29/08/2016
A edição de agosto de 2016 da revista Cadernos de Saúde Pública (volume 32 número 8) problematiza a intenção de estabelecer nexos causais que está no cerne da Epidemiologia como campo científico orientado para o estudo de eventos relacionados à saúde em populações humanas. Na opinião do professor da Universidade federal do Rio de Janeiro, Guilherme L. Werneck, que assina o editorial, inferir causalidade é um desafio que intriga filósofos e cientistas há vários séculos. “Que pesem as substanciais diferenças de abordagens, um aspecto comum àquelas contribuições mais próximas da epidemiologia contemporânea é o pressuposto de que a possibilidade de inferência causal requer aderência aos princípios de validade e precisão em estudos epidemiológicos, e a existência de modelos teórico-operacionais que sustentem as hipóteses causais em questão.”
Entretanto, diz Werneck, a boa prática de explicitar modelos ou gráficos causais não foi disseminada de forma tão abrangente como seria necessário, talvez porque estes modelos tendam a ser muito difíceis de operacionalizar, dada a complexidade envolvida na determinação do processo saúde-doença em âmbito populacional. Segundo Werneck, a epidemiologia brasileira parece ter caminhado ao largo dos imensos desenvolvimentos metodológicos nesta área. No âmbito internacional, ao contrário, o uso de gráficos causais e de novas estratégias de modelagem no contexto da inferência causal em estudos observacionais é uma área de estudos prolífica desde pelo menos a década de 1980, com forte penetração nos cursos de pós-graduação e principais periódicos de epidemiologia.
O texto ainda lembra que, principalmente a partir do fim do século XVIII, surgiram diversas contribuições referenciais para os estudos causais no âmbito da pesquisa epidemiológica. Essas incluem os trabalhos de Lind e Snow sobre escorbuto e cólera, respectivamente; os postulados de Henle-Koch, fruto da revolução microbiológica; os critérios de causalidade de Hill; o modelo de causas suficientes e componentes de Rothman; o modelo de respostas potenciais de Rubin e os vastos escritos da escola de Miettinen, Robins e Greenland, a partir da década de 1970.
Dentre algumas relevantes contribuições da epidemiologia brasileira aos temas da causalidade e da inferência causal, aponta Werneck, duas delas procuraram dar maior cognição e praticidade aos modelos causais. Por um lado, Naomar Monteiro de Almeida Filho, autor de Epidemiologia sem números, esmiuçando o difícil trabalho do epidemiologista em promover a transposição de conceitos de um plano teórico para o nível empírico. Por outro, em The role of conceptual frameworks in epidemiological analysis: a hierarchical approach, de vários autores, enfatizando o papel desses modelos conceituais na análise de dados epidemiológicos e introduzindo a noção de modelagem com hierarquização de variáveis.
Werneck destaca o artigo Utilização de diagramas causais em epidemiologia: um exemplo de aplicação em situação de confusão, produzido pelos pesquisadores Taísa Rodrigues Cortes, Eduardo Faerstein, e Claudio José Struchiner , da Universidade do Estado do Rio de Janeiro. De acordo com ele, os leitores terão uma revisão compreensiva do uso dos gráficos acíclicos direcionados (Directed Acyclic Graphs - DAGs) em epidemiologia, com ênfase na abordagem da situação de confusão. Toda essa formalização é dissecada mediante a apresentação de um problema concreto de pesquisa em que múltiplas variáveis são interconectadas em um modelo teórico-operacional expresso por meio de um DAG.
O artigo reconhece que apesar do crescente reconhecimento de seu potencial, os diagramas causais ainda são pouco utilizados na investigação epidemiológica. Uma das possíveis razões é que muitos programas de investigação envolvem temas sobre o qual há certo grau de incerteza sobre os mecanismos dos processos que geram os dados. Neste trabalho, a relação entre estresse ocupacional e obesidade é utilizada como um exemplo de aplicação de diagramas causais em questões relacionadas ao confundimento. São apresentadas etapas da seleção de variáveis para ajuste estatístico e da derivação das implicações estatísticas de um diagrama causal. A principal vantagem dos diagramas causais é tornar explícitas as hipóteses adjacentes ao modelo considerado, permitindo que suas implicações possam ser analisadas criticamente, facilitando, dessa forma, a identificação de possíveis fontes de viés e incerteza nos resultados de um estudo epidemiológico.
