Em relação à falta de dados sobre o desfecho em ensaios clínicos (missing), pode ser considerada de importância menor quando
- A)a análise de sensibilidade confirma que os valores ausentes não vão impactar os resultados.
Correta, porque a análise de sensibilidade demonstrando ausência de impacto nos resultados indica que os dados faltantes têm baixa relevância para a conclusão do ensaio.
- B)estão em valores de até 15%.
Errada, porque não existe regra universal de que até 15% de missing seja automaticamente pouco importante.
- C)estão em valores de até 10%.
Errada, porque também não há corte fixo de 10% que defina, por si só, baixa importância dos dados ausentes.
- D)nunca é considerada de importância menor.
Errada, porque a falta de dados pode sim ser considerada de menor importância quando não altera a conclusão do estudo.
- E)a perda é não aleatória.
Errada, porque a perda não aleatória tende a aumentar, e não reduzir, a preocupação com viés.
Gabarito: A
Em ensaios clínicos, dados ausentes no desfecho podem bagunçar a interpretação do estudo, porque a resposta final deixa de ser observada em parte dos participantes. O ponto central não é só a quantidade de perdas, mas principalmente se essas perdas podem ter distorcido o resultado. Em outras palavras, nem todo missing é um desastre, mas ele sempre acende uma luz amarela. A situação fica de importância menor quando uma análise de sensibilidade mostra que, mesmo testando cenários plausíveis para os dados faltantes, o resultado principal continua o mesmo. Isso sugere que os valores ausentes não mudariam a conclusão do ensaio, então o impacto metodológico é pequeno. É por isso que o enunciado aponta a alternativa A. Já o simples percentual de perdas, como 10% ou 15%, não define sozinho se o problema é relevante. O que importa é o padrão da falta, o motivo da perda e se ela foi aleatória ou não. Perda não aleatória costuma ser mais preocupante, porque pode introduzir viés e puxar o resultado para um lado específico. Na prática de pesquisa clínica, a lógica é: quanto mais a análise consegue mostrar robustez aos dados faltantes, menor a preocupação. A banca gosta dessa ideia porque ela cobra raciocínio metodológico, não apenas memorização de número mágico.