Já foram avisados!

Alfredo Martinho – CEO Inlags Academy

Há sete anos atrás a revista Nature publicou uma compilação de dicas elaboradas por pesquisadores britânicos e australianos com o intuito de ajudar aos formuladores de políticas entender melhor a natureza imperfeita da ciência. Foram eles William Sutherland, zoólogo, David Spiegelhalter, matemático, ambos de Cambridge e Mark Burgman, ecologista da Universidade de Melbourne.

Argumentaram que “a prioridade imediata é melhorar a compreensão dos formuladores de políticas sobre a natureza imperfeita da ciência”, sugerindo 20 conceitos que deveriam ser ensinados a ministros do governo e servidores públicos.

“Os políticos são pessoas inteligentes e estratégicas, mas não são suficientemente cautelosos com os conselhos científicos”, diz o ecologista Mark Burgman. “Eles ficam um pouco intimidados ou o ignoram.”

Em artigo publicado no Globo de 21 de novembro de 2020, Natália Pasternak: Não sabote o teste da vacina! – em que faz um texto muito simples que deixa claro com exemplos a metodologia do padrão ouro nos testes clínicos para saber se um medicamento ou vacina funcionam – não deixem de ler, republico no final desse texto da Nature

Na listagem abaixo, alguns itens são rapidamente compreensíveis, alguns outros é necessária uma atenção minuciosa (pelo menos foi assim em minha leitura), como por exemplo o item 8

Boa leitura!

A Ética e a Bioética na Nossa Vida 2x 62,19

As 20 principais coisas que os políticos precisam saber sobre ciência.

 Este artigo tem mais de 7 anos!

Foto da capa: RPStudio / Alamy

Os políticos não têm habilidades para interpretar e analisar adequadamente a ciência, de acordo com um grupo de cientistas australianos e britânicos que compilou uma lista de 20 dicas para os parlamentares ponderarem.

Essas dicas “ajudariam os tomadores de decisão a analisar como as evidências podem contribuir para uma decisão e, potencialmente, evitar a influência indevida por aqueles com interesses pessoais”, de acordo com os cientistas.

Burgman disse ao Guardian Australia que ele e seus colegas britânicos notaram que os políticos, falando de maneira geral, lutam para examinar criticamente os conselhos científicos.

“Os políticos são pessoas inteligentes e estratégicas, mas não são suficientemente cautelosos com os conselhos científicos”, disse ele. “Eles ficam um pouco intimidados ou ignoram. ”

“Há uma lacuna frustrante, então os formuladores de políticas precisam de habilidades que lhes permitam ouvir a ciência e sondar sua confiabilidade.

“Alguns conselhos científicos são aceitos inquestionavelmente, mas outros conselhos, por causa do panorama político mais amplo, são completamente ignorados. A ciência é considerada augusta e respeitável ou algo a ser descartado porque é feito por um bando de especialistas.

“Precisamos de um meio-termo onde os políticos possam fazer uma análise e, então, decidir o que é melhor. ”

Burgman disse que “restrições políticas e crenças pessoais” eclipsaram as evidências científicas “inequívocas” em áreas como mudanças climáticas e práticas de quarentena.

Mas ele acrescentou que o conselho dos cientistas ainda requer uma análise rigorosa dos ministros para garantir que seja robusto.

Os cientistas, como todo mundo, têm seus próprios preconceitos”, disse ele. “Por exemplo, na conservação de espécies, há uma tendência para espécies icônicas que são fofas, peludas e têm sangue quente. Os políticos esperam que os cientistas não tenham essas preferências pessoais, por isso nem sempre recebem os conselhos mais eficazes. ”

Os cientistas também podem ser extremamente tolos ao interpretar o significado. Eles tendem a vincular significância estatística com importância, que quase nada tem a ver uma com a outra. Portanto, se você encontrar uma correlação entre a quantidade de dinheiro gasta em escolas e o desempenho, por exemplo, isso não diz muito sobre a força dessa ligação. ”

As 20 principais dicas científicas para políticos

  1. Diferenças e chance causam variação

O mundo real varia de forma imprevisível, a ciência trata principalmente de descobrir o que causa os padrões que vemos. Por que está mais quente nesta década do que na última? Por que há mais pássaros em algumas áreas do que outras? Existem muitas explicações para essas tendências, então o principal desafio da pesquisa é separar a importância do processo de interesse (por exemplo, o efeito da mudança climática nas populações de pássaros) das inúmeras outras fontes de variação.

  1. Nenhuma medição é exata

Praticamente todas as medições apresentam algum erro, se o processo de medição for repetido, pode-se registrar um resultado diferente. Em alguns casos, o erro de medição pode ser grande em comparação com diferenças reais. Portanto, se você ouvir que a economia cresceu 0,13% no mês passado, há uma chance moderada de que ela realmente tenha encolhido.

  1. O preconceito é predominante

O projeto experimental ou dispositivos de medição podem produzir resultados atípicos em uma determinada direção, por exemplo, determinar o comportamento de voto perguntando às pessoas na rua, em casa ou pela internet irá amostrar diferentes proporções da população e todos podem dar resultados diferentes. Como os estudos que relatam resultados “estatisticamente significativos” têm maior probabilidade de serem redigidos e publicados, a literatura científica tende a dar uma imagem exagerada da magnitude dos problemas ou da eficácia das soluções.

  1. Maior geralmente é melhor para o tamanho da amostra

A média obtida de um grande número de observações geralmente será mais informativa do que a média obtida de um número menor de observações. Ou seja, à medida que acumulamos evidências, nosso conhecimento melhora.

  1. Correlação não implica causalidade

É tentador presumir que um padrão causa outro, no entanto, a correlação pode ser coincidente ou pode ser o resultado de ambos os padrões serem causados ​​por um terceiro fator – uma variável “confusa” ou “oculta”. Por exemplo, ecologistas certa vez acreditaram que algas venenosas estavam matando peixes nos estuários; descobriu-se que as algas cresceram onde os peixes morreram. As algas não causaram as mortes.

  1. A regressão à média pode enganar

É provável que os padrões extremos nos dados sejam, pelo menos em parte, anomalias atribuíveis ao acaso ou erro. A próxima contagem provavelmente será menos extrema. Por exemplo, se radares forem colocados em locais onde houve uma série de acidentes, qualquer redução na taxa de acidentes não pode ser atribuída aos radares; uma redução provavelmente teria acontecido de qualquer maneira.

  1. Extrapolar além dos dados é arriscado

Os padrões encontrados dentro de um determinado intervalo não se aplicam necessariamente fora desse intervalo, assim, é muito difícil prever a resposta dos sistemas ecológicos às mudanças climáticas, quando a taxa de mudança é mais rápida do que a experimentada na história evolutiva das espécies existentes e quando os extremos climáticos podem ser inteiramente novos.

  1. Cuidado com a falácia da taxa básica

A capacidade de um teste imperfeito de identificar uma condição depende da probabilidade dessa condição ocorrer (a taxa básica). Por exemplo, uma pessoa pode fazer um teste de sangue que é “99% preciso” para uma doença rara e o teste é positivo, mas pode ser improvável que ela tenha a doença.

  1. Os controles são importantes

Um grupo de controle é tratado exatamente da mesma maneira que o grupo experimental, exceto que o tratamento não é aplicado. Sem um controle, é difícil determinar se um determinado tratamento realmente teve efeito. O controle ajuda os pesquisadores a terem uma certeza razoável de que não há variáveis ​​de confusão afetando os resultados.

  1. A randomização evita viés

Os experimentos devem, sempre que possível, alocar indivíduos ou grupos para intervenções aleatoriamente, comparar o desempenho educacional de crianças cujos pais adotam um programa de saúde com o de filhos de pais que não o fazem provavelmente sofrerá preconceito.

  1. Procure replicação, não pseudoreplicação

Os resultados consistentes em muitos estudos, replicados em populações independentes, têm mais probabilidade de ser sólidos. Os resultados de vários desses experimentos podem ser combinados em uma revisão sistemática ou uma meta-análise para fornecer uma visão abrangente do tópico com poder estatístico potencialmente muito maior do que qualquer um dos estudos individuais.

  1. Cientistas são humanos

Os cientistas têm interesse em promover seu trabalho, muitas vezes para obter status e mais financiamento para pesquisas, embora às vezes para obter ganhos financeiros diretos. Isso pode levar a relatórios seletivos de resultados e, ocasionalmente, ao exagero. A revisão por pares não é infalível: editores de periódicos podem favorecer descobertas positivas e dignidade de notícia. Fontes múltiplas e independentes de evidência e replicação são muito mais convincentes.

  1. A significância é significativa

Expressa como P, a significância estatística é uma medida da probabilidade de um resultado ocorrer por acaso. Assim, P = 0,01 significa que há uma probabilidade de 1 em 100 de que o que parece ser um efeito do tratamento possa ter ocorrido aleatoriamente e, na verdade, não houve efeito algum. Normalmente, os cientistas relatam resultados como significativos quando o valor P do teste é inferior a 0,05 (1 em 20).

Inovações para Tecnologia em Saúde

  1. Separe nenhum efeito de não significativo

A falta de um resultado estatisticamente significativo (digamos um valor P> 0,05) não significa que não houve nenhum efeito subjacente: significa que nenhum efeito foi detectado. Um pequeno estudo pode não ter o poder de detectar uma diferença real. Por exemplo, testes de plantações de algodão e batata que foram geneticamente modificadas para produzir uma toxina para protegê-los de insetos prejudiciais sugeriram que não houve efeitos adversos em insetos benéficos, como polinizadores. No entanto, nenhum dos experimentos teve tamanhos de amostra grandes o suficiente para detectar impactos nas espécies benéficas, caso houvesse algum.

  1. O tamanho do efeito é importante

Respostas pequenas são menos prováveis ​​de serem detectadas. Um estudo com muitas repetições pode resultar em um resultado estatisticamente significativo, mas tem um tamanho de efeito pequeno (e, portanto, talvez, não seja importante). A importância do tamanho do efeito é uma questão biológica, física ou social, e não estatística.

  1. Os dados podem ser dragados ou selecionados

As evidências podem ser organizadas para apoiar um ponto de vista, para interpretar uma associação aparente entre o consumo de iogurte durante a gravidez e a asma subsequente na prole, seria necessário saber se os autores se propuseram a testar essa única hipótese ou se encontraram essa descoberta em um grande conjunto de dados.

  1. Medições extremas podem enganar

Qualquer comparação de medidas (a eficácia de uma determinada escola, digamos) mostrará variabilidade devido às diferenças na capacidade inata (competência do professor), além de amostragem (as crianças podem por acaso ser uma amostra atípica com complicações), mais viés (a escola pode ser em uma área onde as pessoas são excepcionalmente insalubres), além de erro de medição (os resultados podem ser medidos de maneiras diferentes para escolas diferentes). No entanto, a variação resultante é tipicamente interpretada apenas como diferenças na habilidade inata, ignorando as outras fontes.

  1. A relevância do estudo limita as generalizações

A relevância de um estudo depende de quanto as condições sob as quais ele é feito se assemelham às condições da questão em consideração. Por exemplo, há limites para as generalizações que se podem fazer de experimentos com animais ou de laboratório para humanos.

  1. Os sentimentos influenciam a percepção de risco

De maneira geral, o risco pode ser considerado como a probabilidade de um evento ocorrer em algum período de tempo, multiplicada pelas consequências caso o evento ocorra. A percepção de risco das pessoas é desproporcionalmente influenciada por muitas coisas, incluindo a raridade do evento, quanto controle elas acreditam ter, a adversidade dos resultados e se o risco é voluntário ou não. Por exemplo, as pessoas nos Estados Unidos subestimam os riscos associados a ter uma arma de fogo em casa em 100 vezes e superestimam os riscos de morar perto de um reator nuclear em 10 vezes.

  1. Dependências mudam os riscos

É possível calcular as consequências de eventos individuais, como maré extrema, chuvas fortes e ausência de trabalhadores importantes. No entanto, se os eventos estiverem inter-relacionados (por exemplo, uma tempestade causa uma maré alta ou uma chuva forte impede os trabalhadores de acessar o local), então a probabilidade de sua co-ocorrência é muito maior do que o esperado.

https://www.theguardian.com/science/2013/nov/20/top-20-things-politicians-need-to-know-about-science?CMP=twt_gu

Artigo publicado no Globo de 21 de novembro de 2020, Natália Pasternak:

Não sabote o teste da vacina

Para podermos afirmar que uma vacina ou medicamento funcionam, precisamos realizar o que chamamos de padrão ouro dos testes clínicos: um ensaio randomizado, duplo-cego, e com grupo placebo. Isso quer dizer que vamos dividir um número grande de pessoas (em se tratando de vacinas, milhares) em dois grupos: um que recebe a vacina, e outro que recebe um placebo — uma vacina “de mentira”, que pode ser uma solução salina, por exemplo.

Randomizado quer dizer distribuído de forma aleatória, garantindo que estes grupos sejam similares, e possibilitando uma comparação justa. Imagine por exemplo se um dos grupos for só de idosos e o outro, só de jovens. Isso não permitiria uma boa comparação.

Duplo-cego quer dizer que nem os voluntários nem os pesquisadores sabem quem recebeu a vacina ou o placebo. Estão todos “cegos” quanto a esse dado. Isso é muito importante para evitar o que chamamos de viés. Quando a gente sabe se está tomando o remédio de verdade, pode ficar influenciado e começar a sentir “efeitos colaterais” imaginários. Ou pode se sentir melhor, só pelo efeito da sugestão, mesmo que o remédio não faça efeito.

No caso das vacinas, é ainda mais complicado. Para testar remédios, usamos pessoas doentes, e vamos verificar se o remédio cura. Para testar vacinas, usamos pessoas saudáveis, e vamos ter que esperar até que elas fiquem doentes, para comparar os grupos, e contar em qual deles a doença aparece mais. A lógica é que, se a vacina funcionar, veremos muito mais gente ficar doente no grupo placebo. Vendo a diferença de casos entre os grupos, calculamos a eficácia da vacina.

E esse processo precisa ser cego porque as pessoas precisam viver a vida normalmente, sem mudar seu comportamento habitual. Só assim a comparação será justa.

Ultimamente, temos visto trocas de mensagens, nas redes sociais, de voluntários de vacinas dando dicas sobre como descobrir se você está no grupo vacinado ou no grupo placebo. Dizem que é só fazer um teste de anticorpos. Se der positivo, você recebeu a vacina, se der negativo, é porque foi placebo. Além do fato de que estes testes erram bastante, quem é voluntário de vacina não deve fazer isso. Os voluntários precisam ficar cegos, ou correm o risco de enviesar os resultados.

Imagine que você fez o teste e deu positivo. Feliz de “saber” que recebeu e vacina e não o placebo, você nem liga mais pra isolamento e máscara. Vai a festas, restaurantes, se expõe muito mais do que o seu normal. Se todos fizerem assim, é capaz de ter muito mais gente doente no grupo vacinado. O contrário também é problemático: se o resultado é negativo, e a pessoa, achando que recebeu placebo, se tranca em casa, pode ter menos gente doente no grupo placebo. Essas mudanças de comportamento podem distorcer o cálculo de eficácia da vacina.

Portanto, se você é voluntário de vacina, segure a curiosidade. Essa é a maior contribuição que pode fazer para a ciência, e para garantir que os resultados de eficácia sejam os mais reais possíveis.

VOCES CONHECEM NOSSOS MAIS RECENTES CURSOS?

https://inlagsacademy.com.br/produto/idoso-no-hospital-cuidados-e-custos/

https://inlagsacademy.com.br/produto/fundamentos-de-saude-com-base-em-valor/

https://inlagsacademy.com.br/produto/diagnostico-dos-padroes-complexos-na-medicina-chinesa-e-sua-abordagem-acupuntura/

https://inlagsacademy.com.br/produto/cuidado-paliativo-na-pratica-clinica/

https://inlagsacademy.com.br/produto/da-anamnese-ao-tratamento-em-fisioterapia-experimentando-a-terapia-manual/

https://inlagsacademy.com.br/produto/acreditacao-de-operadoras-um-caminho-para-sustentabilidade/

https://inlagsacademy.com.br/produto/comunicacao-para-profissionais-da-saude/

Gestão da Tecnologia em Saúde

https://inlagsacademy.com.br/produto/construindo-a-atencao-primaria-do-seculo-xxi/

Impactos da Tecnologia em Saúde

https://inlagsacademy.com.br/produto/fundamentos-de-organizacao-hospitalar-1-2/

https://inlagsacademy.com.br/produto/fundamentos-de-organizacao-hospitalar-1/

https://inlagsacademy.com.br/produto/fundamentos-de-saude-e-administracao-hospitalar-no-brasil/

https://inlagsacademy.com.br/produto/inovacoes-para-tecnologia-em-saude/

https://inlagsacademy.com.br/produto/introducao-a-nutricao-i/

https://inlagsacademy.com.br/produto/introducao-aos-fundamentos-de-enfermagem-i/

https://inlagsacademy.com.br/produto/nutricao-diretrizes-e-responsabilidades/

https://inlagsacademy.com.br/produto/principios-de-tecnologia-em-saude/

https://inlagsacademy.com.br/produto/responsabilidades-do-administrador-hospitalar/

https://inlagsacademy.com.br/produto/gastronomia-brasileira/

https://inlagsacademy.com.br/produto/ciencia-na-gastronomia/

https://inlagsacademy.com.br/produto/habilidades-basicas-em-cozinha/

https://inlagsacademy.com.br/produto/hotelaria-hospitalidade-e-humanizacao/

https://inlagsacademy.com.br/produto/nutricao-diretrizes-e-responsabilidades/

https://inlagsacademy.com.br/produto/introducao-a-nutricao-i/ 

Conheça os Cursos da Inlags Academy

Compartilhe em suas Redes Sociais