A maioria dos IMGs conhece bem sua cardiologia e farmacologia. Aí surge uma dúvida sobre sensibilidade e especificidade, e as marcas desaparecem silenciosamente. Isso é frustrante, porque essas perguntas seguem padrões previsíveis – e uma vez que você entende a lógica, elas o recompensam de forma confiável.
Por que as questões de estatística parecem mais difíceis do que são
A resposta honesta é que as estatísticas médicas parecem abstratas depois de anos de treinamento clínico onde você solicitou o teste, leu o resultado e tomou uma decisão. Ninguém lhe pediu para recalcular uma razão de verossimilhança no meio da rodada.
Mas o PLAB 1 não está testando se é possível realizar um ensaio clínico. É testar se você consegue ler pesquisas de forma crítica e aplicar evidências – uma expectativa central do GMC sob os princípios das Boas Práticas Médicas. As questões são, portanto, estreitas e repetíveis. Um pequeno conjunto de conceitos é responsável por quase todas as estatísticas e notas de medicina baseada em evidências no exame: sensibilidade e especificidade, valores preditivos positivos e negativos, número necessário para tratar (NNT), número necessário para causar dano (NNH), redução de risco absoluto e relativo, intervalos de confiança e valores de p. Domine essas oito ideias e você terá coberto o território.
Sensibilidade e especificidade: use as palavras exatamente certas
Esses dois termos enganam as pessoas porque parecem intercambiáveis até que você os ancore adequadamente.
A sensibilidade é uma propriedade do próprio teste, medida em pessoas que têm a doença. Um teste altamente sensível raramente deixa passar casos verdadeiros — um resultado negativo é tranquilizador ("SnNout": um teste sensível, quando Negativo, exclui). Pense em um teste de triagem como o dímero D para embolia pulmonar: ele foi projetado para ser sensível, de modo que poucos casos sejam perdidos.
A especificidade também é uma propriedade do teste, medida em pessoas que não têm a doença. Um teste altamente específico raramente sinaliza falsos positivos - um resultado positivo é significativo ("SpPin": um teste específico, quando Positivo, determina In). Um teste confirmatório como o VDRL para sífilis foi concebido para ser específico.
Valor preditivo positivo (VPP) e valor preditivo negativo (VPN) dependem da prevalência. Este é o conceito mais frequentemente testado numa vinheta clínica: o mesmo teste apresenta um VPP mais baixo numa população de baixa prevalência do que numa clínica de alto risco. Se uma pergunta lhe disser que o teste tem 95% de sensibilidade e 95% de especificidade, mas é utilizado numa população onde apenas 1 em cada 1.000 pessoas tem a doença, o VPP ainda será baixo. Trabalhe nessa lógica uma vez com números reais e ela permanecerá com você.
Risco Absoluto, Risco Relativo e NNT
As questões de medicina baseada em evidências no PLAB 1 quase sempre giram em torno da diferença entre redução de risco relativa e absoluta, porque essa diferença é enormemente importante na prática clínica e na avaliação de ensaios de medicamentos.
- Redução absoluta do risco (RRA) = risco no grupo controle − risco no grupo tratamento.
- Redução do risco relativo (RRR) = RAR ÷ risco no grupo controle, expresso em porcentagem.
- Número necessário para tratar (NNT) = 1 ÷ ARR (onde ARR é expresso como decimal).
- Número necessário para causar dano (NNH) usa a mesma fórmula, mas aplicada a eventos adversos.
Um exemplo prático: se um medicamento reduz o risco de acidente vascular cerebral de 4% para 2%, a RAR é de 2% (0,02), portanto o NNT é 1 ÷ 0,02 = 50. A RRR é de 50% – os mesmos dados, mas um número que parece muito mais impressionante. Anúncios de medicamentos tendem a citar RRR; as questões de avaliação no PLAB 1 esperam que você calcule o NNT. Um NNT mais baixo é melhor (você precisa tratar menos pacientes para que um deles se beneficie).
Valores P e intervalos de confiança sem o diploma de matemática
Você não precisa calcular um valor p no PLAB 1. Você precisa interpretá-lo corretamente.
Um valor p abaixo do limite convencional de 0,05 significa que o resultado é estatisticamente significativo – ou seja, é improvável que tenha ocorrido apenas por acaso, assumindo que a hipótese nula fosse verdadeira. Isso não significa que o efeito seja clinicamente importante, grande ou causal. Um teste massivo pode retornar p = 0,001 para um efeito que é pequeno demais para ter importância na prática.Um intervalo de confiança (CI) informa o intervalo dentro do qual provavelmente se encontra o valor verdadeiro. Para uma proporção (risco relativo, razão de chances, taxa de risco), um IC de 95% que ultrapassa 1,0 significa que o resultado não é estatisticamente significativo – o efeito pode ser zero. Para um valor absoluto (como uma diferença média), um IC cruzando o zero tem o mesmo significado. A pergunta geralmente pedirá que você identifique se um resultado é significativo ou que escolha o estudo cujo IC sugere um efeito genuíno.
Desenho do estudo: saber qual estudo responde a qual pergunta
O PLAB 1 ocasionalmente solicita que você escolha o desenho de estudo mais apropriado para uma determinada questão clínica. A pequena lista de referências:
- Ensaio controlado randomizado (ECR) — melhor para eficácia do tratamento; reduz a confusão.
- Estudo de coorte — melhor para examinar fatores de risco prospectivamente; dá risco relativo.
- Estudo caso-controle — eficiente para doenças raras; dá razão de chances, não risco relativo.
- Estudo transversal — prevalência em um determinado momento; não é possível estabelecer causalidade.
- Revisão sistemática/meta-análise — nível mais alto de evidência para tomada de decisão clínica, quando bem conduzida.
Se uma pergunta perguntar sobre a melhor evidência da eficácia de um novo medicamento, a resposta é quase sempre um ECR ou uma revisão sistemática de ECRs. Se perguntar sobre um cancro raro e a sua potencial exposição ocupacional, um estudo de caso-controlo é normalmente correcto.
Como aprofundar esses conceitos antes do dia do exame
Compreender a teoria é metade do trabalho; aplicá-lo em condições cronometradas é a outra metade. Esses tópicos recompensam a prática ativa em vez da releitura passiva. Trabalhar com perguntas de melhor resposta única que apresentam uma tabela 2 × 2 e solicitam o cálculo da sensibilidade, ou que fornecem dados de teste e solicitam NNT, cria o reconhecimento de padrões que o exame exige. O banco de perguntas Ant PLAB inclui um cluster dedicado de evidências e estatísticas com explicações elaboradas para que você possa ver exatamente onde a lógica dá errado quando você escolhe a opção incorreta - e a análise de desempenho sinalizará se esta área do projeto está custando notas consistentemente.
O cluster de estatísticas no PLAB 1 é pequeno. Durante uma sessão completa, pode responder apenas por um punhado de perguntas. Mas são perguntas com respostas claramente corretas, delimitadas por um conjunto limitado de conceitos, às quais muitos candidatos desistem sem lutar. Você se esforçou demais neste exame para deixar notas na mesa sobre uma fórmula que pode aprender em uma tarde.
Perguntas frequentes
Qual é a diferença entre sensibilidade e especificidade em termos simples? A sensibilidade mede quão bem um teste detecta pessoas que têm uma doença (taxa de verdadeiro positivo), enquanto a especificidade mede quão bem ele identifica pessoas que não a têm (taxa de verdadeiro negativo). Um teste altamente sensível é bom para descartar um diagnóstico; um teste altamente específico é bom para decidir.
Como calculo o NNT a partir do resultado de um ensaio clínico no PLAB 1? Subtraia a taxa de eventos no grupo de tratamento da taxa de eventos no grupo de controle para obter a redução absoluta do risco (ARR). NNT = 1 ÷ ARR (com ARR como decimal). Por exemplo, um ARR de 5% (0,05) dá um NNT de 20.
Um valor p abaixo de 0,05 significa que um tratamento é clinicamente útil? Não necessariamente. A significância estatística (p < 0,05) significa que é improvável que o resultado seja devido ao acaso, mas não diz nada sobre o tamanho ou a importância clínica do efeito. Um estudo muito grande pode detectar uma diferença estatisticamente significativa que é pequena demais para beneficiar qualquer paciente individual.