das suas maiores fragilidades.

• Em estudos muito grandes, mesmo uma diferença trivial (ou seja, um efeito que não tem relevância prática para o paciente) pode resultar em um p valor extremamente baixo, levando à conclusão de “significância estatística“. Nesses casos, o estudo detecta que há alguma diferença, mas o seu tamanho é irrelevante.
• Por outro lado, estudos pequenos (com amostras insuficientes) podem falhar em detectar diferenças relevantes e clinicamente importantes. O p valor será alto (p > 0,05), mas isso pode ser apenas um reflexo do poder estatístico insuficiente e não da ausência de efeito real.

Portanto, o p valor está fortemente condicionado ao tamanho amostral, o que exige que o pesquisador e o leitor sempre avaliem o contexto do estudo e a magnitude do efeito reportada.

2.4 Desalinhamento com a decisão clínica

Na prática clínica diária, a tomada de decisão é um processo complexo e multifacetado, nunca sendo simplesmente binário (“sim” ou “não”). O profissional de saúde não busca apenas saber se um tratamento funciona, mas sim como ele funciona e qual é o seu impacto real.

O médico precisa avaliar:

• quanto o tratamento melhora: A magnitude do benefício é suficiente para justificar os custos ou riscos?
• se o efeito é relevante: Essa melhora observada é clinicamente significativa para a vida do paciente?
• se a incerteza é aceitável: Qual é o grau de confiança na estimativa desse efeito?

O p valor não responde nenhuma dessas questões cruciais. Ao fornecer apenas uma medida de compatibilidade dos dados com a hipótese nula, ele não é uma ferramenta adequada para embasar a complexidade das decisões clínicas que afetam a saúde dos pacientes. A avaliação do intervalo de confiança é um método estatístico muito mais alinhado com a natureza da incerteza clínica.

3. A ruptura conceitual de Gardner e Altman

O artigo clássico de 1986 propõe uma mudança de paradigma fundamental na forma como os resultados de pesquisas são interpretados. Historicamente, tem havido um excesso de foco na realização e na interpretação de testes de hipótese, como o teste de significância (p-valor).

Os autores argumentam de forma veemente que esta ênfase desproporcional nos testes de hipótese tem prejudicado significativamente a interpretação completa e útil dos resultados científicos, especialmente na área médica e de saúde. Essa abordagem estreita desvia a atenção dos pesquisadores e leitores de metodologias estatísticas mais informativas e relevantes.

Eles sugerem e incentivam fortemente a adoção de abordagens mais úteis e intuitivas, como a estimativa do tamanho do efeito e o uso sistemático dos intervalos de confiança. O uso de intervalos de confiança (IC) é apresentado como um método superior para quantificar a incerteza e o tamanho real de um efeito ou diferença observada.

No contexto de estudos médicos e clínicos, o interesse principal e o mais importante para os profissionais de saúde e pacientes é:

1. O tamanho da diferença (magnitude do efeito) observada entre os grupos (por exemplo, grupo de tratamento versus grupo de controle).
2. E, crucialmente, não apenas se essa diferença alcançou a significância estatística (ou seja, se o p-valor é menor que 0,05).

Essa mudança recomendada de foco dos testes de significância para a estimativa de efeitos e o uso de intervalos de confiança não é meramente uma alteração metodológica; ela redefine a própria lógica subjacente à inferência científica e à tomada de decisão baseada em evidências. Trata-se de uma transição de uma visão binária (“é significativo” ou “não é significativo”) para uma abordagem contínua que enfatiza a magnitude do efeito e a precisão da estimativa.

4. O Intervalo de Confiança como Elemento Central da Interpretação Estatística

O intervalo de confiança (IC) transcende a simples apresentação de uma estimativa pontual. Ele se estabelece como um pilar fundamental na interpretação de resultados, oferecendo uma visão muito mais rica e robusta sobre o efeito ou parâmetro de interesse.

Essencialmente, um intervalo de confiança de 95% (ou outro nível escolhido) fornece três informações cruciais para a análise e tomada de decisão:

1. Estimativa do Efeito de Interesse (Magnitude): O centro do intervalo de confiança usualmente coincide com a melhor estimativa pontual (por exemplo, a média amostral, a diferença de médias, a odds ratio), indicando a magnitude observada do efeito na amostra estudada.
2. Precisão da Estimativa (Incerteza): A largura do intervalo é uma medida direta da precisão da estimativa. Um intervalo estreito sugere alta precisão e menor variabilidade amostral, enquanto um intervalo largo sinaliza maior incerteza sobre o verdadeiro valor do parâmetro.
3. Faixa de Valores Plausíveis para o Parâmetro Populacional: Talvez o seu papel mais importante seja definir um conjunto contínuo de valores para o parâmetro populacional que são considerados compatíveis com os dados observados.

De maneira mais formal e rigorosa, o conceito de intervalo de confiança é definido com base em repetidas amostragens. Ele representa um intervalo construído por um método que garante que, se o procedimento for repetido inúmeras vezes em diferentes amostras da mesma população, uma proporção predefinida desses intervalos (o nível de confiança, como 95%) irá efetivamente conter o verdadeiro valor desconhecido do parâmetro populacional. É crucial entender que a confiança está no método e não no intervalo específico obtido, embora, para fins práticos, ele seja interpretado como a faixa mais plausível.

5. A Resposta Fundamental do Intervalo de Confiança

Vamos analisar um cenário prático para compreender profundamente o que o intervalo de confiança (IC) nos revela sobre um determinado efeito clínico:

Considere a diferença média observada em um estudo, como a diferença de pressão arterial, que foi calculada em 10 mmHg. Esta é a estimativa pontual do efeito.

O cálculo do intervalo de confiança de 95% (IC95%) resultou em uma amplitude de 2 a 18 mmHg. Este intervalo representa a gama de valores plausíveis para o verdadeiro efeito na população, com 95% de certeza.

A interpretação clínica e estatística desse resultado desdobra-se em três pontos cruciais que vão além do mero p-valor:

1. Existe um efeito clinicamente relevante, pois o intervalo não inclui o valor de não-efeito (zero).
2. A magnitude do efeito pode variar significativamente, abrangendo desde um impacto pequeno (próximo a 2 mmHg) até um moderado (próximo a 18 mmHg).
3. A incerteza estatística e clínica ainda é substancial devido à amplitude relativamente larga do intervalo, o que exige cautela na generalização dos achados.

Essa abordagem permite um julgamento clínico aprofundado, focado na relevância e na precisão da estimativa, e não apenas na dicotomia estatística de significância.

6. Vantagens dos intervalos de confiança

6.1 Quantificação do efeito (Tamanho Real da Diferença)

O Intervalo de Confiança permite ir além de apenas dizer se há ou não um efeito (o que o valor de p faz). Em vez disso, ele fornece um leque de valores plausíveis (mínimo e máximo) para a magnitude real do efeito (por exemplo, a diferença média, o odds ratio, ou o risco relativo). Isso ajuda a entender o tamanho real e a importância clínica ou prática da descoberta.

6.2 Avaliação da precisão (Confiabilidade da Estimativa)

A largura do Intervalo de Confiança é uma medida direta da precisão da estimativa. Intervalos estreitos indicam que o estudo produziu uma estimativa precisa e confiável, pois a amostra foi suficiente para localizar o efeito real em um pequeno leque de valores. Intervalos largos sugerem baixa precisão ou incerteza, frequentemente devido a um tamanho de amostra pequeno.

6.3 Integração com relevância clínica (Contexto e Julgamento)

O IC permite que o profissional de saúde ou pesquisador avalie o resultado à luz do contexto clínico ou prático. Se o intervalo incluir valores que são considerados clinicamente insignificantes, mesmo que o resultado seja estatisticamente significativo (p < 0,05), o clínico pode interpretar a descoberta com cautela, integrando sua experiência ao dado estatístico.

6.4 Eliminação da dicotomia artificial (Fim do “Sim ou Não” Arbitrário)

Ao contrário do teste de hipótese nula baseado no valor de p, que força uma decisão binária (“significativo” ou “não significativo”) usando um corte arbitrário (como p < 0,05), o IC evita essa dicotomia. Ele apresenta toda a gama de valores plausíveis, incentivando uma interpretação mais nuançada sobre a compatibilidade dos dados com a hipótese nula e as hipóteses alternativas.

6.5 Transparência interpretativa (Explicitando a Incerteza)

O Intervalo de Confiança explicita claramente a incerteza inerente à estimativa. Ao fornecer os limites inferior e superior do efeito, ele informa ao leitor que o verdadeiro valor populacional provavelmente reside dentro desse intervalo. Isso torna a interpretação dos resultados mais transparente do que apenas relatar um valor de p ou um valor de efeito pontual.

7. Comparação direta: p valor vs intervalo de confiança

8. Exemplos clínicos aplicados: Interpretação de Resultados

Esta seção ilustra como interpretar diferentes tipos de resultados estatísticos, focando no Risco Relativo (RR) e na Diferença de Médias, especialmente no contexto dos Intervalos de Confiança de 95% (IC95%).

8.1 Risco Relativo (RR): Exemplo de Incerteza

Neste exemplo, o Risco Relativo (RR) é de 0,80, com um IC95% variando de 0,60 a 1,05.Interpretação:

• Pode haver redução de risco: Um RR de 0,60 sugere uma redução de risco de até 40% (1 – 0,60 = 0,40).
• Pode não haver efeito: O limite superior do IC95% (1,05) inclui o valor nulo de “não-efeito” (o 1,0), indicando que é possível que a intervenção não tenha impacto na redução do risco.
• Conclusão: O IC95% é amplo e abrange tanto uma redução significativa quanto a possibilidade de não haver efeito. Há, portanto, uma incerteza relevante no efeito real da intervenção.

8.2 Diferença de Médias: Exemplo de Efeito Consistente

Neste caso, a Diferença de Médias observada entre os grupos é de 5 unidades, com um IC95% estreito de 4 a 6.Interpretação:

• Efeito consistente e preciso: Como o intervalo de confiança é estreito e não inclui o zero (o valor nulo para a Diferença de Médias), o efeito da intervenção é considerado consistente e com alta precisão.
• Forte evidência clínica: A evidência sugere fortemente que a diferença real está entre 4 e 6 unidades, caracterizando uma forte evidência clínica para a eficácia da intervenção.

8.3 Caso Crítico: Relevância Estatística vs. Clínica

O exemplo apresenta um RR de 0,95, com um IC95% que varia de 0,90 a 1,00.

• Interpretação Estatística: O limite superior do IC95% toca exatamente o 1,00, o que em alguns contextos pode ser considerado como “significativo” (ou muito próximo disso).
• Interpretação Clínica: Mesmo que seja “estatisticamente relevante”, o efeito máximo observado (RR = 0,90, uma redução de risco de apenas 10%) e o efeito central (RR = 0,95, uma redução de 5%) são mínimos.

Conclusão: ➡️ O resultado é estatisticamente relevante, mas clinicamente irrelevante (ou minimamente relevante). O tamanho do efeito (magnitude) não é grande o suficiente para impactar a prática clínica de forma significativa, mesmo que o resultado seja estatisticamente diferente do nulo.

9. Leitura crítica de artigos científicos

Ao analisar um artigo científico, o leitor deve empreender uma avaliação detalhada e crítica dos achados apresentados. O primeiro passo crucial envolve a identificação clara do efeito principal ou da magnitude do resultado que está sendo reportado. Isso significa entender a dimensão da diferença, associação ou risco que o estudo encontrou, e não apenas se o resultado é “estatisticamente significativo”.

Em seguida, é imperativo observar cuidadosamente o intervalo de confiança associado a esse efeito principal. O intervalo de confiança (IC) oferece uma faixa de valores prováveis para o verdadeiro efeito populacional, indicando a precisão da estimativa do estudo. Ele é muito mais informativo do que um simples valor de p, pois incorpora tanto a estimativa pontual quanto sua variabilidade.

O terceiro passo requer avaliar se o intervalo de confiança inclui valores clinicamente irrelevantes (ou, em alguns contextos, valores nulos). Mesmo que um resultado seja estatisticamente significativo (ou seja, o IC não cruza o ponto de nulidade, como 1 para odds ratio ou 0 para diferença de médias), se a faixa inteira do IC estiver dentro de um limiar que a prática clínica considera insignificante, o achado pode não ter utilidade prática. Por outro lado, um IC que se estende por valores clinicamente importantes, mesmo que cruze a nulidade, sugere que o estudo, embora inconclusivo, aponta para a possibilidade de um efeito significativo.

Finalmente, é essencial julgar a aplicabilidade clínica ou a relevância prática dos resultados. Isso exige considerar se a população estudada, a intervenção e os desfechos são pertinentes para o seu contexto de prática. Um efeito real e preciso pode ser irrelevante se for observado em um cenário muito diferente daquele em que você atua.

Deve-se notar que, se um artigo científico apresentar apenas valores de p para descrever seus resultados, a interpretação está fundamentalmente incompleta. Os valores de p apenas informam sobre a probabilidade de observar os dados (ou dados mais extremos) sob a hipótese nula, mas não fornecem informações sobre a magnitude ou a precisão do efeito, que são essenciais para a tomada de decisões informada.

10. Implicações para o ensino médico

A mudança de paradigma no campo do ensino exige, intrinsecamente, uma profunda mudança pedagógica. É imperativo que os métodos de ensino evoluam para se alinharem com as novas compreensões e necessidades do aprendizado contemporâneo.Estratégias Fundamentais para a Transformação Pedagógica:

1. Ensinar o Efeito Antes da Significância: Deve-se priorizar a compreensão do impacto prático e da magnitude de um resultado (o efeito) antes de se concentrar exclusivamente em sua significância estatística (o valor p). Essa abordagem garante que os alunos compreendam a relevância clínica ou prática dos dados antes de se prenderem à tecnicalidade estatística.
2. Utilizar Casos Clínicos Reais e Contextualizados: A aprendizagem torna-se mais significativa e aplicável quando baseada em exemplos autênticos e complexos do mundo real. A introdução de casos clínicos reais permite que os alunos pratiquem o raciocínio e a tomada de decisão em cenários que espelham sua futura prática profissional, integrando teoria e realidade.
3. Evitar a Linguagem Binária e Promover a Nuance: O uso de termos que sugerem dicotomias rígidas, como “significativo” versus “não significativo”, deve ser minimizado. É crucial ensinar que a interpretação dos dados é um espectro e que a incerteza e a probabilidade são elementos inerentes à análise, incentivando um pensamento mais crítico e matizado.
4. Integrar a Estatística com a Decisão Clínica de Forma Inseparável: A estatística não deve ser ensinada como uma disciplina isolada, mas sim como uma ferramenta essencial e intrínseca ao processo de tomada de decisão clínica. Mostrar como os conceitos estatísticos informam diretamente o diagnóstico, prognóstico e escolha de tratamento reforça sua utilidade e relevância.

O Erro Comum do Aluno:

• O erro mais frequente observado é a tendência do aluno em interpretar o valor p como uma prova absoluta e definitiva de que uma hipótese é verdadeira ou falsa. Isso reflete uma compreensão inadequada da natureza probabilística da estatística.

A Correção Pedagógica Necessária:

• A solução reside em ensinar a interpretação probabilística e contextual dos resultados estatísticos. O foco deve ser deslocado de um julgamento binário (sim/não) para a compreensão de que o valor p apenas indica a probabilidade dos dados observados (ou mais extremos) ocorrerem sob uma hipótese nula específica. É fundamental que os alunos aprendam a integrar esse valor com o conhecimento prévio, o contexto clínico e o tamanho do efeito para formar uma conclusão informada e não absolutista.

11. Limitações dos intervalos de confiança

11.1 Interpretação Equivocada dos Resultados

Um erro comum na utilização dessas ferramentas é a má interpretação dos resultados de probabilidade. É crucial entender que, por exemplo, um intervalo de confiança de 95% não significa que há “95% de chance de o parâmetro real estar dentro do intervalo” após a sua construção. Essa é uma interpretação estatisticamente imprecisa. O correto é que, se o processo de amostragem e cálculo do intervalo for repetido muitas vezes, 95% desses intervalos conterão o verdadeiro valor do parâmetro. A probabilidade se refere ao processo, e não ao intervalo específico que foi calculado.

11.2 Dependência Crítica do Modelo e das Suposições Estatísticas

A validade dos resultados obtidos por meio de ferramentas estatísticas está intrinsecamente ligada às suposições estatísticas do modelo utilizado. Qualquer conclusão, estimativa ou intervalo de confiança está baseado em suposições pré-definidas (como normalidade, independência das observações, ou homogeneidade de variâncias). Se essas suposições não forem válidas para os dados analisados, a precisão e a confiabilidade dos resultados gerados pelo modelo podem ser seriamente comprometidas. Portanto, a verificação da adequação do modelo é um passo indispensável.

11.3 Não Substitui o Raciocínio Clínico ou a Avaliação Especializada

É fundamental reconhecer que a estatística e as ferramentas baseadas nela, como os modelos preditivos ou os testes de hipóteses, são apenas ferramentas auxiliares no processo de tomada de decisão, especialmente em contextos clínicos ou de avaliação especializada. A informação estatística não deve ser tratada como a decisão final. A experiência, o conhecimento do contexto específico, o julgamento profissional e o raciocínio clínico (ou o raciocínio aplicado à área de estudo) são insubstituíveis e devem sempre prevalecer na interpretação e aplicação dos resultados estatísticos.

12. Integração moderna: a estatística de estimação

A abordagem atual no campo da estatística e análise de dados está passando por uma notável e significativa evolução, distanciando-se da mera dependência do valor P para a tomada de decisões. Essa transformação paradigmática concentra-se em três pilares fundamentais para fornecer uma compreensão mais rica e informativa dos resultados das pesquisas:

1. Tamanho do Efeito (Effect Size): É crucial quantificar a magnitude da diferença ou da relação observada, e não apenas se ela existe. O tamanho do efeito (effect size) mede a força prática de um fenômeno, oferecendo uma métrica essencial que complementa a significância estatística, ajudando a determinar a relevância prática dos achados.
2. Intervalos de Confiança (Confidence Intervals): Estes fornecem uma faixa de valores plausíveis para o verdadeiro parâmetro populacional, em vez de um único ponto de estimativa. Os intervalos de confiança (IC) comunicam a precisão da estimativa e a incerteza associada, permitindo uma interpretação muito mais robusta e matizada dos dados.
3. Visualizações Gráficas: A representação visual dos dados é indispensável. Gráficos bem elaborados, como gráficos de distribuição, gráficos de pontos ou gráficos de barra de erro, facilitam a compreensão intuitiva dos padrões de dados, das distribuições, das diferenças e da sobreposição dos intervalos de confiança, tornando a comunicação dos resultados mais acessível e eficaz.

A chamada “estatística de estimação” ou estimation statistics reforça e impulsiona essa mudança de paradigma, valorizando a quantificação e a incerteza em detrimento da dicotomia simplista de “significativo” versus “não significativo”.

13. Síntese operacional

Modelo prático:

1. Identifique o efeito
2. Avalie o intervalo de confiança
3. Análise a precisão
4. Julgue relevância clínica
5. Use p valor apenas como complemento

14. Considerações finais

A estatística não deve ser um mero mecanismo de validação automática de hipóteses, mas sim uma poderosa e essencial ferramenta para a profunda compreensão da realidade e dos fenômenos em estudo.

A proposta metodológica e conceitual defendida por Gardner e Altman representa um significativo e necessário retorno à essência fundamental do método científico, que pode ser sintetizada em três pilares cruciais:

• O primeiro pilar é medir de forma precisa e rigorosa os dados e variáveis de interesse.
• O segundo pilar é estimar com clareza e robustez os efeitos, as relações e as incertezas inerentes aos resultados obtidos.
• O terceiro pilar é, finalmente, interpretar de maneira crítica e contextualizada os achados estatísticos, transformando números em conhecimento útil.

Este crucial deslocamento do foco principal da análise estatística, que sai da simples busca pela significância estatística (o valor P) e se move em direção à estimação de efeitos (intervalos de confiança), não é de forma alguma apenas uma mudança técnica nos procedimentos de cálculo. É, fundamentalmente, uma profunda mudança de natureza epistemológica, que altera a forma como o conhecimento é construído e validado na pesquisa científica.

Simulador interativo e calculadora online (Clique aqui)

Fontes

1. Artigo seminal (base conceitual)

• • Gardner MJ, Altman DG. Confidence intervals rather than P values: estimation rather than hypothesis testing. Br Med J (Clin Res Ed). 1986;292(6522):746–750.
  • URL completo: https://www.bmj.com/content/292/6522/746 (BMJ)
  • Comentário: Este é o texto fundador da mudança de paradigma. Os autores afirmam explicitamente que o uso excessivo de p valores “desviou a interpretação de abordagens mais úteis”, como estimativas e intervalos de confiança (PMC). Introduz a ideia central de que a pesquisa médica deve focar na magnitude do efeito, não apenas na significância. É leitura obrigatória.

2. Livro clássico de aplicação prática

• • Altman DG, Machin D, Bryant TN, Gardner MJ. Statistics with Confidence: Confidence Intervals and Statistical Guidelines. 2nd ed. London: BMJ Books; 2000.
  • URL completo (PDF acadêmico disponível): https://tbrieder.org/epidata/course_reading/b_altman.pdf (Tuberculose para Profissionais de Saúde)
  • Comentário: Manual operacional. Traduz a filosofia em prática: como calcular e interpretar intervalos de confiança em cenários reais. Critica diretamente o uso isolado de p valores, destacando que eles recebem “mais importância do que merecem”. Ideal para ensino aplicado.

3. Estatística moderna, a “New Statistics”

• • Cumming G. Understanding The New Statistics: Effect Sizes, Confidence Intervals, and Meta-Analysis. New York: Routledge; 2012.
  • URL completo (referência editorial): https://www.routledge.com/Understanding-The-New-Statistics-Effect-Sizes-Confidence-Intervals-and-Meta-Analysis/Cumming/p/book/9780415879682
  • Comentário: Expande o pensamento de Altman. Consolida a chamada estatística de estimação, onde o foco passa a ser efeito + precisão. Introduz visualizações modernas e reforça que testes de hipótese devem ser secundários. Fundamental para atualização metodológica.

4. CONSORT 2010 (padrão internacional de ensaios clínicos)

• • Moher D, Hopewell S, Schulz KF, Montori V, Gøtzsche PC, Devereaux PJ, et al. CONSORT 2010 explanation and elaboration: updated guidelines for reporting parallel group randomised trials. BMJ. 2010;340:c869.
  • URL completo: https://www.bmj.com/content/340/bmj.c869 (BMJ)
  • Comentário: Documento normativo. Estabelece que resultados devem ser apresentados com estimativas e intervalos de confiança, não apenas p valores. Representa a institucionalização da filosofia de Altman na pesquisa clínica.

5. Diretrizes estatísticas do BMJ

• • Altman DG, Gore SM, Gardner MJ, Pocock SJ. Statistical guidelines for contributors to medical journals. Br Med J (Clin Res Ed). 1983;286(6376):1489–1493.
  • URL completo: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1547821/
  • Comentário: Documento precursor. Já criticava, antes mesmo do artigo de 1986, o uso inadequado de testes de hipótese. Defende apresentação completa dos resultados, incluindo medidas de efeito e precisão. Base editorial para periódicos de alto impacto.

🔎 Síntese estratégica

Essas cinco fontes formam um eixo conceitual claro:

1. 1. 1983 BMJ Guidelines → início da crítica
   2. 1986 Gardner & Altman → ruptura conceitual
   3. Statistics with Confidence → operacionalização
   4. CONSORT 2010 → normatização
   5. Cumming (New Statistics) → evolução moderna

Declaração de Uso de Inteligência Artificial Generativa (IAG). Declara-se que foi utilizada a ferramenta de Inteligência Artificial Generativa chatGPT, desenvolvida pela empresa OpenAI, como apoio na organização de ideias e na redação preliminar de trechos textuais deste trabalho e criação de imagens. O uso da ferramenta teve finalidade exclusivamente auxiliar na estruturação e revisão linguística do texto. Todas as decisões, interpretação, redação final e responsabilidade pelo conteúdo permanecem integralmente sob responsabilidade do autor.

***