Delineando a pesquisa clínica 4a Ed

observacionais sobre a eficácia de tratamentos, para controlar para o
confundimento por indicação – isto é, para o fato de que os pacientes
para os quais um tratamento é indicado (e prescrito) costumam ser de
maior risco ou de outra forma diferentes do que aqueles que não recebem
o tratamento. É importante lembrar que, para ser confundidora, uma
variável deve estar associada tanto ao preditor quanto ao desfecho. Em
vez de ajustar para todos os fatores que predizem o desfecho, o uso do
escore de propensão envolve a criação de um modelo multivariado para
predizer quem receberá o tratamento. A cada sujeito, então, é atribuída
uma probabilidade de receber o tratamento – um “escore de propensão”.
Esse escore pode ser usado como única variável confundidora em uma
análise estratificada ou multivariada.
Como outra opção, os sujeitos que receberam e os que não receberam o
tratamento poderiam ser pareados por escore de propensão, comparando-
se os desfechos entre os pares. Ao contrário do uso do pareamento como
estratégia da fase de delineamento, o pareamento por propensão se
assemelha a outras estratégias de fase de análise por ser reversível.
Entretanto, as análises pareadas por propensão não são adequadas para
sujeitos que não podem ser pareados porque seus escores de propensão
são próximos de 0 ou de 1. Embora isso reduza o tamanho de amostra,
pode ser vantajoso, pois nesses sujeitos que não podem ser pareados a
análise por escore de propensão terá identificado uma falta de
comparabilidade entre grupos e incapacidade de controlar para
confundimento que não teria sido aparente com outros métodos de análise
multivariável.
O uso de escores de propensão apresenta diversas vantagens. O número
de potenciais variáveis confundidoras que podem ser modeladas como
preditoras de uma intervenção é geralmente maior do que o número de
variáveis que podem ser modeladas como preditoras de um desfecho, uma
vez que o número de indivíduos tratados é, na maioria das vezes, muito
superior ao número que desenvolve o desfecho (2.310 comparado a 276
no Exemplo 9.1). Outro motivo pelo qual um número maior de
confundidores pode ser incluído é que não há risco de “hiperajustar” o
modelo de propensão – podem-se incluir termos de interação, termos
quadráticos e múltiplas variáveis indicadoras (15). Por fim, os
investigadores geralmente têm mais confiança para identificar os