Correção da prevalência autorreferida em estudos epidemiológicos com grandes amostras / Correction of self-reported prevalence in epidemiological studies with large samples / Corrección de la prevalencia autorreferida en estudios epidemiológicos con grandes muestras

RESUMO

Resumo As prevalências de doenças são úteis para a formulação e avaliação de políticas públicas. A medida autorreferida é comumente utilizada por ser fácil de ser coletada e não exigir treinamento específico em saúde ou custo adicional. Todavia, esse processo de mensuração pode gerar uma medida enviesada. Objetivou-se apresentar os métodos existentes para ajustar a prevalência, com base na autorreferida, focando nos problemas computacionais no caso de amostras grandes e propondo uma solução alternativa. Os métodos foram divididos em algébrico, de simples execução, porém não é aplicável em qualquer combinação de prevalência autorreferida, especificidade e sensibilidade; e Bayesiano, que não apresenta a restrição da estratégia anterior, mas apresenta problemas computacionais na sua aplicação em computadores pessoais para amostras grandes. Esses problemas impedem a implantação direta do método já existente, havendo a necessidade da apresentação de uma estratégia aproximada que viabilize a estimação. O método empírico proposto para a aplicação em amostras grandes consiste em reduzir o tamanho da amostra até o limite máximo possível de ser calculado pelo software, mantendo a proporção de doentes. O método foi considerado adequado, pois converge para o verdadeiro valor. No exemplo, uma prevalência autorreferida de 5%, com sensibilidade = 0,4 e especificidade = 0,9 foi corrigida para 0,17% (IC95% 0,10-0,24). O estudo apresentou os métodos existentes para ajuste de prevalências, bem como uma nova estratégia para prevalências oriundas de grandes amostras, permitindo a obtenção de estimativas mais próximas às verdadeiras, sem a necessidade de mensurar diretamente todos os indivíduos.

ABSTRACT

Abstract Disease prevalence rates are useful when formulating and evaluating public policies. Self-reported measurement is commonly used, since it is easy to collect and does not require specific health training or additional cost. However, this measurement process can produce a biased measure. This study aimed to present the existing methods to adjust prevalence, based on self-report, focusing on computational problems in the case of large samples and proposing an alternative solution. The methods were classified as algebraic, simple to perform, but not applicable to any combination of self-reported prevalence, specificity, and sensitivity; and Bayesian, which does not have the previous strategy limitations, but displays computational problems when applied to large samples in personal computers. These problems impede the existing method's direct implementation, raising the need to present an approximate strategy to make estimation possible. The empirical method proposed here for application to large samples consists of reducing the sample as far as possible to calculate with the statistical package, maintaining the proportion of patients. We found the method adequate, since it converges with the true value. In the example, a self-reported prevalence of 5% with sensitivity = 0.4 and specificity = 0.9 was corrected to 0.17% (95%CI 0.10-0.24). The study presented the existing methods for adjusting prevalence rates and a new strategy for prevalence rates in large samples, allowing estimates closer to the true values without the need to directly measure all the individuals.

RESUMEN

Resumen Las prevalencias de enfermedades son útiles para la formulación y evaluación de políticas públicas. Las mediciones autorreferidas se utilizan comúnmente por ser fáciles de recoger y no exigir preparación específica en salud o coste adicional. No obstante, este proceso de medición puede generar mediciones sesgadas. Por ello, se presentaron como objetivo de este trabajo los métodos existentes para ajustar la prevalencia, en base a la medición autorreferida, centrándose en problemas computacionales, en el caso de grandes muestras, y proponiendo una solución alternativa. Los métodos se dividieron en algebraico, de simple ejecución, pese a que no es aplicable en cualquier combinación de prevalencia autorreferida, especificidad y sensibilidad; y Bayesiano, que no presenta una restricción de la estrategia anterior, pero presenta problemas computacionales en su aplicación en ordenadores personales para muestras grandes. Esos problemas impiden la implantación directa del método ya existente, existiendo la necesidad de presentar una estrategia aproximada que viabilice la estimación. El método empírico propuesto para la aplicación en muestras grandes consiste en reducir el tamaño de la muestra hasta el límite máximo posible para que sea calculado por el software, manteniendo la proporción de enfermos. El método fue considerado adecuado, pues converge hacia el verdadero valor. En el ejemplo, una prevalencia autorreferida de un 5%, con una sensibilidad = 0,4 y especificidad = 0,9 fue corregida a 0,17% (IC95% 0,10-0,24). El estudio presentó los métodos existentes para el ajuste de prevalencias, así como una nueva estrategia para prevalencias procedentes de grandes muestras, permitiendo la obtención de estimativas más próximas a las verdaderas, sin necesidad de realizar mediciones directamente a todos los individuos.