Análise de correlação em estudos clínicos e experimentais

Abstract

É habitual que, em uma pesquisa clínica ou biomédica, seja do interesse do pesquisador investigar se os valores de duas ou mais variáveis quantitativas se modificam de forma conjunta em um mesmo sujeito ou objeto de estudo. Ou seja, quando o valor de uma variável aumenta, o valor de outra tende a aumentar; ou, inversamente, reduza-se progressivamente. Há uma série de testes estatísticos que exploram a intensidade e o sentido desse comportamento mútuo entre variáveis, os chamados testes de correlação 1,2. O primeiro passo para analisar a correlação entre duas variáveis quantitativas deve ser a visualização do diagrama de dispersão, a fim de identificar se existe uma variabilidade gradual entre os conjuntos de dados, se essa variação é monotônica (predominantemente ascendente ou descendente), se assume uma tendência proporcional (linear) e se a distribuição subjacente dos dados é normal 2-4. Diferentes combinações dessas premissas indicam diferentes técnicas de análise de correlação. A Figura 1 exemplifica a dispersão dos valores entre quatro variáveis hipotéticas (V1, V2, V3 e V4), as quais apresentam dados aderentes à distribuição normal (Shapiro-Wilk, p > 0,32). As variáveis V1 e V2 apresentam um crescimento simultâneo dos valores, que se distribuem sobre uma linha reta subjacente imaginária (ideal), a qual descreve a trajetória dos dados. Pode-se afirmar que existe correlação linear positiva entre V1 e V2. Da mesma forma, Rossi e colaboradores identificaram forte correlação positiva (ρ = 0,82; p < 0,01) entre os escores da Escala de Gravidade Clínica dos Sintomas Venosos e da escala de dor em doença venosa crônica 5. As variáveis V1 e V3, em contrapartida, apresentam um comportamento antagônico: enquanto os valores de uma aumentam, os da outra reduzem. Pode-se afirmar que existe correlação linear negativa entre V1 e V3, assim como Ohki e Bellen identificaram moderada correlação negativa (ρ =-0,65; p < 0,01) entre a temperatura regional média e a incidência de trombose venosa 6. Nota-se ainda que os valores da correlação V1 e V3 aproximam-se mais da linha reta imaginária que os valores da correlação entre V1 e V2. Isso leva à conclusão que a relação entre os valores das variáveis V1 e V3 é mais intensa que a relação entre V1 e V2, apesar dos sentidos serem opostos. As comparações dos dados da V4, sejam com V1, V2 ou V3, não apresentam um comportamento gradualmente ascendente ou descendente. Isso leva à conclusão que V4 não apresenta correlação com as demais variáveis. A técnica mais difundida para a avaliação da correlação entre duas variáveis quantitativas é o coeficiente de correlação produto-momento de Pearson, ou r de Pearson, que pressupõe distribuição normal das duas amostras e comportamento linear da relação entre as variáveis 2,7. A falta de observação dessas premissas leva a conclusões equivocadas, mesmo diante de amostragem numerosa. É, porém, bastante comum que amostras de dados clínicos e demográficos não sigam distribuição normal (por exemplo, distribuição de renda, índices de qualidade de vida, índices de gravidade de uma doença, anos de estudo, número de filhos). As opções mais utilizadas na investigação da correlação entre variáveis que não apresentam distribuição normal são a correlação da ordem de postos de Spearman e o coeficiente de correlação de postos de Kendall (Tau-b), que substituem os dados originais por postos ordenados (ranks) 2,7,8. Esses métodos também se impõem em casos que ao menos uma das variáveis apresenta características ordinais (por exemplo, classe funcional, nível de escolaridade, estadiamento de câncer, classe social). Outra vantagem do uso dos testes não paramétricos de Spearman e de Kendall é que eles não se restringem a correlações lineares, desde que apresentem