Nome original do viés: Misclassification bias

Tradução: Ana Luiza Cabrera Martimbianco, Rafael Leite Pacheco, Rachel Riera

Ocorre quando o participante de um estudo é classificado em uma categoria incorreta, alterando a associação observada ou o desfecho de interesse.

 

Introdução

A classificação correta dos indivíduos, e das exposições e características dos participantes é um elemento essencial de qualquer estudo. A classificação incorreta ocorre quando os indivíduos são designados para uma categoria diferente daquela em que deveriam estar. Isso pode levar a associações incorretas observadas entre as categorias atribuídas e os desfechos de interesse.

A classificação incorreta não diferencial ocorre quando a probabilidade dos indivíduos serem classificados erroneamente é igual em todos os grupos do estudo. O viés de classificação diferencial ocorre quando a probabilidade de ser classificado erroneamente difere entre os grupos em um estudo (Porta et al. 2014).

Estudos incluídos em uma revisão sistemática podem usar diferentes sistemas de classificação, potencialmente causando viés de classificação incorreta quando os estudos são agrupados em uma metanálise.

 

Exemplos

Uma metanálise sobre a relação entre índice de massa corporal (IMC) e desenvolvimento de câncer de próstata mostrou que os critérios usados para definir próstata agressiva e não-agressiva variaram entre as amostras, o que pode ter levado a um viés de classificação incorreta (Xie et al. 2017).

 

Impacto

Ao mensurar as relações entre exposição e risco de doença, o viés de classificação incorreta pode ter efeitos imprevisíveis, isto é, pode aumentar ou diminuir uma associação.

Flegal e colaboradores investigaram o viés de classificação incorreta em estudos que analisaram a relação entre o índice de massa corporal (IMC) e mortalidade por meio de taxas de risco (hazard ratio) (Flegal et al 2017).

A classificação incorreta para as categorias superiores do IMC tendeu a aumentar a taxa de risco para algumas categorias, porém este efeito foi contrabalanceado ou até memsmo revertido pela classificação incorreta de outras categorias do IMC, em particular, aquelas que afetam a categoria de referência. Por exemplo, entre homens saudáveis que nunca fumaram, erros de classificação que afetaram a categoria sobrepeso e a categoria de referência mudaram significativamente a taxa de risco para sobrepeso de 0,85 com dados mensurados para 1,24 com dados autorrelatados.

Tanto a magnitude quanto a direção do viés variaram de acordo com as taxas de risco dos dados mensurados. Devido aos efeitos do viés de classificação incorreta, o peso e a altura autorreferidos não poderiam indicar com segurança a categoria do IMC de menor risco. Quando uma associação entre uma categoria do IMC e um desfecho de saúde é encontrada, o viés de classificação incorreta pode ter influenciado esta observação, aumentando ou diminuindo a estimativa de risco. Isso é importante pois entender a relação entre obesidade, baixo peso e saúde é um fator-chave na saúde pública.

O estudo também destaca que os riscos subjacentes influenciam o modo como o viés de classificação incorreta afeta as estimativas de risco em cada estudo, e a necessidade de entender este viés dentro de um grupo específico ou população em estudo e seu efeito nos desfechos.

Passos para prevenção

A prevenção do viés de classificação incorreta inclui o uso das medidas mais precisas e o pensamento cuidadoso sobre a categorização de indivíduos ou pontos de dados nos grupos.

Existem algumas técnicas estatísticas para lidar com a suspeita de viés de classificação incorreta. Van Walraven investigou dois métodos para ajudar a explicar o viés de classificação incorreta (Van Walraven 2017). Em um estudo sobre duas condições presentes em coortes separadas (insuficiência renal grave e fratura de Colles), a prevalência verdadeira da doença e a relação da doença com outros fatores foram mensuradas e comparadas com resultados quando o estado da doença foi determinado usando códigos diagnósticos.

“Diferenças (viés de classificação incorreta) foram então ajustadas para usar dois métodos: análise quantitativa de viés (AQV) com parâmetros de viés (códigos de sensibilidade e especificidade) de acurácia variável; e imputação do estado da doença usando métodos de bootstrap e modelos de probabilidade de doença.”

Os autores relatam que o uso da AQV não necessariamente diminuirá o viés. O AQV depende da precisão dos dados ao lidar com o viés. Eles recomendam o uso de valores que são realmente mensurados na população do estudo (ou aqueles que são similares aos dos estudo). A acurácia do registro de cada condição foi menor quando foi usado um banco de dados de códigos de diagnóstico do que dados bioquímicos hospitalares, e as medidas de associação de doenças com covariáveis também foram substancialmente afetadas. O uso de uma das duas abordagens estatísticas pode reduzir o viés da classificação incorreta, mas nem sempre isso ocorre.

Link para o original: https://catalogofbias.org/biases/misclassification-bias/

Deve ser citado como: Catalogue of Bias Collaboration, Spencer EA, Mahtani KR, Brassey J, Heneghan C. Misclassification bias. In Catalogue Of Bias 2018. http://www.catalogueofbiases.org/biases/misclassificationbias

Fontes

Flegal KM, et al. Bias in Hazard Ratios Arising From Misclassification According to Self-Reported Weight and Height in Observational Studies of Body Mass Index and Mortality. Am J Epidemiol 187(1):125-134.
Porta M, et al. A dictionary of epidemiology. 6th edition. New York: Oxford University Press: 2014
Van Walraven CV 2017. A comparison of methods to correct for misclassification bias from administrative database diagnostic codes. Int J Epidemiol. doi: 10.1093/ije/dyx253. [Epub ahead of print]
Xie B, Zhang G, t al Body mass index and incidence of nonaggressive and aggressive prostate cancer: a dose-response meta-analysis of cohort studies.Oncotarget 8(57): 97584–97592.
Zhang N, et al. 2017 Accounting for misclassification bias of binary outcomes due to underscreening: a sensitivity analysis. BMC Med Res Methodol. 2017;17(1):168.

PubMed feed
Essas fontes podem ser recuperadas dinamicamente a partir do PubMed:
Laaksonen MA, Webster AC, McCaughan GW, Keogh AM, Grulich AE, Vajdic CM. Longitudinal immunosuppression data can minimize misclassification bias in solid organ transplantation cohorts.