Quais os principais parâmetros analíticos a usar numa comparação entre 2 métodos de análise?
Quais os parâmetros estatísticos mais importantes a serem avaliados quando se pretende fazer a comparação entre 2 métodos analiticos?
Ao comparar dois métodos analíticos, é essencial avaliar diferentes parâmetros estatísticos para determinar a precisão, exatidão e concordância entre os métodos. Os principais parâmetros a serem considerados incluem:
### 1. **Viés (Bias)**
- Mede a diferença sistemática entre as médias dos dois métodos. Se um método é consistentemente maior ou menor do que o outro, há um viés.
### 2. **Precisão (Reprodutibilidade ou Repetibilidade)**
- Avalia a variação nos resultados quando o mesmo método é repetido sob as mesmas condições. Isso pode ser medido usando o **desvio padrão (SD)** ou o **coeficiente de variação (CV)**.
### 3. **Exatidão**
- Mede o quão próximo os resultados de ambos os métodos estão de um valor de referência ou padrão aceito.
### 4. **Correlação de Pearson (r)**
- Indica o grau de associação linear entre os dois métodos. Valores próximos de 1 indicam forte correlação, mas **não garante concordância**, apenas associação.
### 5. **Teste de Bland-Altman (Plot de Diferença)**
- Avalia a concordância entre os dois métodos, analisando a diferença entre eles em função da média. Este método é preferido para entender a diferença sistemática e os limites de concordância entre dois métodos.
### 6. **Regressão Linear (Deming ou Passing-Bablok)**
- A **regressão Deming** ou **Passing-Bablok** são adequadas quando há erros em ambos os métodos. A equação da reta de regressão (inclinação e intercepto) ajuda a identificar se existe proporcionalidade ou viés constante.
### 7. **Erro Total (TE)**
- Combina a precisão (variabilidade) e o viés em uma única métrica, útil para determinar a aceitabilidade dos métodos.
### 8. **Coeficiente de Determinação (R²)**
- Explica a proporção da variância total nos dados que pode ser explicada pelo relacionamento entre os dois métodos.
### 9. **Teste T para Amostras Emparelhadas**
- Pode ser usado para avaliar se há uma diferença significativa nas médias dos resultados entre os dois métodos.
### 10. **Intervalo de Confiança**
- É importante calcular intervalos de confiança para os parâmetros, como a diferença média ou os coeficientes de regressão, para verificar a robustez das conclusões.
Esses parâmetros, quando usados em conjunto, fornecem uma análise abrangente para comparar métodos analíticos e determinar se eles podem ser usados de forma intercambiável.
E se os valores forem qualitativos e não quantitativos?
Quando se trata de **valores qualitativos** (em vez de quantitativos), a análise estatística para comparar dois métodos analíticos é diferente, pois não estamos lidando com números contínuos, mas com categorias ou classificações. Nesse caso, os parâmetros mais importantes são focados na **concordância entre categorias**. Aqui estão os principais parâmetros estatísticos a serem avaliados:
### 1. **Coeficiente Kappa de Cohen (κ)**
- Mede a concordância entre dois métodos qualitativos além do que seria esperado pelo acaso. Um valor de Kappa igual a 1 indica concordância perfeita, enquanto 0 indica concordância equivalente ao acaso.
- **Interpretação do Kappa**:
- < 0: Concordância pior que o acaso.
- 0 – 0.20: Concordância leve.
- 0.21 – 0.40: Concordância razoável.
- 0.41 – 0.60: Concordância moderada.
- 0.61 – 0.80: Concordância substancial.
- 0.81 – 1.00: Concordância quase perfeita.
### 2. **Coeficiente de Concordância de Gwet (AC1 ou AC2)**
- Uma alternativa ao Kappa que corrige algumas limitações, especialmente quando a distribuição dos dados é desigual (categorias desbalanceadas). É mais robusto quando há muita concentração de valores em uma das categorias.
### 3. **Matriz de Confusão**
- Mostra a distribuição de classificações entre os dois métodos. A matriz de confusão permite ver quantas vezes ambos os métodos concordaram em cada categoria e quantas vezes houve discordância.
- Inclui métricas como **acurácia**, **sensibilidade (taxa de verdadeiros positivos)**, **especificidade (taxa de verdadeiros negativos)**, **valores preditivos positivo e negativo**.
### 4. **Sensibilidade e Especificidade**
- **Sensibilidade**: Proporção de resultados verdadeiros positivos identificados corretamente por ambos os métodos.
- **Especificidade**: Proporção de resultados verdadeiros negativos identificados corretamente por ambos os métodos.
- Estes são úteis especialmente se o objetivo é detectar uma condição ou doença específica.
### 5. **Acurácia Global**
- Mede a proporção total de casos em que os dois métodos concordam, considerando todos os casos (verdadeiros positivos e verdadeiros negativos).
### 6. **Análise de Concordância para Dados Ordinais**
- Se os dados forem ordinais (com categorias em uma ordem hierárquica, como "baixo", "médio" e "alto"), pode ser usada uma extensão do Kappa, como o **Weighted Kappa** (Kappa ponderado), que leva em consideração o grau de discordância (por exemplo, a discordância entre "baixo" e "alto" é mais grave do que entre "baixo" e "médio").
### 7. **Teste de McNemar**
- Usado para avaliar se há uma diferença significativa nas classificações entre dois métodos. É particularmente útil quando há dois resultados binários (ex.: "positivo" ou "negativo").
### 8. **Índice de Concordância Percentual**
- Simplesmente a porcentagem de vezes que os dois métodos produzem a mesma classificação. Pode ser útil, mas ignora a possibilidade de concordância por acaso.
### 9. **Coeficiente de Correlação Intraclasse (ICC)**
- Em alguns casos, especialmente com dados ordinais, o **ICC** pode ser utilizado para medir a consistência ou concordância entre medições feitas pelos dois métodos, mas geralmente é mais usado para dados quantitativos ou ordinais.
### 10. **Análise ROC (Receiver Operating Characteristic)**
- Se os dados qualitativos representarem resultados binários (ex.: "positivo" ou "negativo"), a curva ROC pode ser usada para avaliar a capacidade discriminatória dos dois métodos. Isso pode fornecer métricas como a **área sob a curva (AUC)** para determinar o desempenho geral.
### Conclusão:
Para comparar métodos qualitativos, o **Kappa de Cohen**, **sensibilidade e especificidade**, e a **matriz de confusão** são os principais parâmetros. Dependendo da natureza dos dados (binários, ordinais, etc.), outras métricas como o **Weighted Kappa** ou o **Teste de McNemar** podem ser aplicáveis. Esses parâmetros ajudarão a determinar se os métodos produzem resultados consistentes e concordantes entre si.
Estas são as fórmulas matemáticas para as equações apresentadas:
Sensibilidade = VP / ( VP + FN )
Especificidade = VN / ( VN + FP )
VPP = VP / ( VP + FP )
VPN = VN / ( VN + FN )
Acuraria = ( VP + VN )/ ( VP + VN + FP + FN )
K = ( Po - Pc ) / ( 1 - Pc)
LR+ = Sensibilidade / ( 1 - Especificidade )
LR- = ( 1 - Sensibilidade ) / Especificidade