Síntese de Evidências e Meta-Análise

Por que isso importa na economia da saúde

Toda avaliação econômica repousa em insumos que tiveram que vir de algum lugar: o efeito relativo de um tratamento, a taxa na qual uma doença progride, o peso de qualidade de vida de um estado de saúde, a chance de um evento adverso. Estes são os números que conduzem uma razão de custo-efetividade incremental, e de onde vêm decide se a razão é confiável. Um modelo de decisão (ver Tópico 2.2 — Modelagem) é apenas tão bom quanto os parâmetros alimentados nele, e esses parâmetros são o produto de síntese — o agrupamento deliberado de toda uma literatura — não de qualquer ensaio único. Este é o tópico que possui "de onde vêm os números no modelo".

Para um diretor, os riscos são que uma síntese pode silenciosamente decidir uma questão de financiamento antes mesmo que a economia seja executada. Se uma revisão escolhe seletivamente ensaios favoráveis, enterra um resultado nulo, ou faz média através de estudos que nunca foram comparáveis, a estimativa de efeito que produz estará errada em uma direção específica, e todo cálculo a jusante herda esse erro com um verniz de rigor. Órgãos de avaliação de tecnologia em saúde (HTA) em todo o mundo — o Instituto Nacional de Saúde e Excelência em Cuidados (NICE) da Inglaterra, o IQWiG da Alemanha, os painéis de diretrizes da Organização Mundial da Saúde (OMS) — constroem suas recomendações sobre sínteses precisamente porque um único estudo é frágil demais para suportar o peso de uma decisão nacional.

Os riscos também são éticos e sobre confiança pública. Uma revisão sistemática bem conduzida é a defesa mais forte que um órgão público tem contra ser capturado por quem quer que tenha executado o ensaio mais memorável ou gritado mais alto. É um método transparente e reproduzível para deixar toda a base de evidência falar, incluindo as partes que são inconvenientes. Quando um pagador pode mostrar que sua decisão seguiu de uma síntese pré-especificada, abrangente, e criticamente avaliada, pode defender essa decisão a clínicos, pacientes, indústria, e tribunais. Quando não pode, a decisão parece arbitrária — e em saúde, decisões arbitrárias sobre quem é tratado corroem a confiança rapidamente.

Conceitos centrais

Uma revisão sistemática é um método estruturado para localizar, avaliar, e resumir todos os estudos que dizem respeito a uma pergunta específica, usando um protocolo pré-registrado para que o processo seja reproduzível e resistente a viés. É distinguida de uma revisão narrativa tradicional por sua estratégia de busca explícita, seus critérios de inclusão e exclusão declarados, e sua avaliação crítica de cada estudo incluído. O padrão de relatório que a maioria das revisões agora segue é o PRISMA (Itens de Relatório Preferidos para Revisões Sistemáticas e Meta-Análises), que pede aos autores que documentem cada passo desde a busca até a síntese para que um leitor possa verificar o que foi feito.

A meta-análise é a parte estatística desse processo: o agrupamento quantitativo de resultados de vários estudos em uma única estimativa combinada, geralmente de um tamanho de efeito como um risco relativo, razão de chances, ou diferença de média. Nem toda revisão sistemática contém uma meta-análise — agrupar só é legítimo quando os estudos são semelhantes o suficiente para combinar — mas onde é apropriado, aumenta a precisão e pode revelar um efeito que estudos individuais subdimensionados perderam. A forma canônica de exibi-lo é o gráfico de floresta: cada estudo uma linha horizontal mostrando sua estimativa e intervalo de confiança, o resultado agrupado um diamante no pé.

Dois modelos estatísticos ficam por trás da estimativa agrupada. Um modelo de efeito fixo assume que todo estudo está estimando um único efeito verdadeiro, e diferenças entre eles são apenas ruído de amostragem. Um modelo de efeitos aleatórios assume que o efeito verdadeiro genuinamente varia através de estudos — porque populações, doses, e contextos diferem — e estima a média dessa distribuição, dando mais peso a estudos menores e incerteza mais ampla e honesta. A escolha entre eles não é cosmética: muda o intervalo de confiança e às vezes a conclusão.

A razão pela qual a escolha importa é a heterogeneidade — a extensão em que os resultados dos estudos diferem mais do que o acaso explicaria. Heterogeneidade clínica (pacientes ou tratamentos diferentes), heterogeneidade metodológica (designs ou qualidade de estudo diferentes), e heterogeneidade estatística (resultados dispersos) todas ameaçam o significado de um número agrupado. Combinar estudos verdadeiramente heterogêneos produz uma média que não descreve população real alguma — o equivalente estatístico de uma pessoa com um pé no gelo e outro no fogo estando "em média confortável". Investigar heterogeneidade, em vez de calculá-la na média, é frequentemente onde o verdadeiro aprendizado vive.

Nem toda evidência é igual, e o campo a organiza em uma hierarquia de evidência: revisões sistemáticas de ensaios randomizados no topo, depois ensaios clínicos randomizados individuais, depois estudos observacionais, depois séries de casos e opinião de especialista. A hierarquia é uma regra prática sobre o risco de viés no design de um estudo, não uma garantia — um ensaio mal conduzido pode ser pior do que um bom estudo de coorte. O refinamento moderno é o GRADE (Grading of Recommendations Assessment, Development and Evaluation), que classifica a certeza da evidência para cada resultado como alta, moderada, baixa, ou muito baixa, e pode rebaixar mesmo evidência de ensaio por risco de viés, inconsistência, indiretividade, imprecisão, e viés de publicação — ou elevar evidência observacional forte. O GRADE agora é usado pela OMS, Cochrane, e órgãos de diretrizes em todo o mundo precisamente porque torna o raciocínio por trás de uma classificação de certeza explícito e auditável.

Onde ensaios cabeça a cabeça não existem — B nunca foi testado contra C, apenas cada um contra placebo — a meta-análise em rede (também chamada de meta-análise de tratamento misto ou comparação indireta) combina evidência direta e indireta através de uma rede conectada de tratamentos para estimar todas as comparações, incluindo aquelas nunca estudadas diretamente. É indispensável para HTA, onde um novo medicamento deve ser comparado com várias opções existentes de uma vez, mas repousa em uma premissa forte — que os ensaios são semelhantes o suficiente para que a comparação indireta seja válida — que deve ser verificada, não assumida.

Duas ideias adicionais moldam se uma síntese pode ser acreditada. O viés de publicação é a tendência de estudos com resultados positivos e significativos serem publicados, e os negativos ficarem em uma gaveta — então a literatura visível sistematicamente superestima efeitos. É frequentemente rastreado com um gráfico de funil, cuja assimetria pode sinalizar estudos negativos pequenos ausentes, e é uma razão pela qual revisores buscam registros de ensaio e literatura cinzenta — teses, relatórios, dados não publicados — não apenas revistas. Finalmente, porque a evidência continua chegando, uma prática crescente é a revisão viva: uma síntese mantida continuamente atualizada conforme novos estudos aparecem, para que a orientação nunca fique anos atrás da ciência. A colaboração Cochrane (Cochrane) permanece o ponto de referência internacional para métodos de revisão sistemática, e seu Manual é o manual padrão do campo.

Melhores práticas

1. Escreva e registre o protocolo antes de buscar. A credibilidade de uma revisão sistemática vem de decidir a pergunta, os critérios de inclusão, os resultados, e o plano de análise antes de ver os resultados, depois registrar esse protocolo publicamente (por exemplo no PROSPERO). Esta é a guarda mais forte única contra o revisor inconscientemente moldar a revisão para uma resposta preferida. Quando você comissiona uma síntese, insista em um protocolo registrado e trate sua ausência como um aviso de que as conclusões podem ter sido escolhidas primeiro.

2. Busque abrangentemente, incluindo os estudos que ninguém publicou. Uma busca restrita a algumas bases de dados e a revistas em língua inglesa perderá ensaios e se inclinará em direção a resultados positivos. A síntese abrangente busca múltiplas bases de dados, registros de ensaio, resumos de conferência, dossiês regulatórios, e literatura cinzenta, e persegue dados não publicados de investigadores e fabricantes. O ponto não é exaustividade por si mesma mas neutralizar o viés de publicação na fonte — os estudos ausentes são desproporcionalmente os negativos.

3. Avalie o risco de viés em todo estudo incluído, e deixe-o mudar o peso que você dá ao resultado. Inclusão não é endosso; cada estudo deve ser avaliado pelas formas específicas em que poderia enganar — randomização inadequada, avaliação de resultado não cegada, relato seletivo, atrito. Uma síntese que agrupa estudos fortes e fracos com peso igual lava o viés dos fracos em uma média de aparência autoritativa. Use uma ferramenta de avaliação reconhecida, relate os julgamentos transparentemente, e execute a análise com estudos de alto risco excluídos para ver se a conclusão se mantém.

4. Decida se agrupar é sequer legítimo antes de computar um número agrupado. A meta-análise só é significativa quando os estudos são semelhantes o suficiente em população, intervenção, comparador, e resultado para estar estimando um efeito comparável. Se não são, a saída honesta é uma síntese narrativa estruturada, não um número único espúrio. Pergunte "esses estudos estão respondendo à mesma pergunta?" antes de perguntar "qual é a estimativa combinada?" — uma média precisa de coisas incomparáveis é pior do que nenhuma média.

5. Escolha o modelo de efeito fixo ou efeitos aleatórios deliberadamente, e justifique. Um modelo de efeitos aleatórios geralmente é o padrão mais honesto em saúde, onde estudos genuinamente diferem, porque produz intervalos mais amplos que refletem variação do mundo real. Mas dá peso desproporcional a estudos pequenos, então onde viés de publicação é suspeito pode amplificar o próprio viés que você teme. Declare qual modelo você usou e por quê, e mostre como a estimativa agrupada se move sob a alternativa; uma conclusão que vira entre os dois não é robusta.

6. Investigue heterogeneidade em vez de calculá-la na média. Quando resultados de estudo divergem mais do que o acaso explica, essa divergência é informação — pode significar que o tratamento funciona em um subgrupo e não em outro, ou que a qualidade conduz o efeito aparente. Explore-a com análises de subgrupo pré-especificadas e meta-regressão, mas trate subgrupos post-hoc ceticamente porque são fáceis de encontrar e difíceis de confiar. Uma estimativa agrupada apresentada sem qualquer exame de por que estudos discordam está escondendo a parte mais útil dos dados.

7. Rastreie explicitamente viés de publicação e relato. Compare a literatura publicada contra registros de ensaio para encontrar estudos que foram executados mas nunca relatados, inspecione assimetria de gráfico de funil onde estudos suficientes existem, e considere se o efeito encolhe conforme o tamanho do estudo cresce. Nenhum desses testes é conclusivo, mas sua ausência deveria diminuir sua confiança em um resultado positivo arrumado. A direção do viés de publicação é quase sempre a mesma — infla o benefício aparente — então uma síntese não rastreada deveria ser lida como um limite superior.

8. Use meta-análise em rede quando a decisão tem muitos comparadores, e verifique sua premissa central. Decisões reais de financiamento raramente colocam um medicamento contra placebo; escolhem entre várias opções ativas, a maioria das quais nunca foi testada cabeça a cabeça. A meta-análise em rede preenche essas lacunas, mas apenas se os ensaios são suficientemente semelhantes para comparação indireta — a premissa de "transitividade" — e se evidência direta e indireta concordam onde ambas existem. Demande que o analista mostre a rede, teste consistência, e seja franco sobre comparações repousando em cadeias indiretas finas.

9. Classifique a certeza da evidência, não apenas o tamanho do efeito. Um grande efeito de evidência de baixa certeza é uma base mais fraca para gastar dinheiro público do que um efeito modesto de evidência de alta certeza. O GRADE separa essas perguntas classificando certeza por resultado e documentando por que foi rebaixada ou elevada, transformando "a evidência é forte" de uma afirmação em um julgamento auditado. Insista que uma síntese alimentando uma decisão carregue uma classificação de certeza explícita para cada resultado que importa, não um único veredicto global.

10. Relate a síntese para que um cético pudesse reproduzi-la. Siga um padrão de relatório reconhecido como o PRISMA: dê a estratégia de busca completa, o fluxo de estudos de identificados a incluídos, os estudos excluídos com razões, os julgamentos de risco de viés, e os dados por trás de cada estimativa agrupada. Transparência é o mecanismo pelo qual erros e escolhas seletivas são capturados antes de moverem um orçamento. Uma síntese cuja busca não pode ser reexecutada ou cujas exclusões são inexplicadas não deveria ancorar uma decisão, por mais confiante que seja seu resumo.

11. Mantenha sínteses de alto risco vivas onde a evidência está se movendo rápido. Em um campo em rápida mudança — uma nova classe de medicamento, um patógeno emergente, uma tecnologia rapidamente testada — uma revisão está desatualizada no momento em que é publicada, e evidência obsoleta silenciosamente desvia dinheiro e cuidado. Uma revisão viva atualiza continuamente contra novos estudos, com regras pré-acordadas para quando um novo ensaio muda a conclusão. Reserve o esforço para decisões grandes e voláteis o suficiente para justificá-lo, e seja explícito sobre a data de vigência de qualquer síntese em que você confia.

12. Combine a síntese com o parâmetro que o modelo realmente precisa. Um modelo de decisão precisa de insumos específicos — um efeito relativo para o caso base, um risco de linha de base para a população local, um peso de utilidade — e cada um pode precisar de sua própria síntese com seus próprios critérios de inclusão. Extrair um efeito relativo de ensaios randomizados mas um risco de linha de base de um registro local é legítimo e comum; esconder que os dois vieram de corpos de evidência diferentes não é. Alinhe cada insumo sintetizado com como será usado a jusante, e faça referência cruzada com a avaliação que alimenta (ver Tópico 2.1 — Avaliação Econômica).

Perguntas para discutir com sua equipe

1. Quando aceitamos uma estimativa de efeito como resolvida, sabemos se veio de toda a literatura ou apenas da parte visível e favorável dela? Esta pergunta visa viés de publicação e relato seletivo, as falhas que tornam uma síntese errada em uma direção previsível. A realidade desconfortável é que ensaios positivos são publicados mais rápido, mais frequentemente, e mais proeminentemente do que os negativos, então uma revisão confinada a revistas tenderá a superestimar benefício mesmo quando cada estudo incluído é honesto. Empurre a discussão para proveniência concreta: registros de ensaio foram buscados por estudos que foram executados mas nunca relatados, dados não publicados foram buscados de fabricantes, um gráfico de funil ou verificação comparável foi feito? A tensão é que busca abrangente é cara e lenta, e sempre há pressão para aceitar uma estimativa publicada limpa e seguir em frente. Uma resposta honesta não afirma que a busca foi perfeita; declara quão duro a revisão procurou os estudos ausentes e trata um resultado positivo não rastreado como um limite superior provável em vez da verdade.

2. Os estudos que estamos agrupando estão realmente respondendo à mesma pergunta, ou fabricamos uma média arrumada de coisas que não pertencem juntas? Esta é a pergunta de heterogeneidade, e decide se um número agrupado significa algo. Os ângulos que valem a pena trazer à superfície são clínicos (pacientes, doses, ou comparadores diferentes), metodológicos (ensaios misturados com estudos observacionais fracos), e estatísticos (resultados que discordam mais do que o acaso). A falha sedutora é que o software sempre retornará uma estimativa agrupada com um intervalo de confiança de aparência confiante, quer os estudos subjacentes sejam comparáveis ou não — a precisão do número não diz nada sobre sua validade. Discuta se a revisão investigou por que os estudos discordam ou simplesmente os calculou na média, e se quaisquer diferenças de subgrupo foram pré-especificadas ou pescadas depois do fato. Uma resposta honesta está disposta a concluir que agrupar foi inapropriado e que uma síntese narrativa estruturada teria sido a saída mais verdadeira.

3. Quão atual é essa evidência, e o que um novo estudo teria que mostrar para mudar nossa decisão? Sínteses têm uma vida útil, e o perigo é agir com base em uma revisão cuja busca fechou anos atrás enquanto o campo avançou. Nomeie a data de vigência explicitamente e pergunte o que foi publicado desde então, especialmente para tecnologias em rápida mudança onde um único grande ensaio pode reverter uma estimativa agrupada. A disciplina mais profunda é decidir, antecipadamente, qual descoberta mudaria sua mente — um limiar que transforma "continuar observando a literatura" de uma intenção vaga em um gatilho operacional para uma atualização viva. A tensão é entre o custo de manter uma síntese viva e o custo de uma decisão silenciosamente correndo em evidência obsoleta; nem toda pergunta justifica uma revisão viva, mas toda de alto risco e volátil justifica. Uma resposta honesta declara a data de vigência, nomeia o que reverteria a conclusão, e designa responsabilidade por notar quando chegar.

4. A pergunta, e a análise que a responderia, foram fixadas antes que alguém visse os resultados — ou a revisão poderia ter sido moldada em direção a uma conclusão preferida? Isso visa a guarda mais forte única em toda a disciplina: um protocolo registrado antecipadamente, com os critérios de inclusão, resultados, e plano de agrupamento estabelecidos antes que os dados pudessem influenciá-los. A falha contra a qual guarda é sutil porque raramente é deliberada — um revisor que vê os resultados primeiro pode, de boa fé, ajustar uma fronteira de inclusão, promover um resultado secundário, ou mudar uma escolha de modelo de formas que todas acontecem de favorecer uma resposta particular. Pergunte se um protocolo existe em um registro público como o PROSPERO, se a revisão final o combina, e se quaisquer desvios foram declarados e justificados em vez de silenciosamente feitos. A tensão é que o pré-registro é inconveniente — proíbe a flexibilidade de "aprendemos conforme fomos" que parece boa ciência — e sua ausência é fácil de desculpar. Uma resposta honesta pode apontar para o protocolo registrado, percorrer onde a revisão se afastou dele e por quê, e tratar uma síntese não registrada como uma cujas conclusões podem ter sido escolhidas antes que a evidência estivesse dentro.

5. Quando a decisão abrange vários tratamentos que nunca foram testados um contra o outro, confiamos na comparação indireta que os costura juntos? Escolhas reais de financiamento geralmente colocam várias opções ativas uma contra a outra, a maioria nunca testada cabeça a cabeça, então a síntese se apoia em uma meta-análise em rede que toma emprestado força através de comparadores compartilhados. Os ângulos a trazer à superfície são se o analista realmente mostrou a rede de ensaios, se a premissa de "transitividade" se mantém — que as populações do ensaio e o cuidado de fundo são semelhantes o suficiente para que uma comparação indireta signifique algo — e se evidência direta e indireta concordam onde ambas existem. A falha sedutora é que o software retornará um conjunto completo de estimativas pareadas por mais fina ou incomparável que seja a cadeia subjacente, emprestando a um resultado indireto frágil a mesma autoridade de um direto robusto. Discuta quais contrastes repousam em um único elo indireto fraco e se esses são exatamente as comparações conduzindo a recomendação. Uma resposta honesta distingue as comparações bem conectadas e testadas para consistência das finas, e carrega as últimas como baixa certeza em vez de enterrá-las em uma tabela de classificação arrumada.

6. Estamos tratando um efeito grande e um efeito certo como a mesma coisa, quando não são? Isso separa o tamanho de uma estimativa da confiança que temos direito de ter nela — a distinção que o GRADE existe para tornar explícita. A tensão é que uma estimativa pontual grande é persuasiva e fácil de gastar dinheiro, enquanto a certeza por trás dela pode ser baixa porque a evidência é inconsistente, imprecisa, indireta, ou sombreada por viés de publicação. Pergunte se cada resultado que importa carrega sua própria classificação de certeza, por que foi rebaixada ou elevada, e se a recomendação está sendo conduzida pelo tamanho do efeito ou por uma leitura honesta de quanto a evidência pode suportar. O caso desconfortável é um benefício modesto mas de alta certeza competindo contra um dramático mas de baixa certeza: a disciplina é preferir a evidência que você pode confiar sobre o número que agrada. Uma resposta honesta se recusa a colapsar "grande" e "certo" em um único veredicto, e deixa a classificação de certeza, não apenas a estimativa pontual, governar quanto peso a decisão coloca no resultado.

Na prática: um exemplo de economia da saúde

O Comitê Nacional de Medicamentos e Tecnologia em Saúde de Maridia — um fictício país de renda média-baixa construindo sua lista de medicamentos essenciais — deve decidir qual classe de medicamento redutor de pressão arterial recomendar como primeira linha para hipertensão não complicada na atenção primária. Quatro classes são candidatas, todas fora de patente e acessíveis, mas a questão clínica é qual previne mais derrames e ataques cardíacos por paciente tratado. O comitê não pode executar seus próprios ensaios; deve sintetizar o que o mundo já sabe, depois entregar uma estimativa de efeito relativo à sua equipe de economia para combinar com custos locais e taxas de eventos.

A unidade de evidência do comitê começa com um protocolo registrado: a pergunta, os quatro comparadores, os resultados (eventos cardiovasculares e mortalidade por todas as causas), os critérios de inclusão, e o plano de análise, todos fixados antes de buscar. A busca cobre várias bases de dados, dois registros de ensaio, e literatura regional da OMS que indexa ensaios de contextos como o próprio de Maridia, porque confiar apenas em revistas de países de alta renda importaria uma população que pode não combinar. O fluxo é documentado no estilo PRISMA: vários milhares de registros identificados, a maioria excluída no título, algumas dezenas de ensaios randomizados incluídos, cada um avaliado por risco de viés. Três grandes ensaios financiados pela indústria são encontrados tendo relatado seletivamente; a unidade os sinaliza e planeja uma análise de sensibilidade sem eles.

A dificuldade central é que quase nenhum ensaio comparou as quatro classes cabeça a cabeça — a maioria testou um medicamento contra placebo ou contra uma única alternativa. Uma meta-análise pareada simples só pode responder a uma fração das comparações que o comitê realmente enfrenta. Então a unidade constrói uma meta-análise em rede, conectando as classes através de seus comparadores compartilhados, e estima todos os seis contrastes pareados de uma vez. Antes de confiar nela, verificam a transitividade da rede — as populações do ensaio e o cuidado de fundo são semelhantes o suficiente para comparação indireta? — e testam se evidência direta e indireta concordam onde ambas existem. Concordam, na maioria; um contraste repousa em uma cadeia indireta fina, que a unidade marca como baixa certeza.

A heterogeneidade é real e informativa. Ensaios em populações mais velhas e de maior risco mostram benefícios absolutos maiores do que ensaios em coortes mais jovens, o que importa porque a população tratada de Maridia se inclinará mais jovem do que a média do ensaio. Em vez de agrupar cegamente, a unidade executa análises de subgrupo e meta-regressão pré-especificadas e relata o efeito condicionado ao risco de linha de base. Um gráfico de funil na maior comparação mostra assimetria leve, consistente com alguns estudos negativos pequenos ausentes; combinado com os ensaios de relato seletivo, isso os leva a tratar a vantagem da classe mais favorável cautelosamente. Sob um modelo de efeitos aleatórios as diferenças entre três das quatro classes são pequenas e seus intervalos de confiança se sobrepõem fortemente.

A unidade classifica cada resultado com GRADE. A evidência de que todas as quatro classes superam nenhum tratamento é alta certeza; a evidência de que qualquer classe é claramente superior às outras é apenas baixa-a-moderada, rebaixada por inconsistência, imprecisão, e viés de publicação suspeito. Essa distinção é a decisão. O comitê conclui que, porque as classes são clinicamente próximas e todas baratas, a economia deveria ser conduzida por preço, tolerabilidade, e segurança de suprimento em vez de por uma reivindicação frágil de superioridade clínica — uma conclusão que só se tornou visível porque a síntese separou tamanho de efeito de certeza. Entrega à equipe de economia uma estimativa de efeito relativo com incerteza explícita, a ser transformada em um custo-por-evento-evitado (ver Tópico 2.1 — Avaliação Econômica), e comissiona uma atualização viva: se um grande ensaio pragmático devido em dois anos mudar um contraste especificado além de uma margem pré-acordada, a recomendação é reaberta. O raciocínio causal de estudo único dentro de cada ensaio — se sua própria estimativa de efeito é confiável — pertence ao Tópico 2.3 — Econometria da Saúde; o trabalho deste comitê era agrupá-los bem.

Quatro lentes setoriais

Startup

Uma startup de saúde digital ou dispositivos raramente comissiona uma revisão sistemática completa, mas encontra síntese do outro lado — como a parte cujo único estudo promissor deve sobreviver à síntese de um órgão de HTA do campo mais amplo. A tentação é se apoiar em um ensaio favorável e uma revisão narrativa de artigos de apoio cuidadosamente selecionados, o que um avaliador sério verá através imediatamente. O movimento mais sábio é mapear a base de evidência existente honesta e precocemente, para que a startup saiba onde seu produto se situa na hierarquia e qual comparação um pagador exigirá. Uma pequena empresa que apresenta sua evidência no contexto de uma síntese justa, e é franca sobre a certeza de seus próprios dados, ganha mais credibilidade do que uma que supervende um resultado isolado.

Pequena empresa

Um provedor pequeno mas estabelecido — uma prática de grupo, uma única clínica especialista, um fornecedor modesto de dispositivo ou diagnóstico — não tem nem o volume do impulso de evidência apoiado por investidor de uma startup nem uma equipe de síntese empresarial, mas ainda tem que ler sínteses bem o suficiente para tomar decisões de estado estável. Sua tarefa realista é consumo, não produção: ler a classificação de certeza em uma diretriz, verificar se a população de uma revisão se assemelha aos pacientes que realmente trata, e notar quando a evidência por trás de um hábito de compra ou encaminhamento silenciosamente ficou obsoleta. A armadilha é deferir completamente a um pacote de evidência cuidadosamente selecionado por um fornecedor ou a um único ensaio memorável, porque a prática carece de tempo para avaliar o campo mais amplo. O movimento proporcional é se apoiar nas sínteses que órgãos confiáveis — Cochrane, agências nacionais de HTA, diretrizes de sociedade profissional — já mantêm, tratar suas classificações de certeza GRADE como a manchete, e fazer uma pergunta disciplinada de qualquer afirmação de fornecedor: onde isso se situa contra a revisão sistemática, e quão atual é?

Empresa

Um grande fabricante, grupo provedor, ou seguradora executa síntese como uma capacidade industrial: equipes dedicadas de síntese de evidência e pesquisa de economia da saúde e resultados produzindo revisões sistemáticas e meta-análises em rede para apoiar submissões através de muitas jurisdições. A força é profundidade metodológica e a capacidade de construir uma meta-análise em rede abrangendo todo comparador relevante; o risco é que a mesma capacidade pode ser voltada para produzir uma revisão projetada para favorecer o produto do patrocinador — através de uma busca estreita, uma escolha de modelo conveniente, ou exclusões silenciosas. A credibilidade empresarial depende de registrar protocolos, seguir PRISMA, submeter análises reproduzíveis, e convidar a replicação independente que órgãos de HTA cada vez mais exigem. A empresa madura trata uma síntese transparente que mostra incerteza genuína como mais durável do que uma polida que um revisor pode desmontar.

Governo

Um ministério, pagador nacional, ou órgão de HTA é o principal consumidor e árbitro de sínteses, e sua disciplina é exigi-las e conduzi-las a um padrão publicado. Órgãos como NICE, IQWiG, e painéis de diretrizes da OMS constroem recomendações sobre revisões sistemáticas e classificam a certeza da evidência com GRADE precisamente para que decisões sejam defensáveis e reproduzíveis em vez de capturadas pela submissão mais persuasiva. O governo também carrega responsabilidades que os outros setores não carregam: manter a infraestrutura — registros de ensaio, colaborações de revisão, orientação de métodos — que torna a síntese honesta possível, e manter revisões de alto risco vivas para que a orientação nacional não fique atrás da ciência. A responsabilização pelo que uma síntese deixa de fora, e pelos pacientes afetados por uma estimativa agrupada errada, em última análise repousa aqui.

Modos de falha comuns

• A revisão narrativa disfarçada de evidência. Uma leitura cuidadosamente selecionada e não sistemática da literatura apresentada com a autoridade de uma síntese. Solução: exija um protocolo registrado, uma estratégia de busca explícita, e relato estilo PRISMA antes de confiar em qualquer "revisão".

• Agrupar estudos incomparáveis. Computar uma média precisa através de ensaios com populações, doses, ou designs diferentes, produzindo um número que não descreve paciente real algum. Solução: avalie heterogeneidade clínica e metodológica primeiro, e use uma síntese narrativa estruturada quando agrupar não é justificado.

• Ignorar os estudos que nunca foram publicados. Buscar apenas algumas bases de dados e apenas revistas, então os estudos negativos ausentes inflam o efeito. Solução: busque registros, reguladores, e literatura cinzenta, procure dados não publicados, e rastreie viés de publicação explicitamente.

• Calcular heterogeneidade na média. Relatar uma única estimativa agrupada enquanto suprime o fato de que estudos discordam fortemente. Solução: investigue divergência com análise de subgrupo pré-especificada e meta-regressão, e relate a variação, não apenas a média.

• Tratar inclusão como endosso. Ponderar estudos fracos e fortes igualmente, lavando viés em uma média de aparência autoritativa. Solução: avalie risco de viés em cada estudo e execute a análise excluindo os de alto risco.

• Confundir tamanho de efeito com certeza. Agir com base em um grande efeito de evidência de baixa certeza como se estivesse resolvido. Solução: classifique certeza por resultado com GRADE e deixe-a, não apenas a estimativa pontual, governar a decisão.

• Comparação indireta não verificada. Construir uma meta-análise em rede sem testar transitividade ou consistência, então um resultado indireto repousa em ensaios incomparáveis. Solução: mostre a rede, teste as premissas, e marque cadeias indiretas finas como baixa certeza.

• A síntese obsoleta. Ancorar uma decisão a uma revisão cuja busca fechou anos atrás em um campo que avançou. Solução: declare a data de vigência, verifique o que apareceu desde então, e mantenha revisões voláteis de alto risco vivas.

Modelo de maturidade

Lista de verificação

• Confirme que um protocolo foi registrado antes da busca, com pergunta, resultados, e plano de análise pré-especificados.
• Verifique que a busca cobriu múltiplas bases de dados, registros de ensaio, e literatura cinzenta — não apenas revistas.
• Verifique que cada estudo incluído foi avaliado por risco de viés, e que estudos de alto risco foram testados em uma análise de sensibilidade.
• Estabeleça que os estudos são semelhantes o suficiente para agrupar; se não, espere uma síntese narrativa estruturada em vez de um único número.
• Note se um modelo de efeito fixo ou efeitos aleatórios foi usado e por quê, e se a conclusão sobrevive à alternativa.
• Pergunte como a heterogeneidade foi investigada, e se as análises de subgrupo foram pré-especificadas ou post-hoc.
• Procure uma verificação explícita de viés de publicação (comparação de registro, gráfico de funil) e leia um resultado positivo como um limite superior.
• Para decisões multi-comparador, confirme que qualquer meta-análise em rede mostrou sua rede e testou transitividade e consistência.
• Exija uma classificação de certeza GRADE (ou equivalente) para cada resultado que importa, separada do tamanho do efeito.
• Confirme que a síntese é relatada reprodutivelmente (PRISMA), com a busca, exclusões, e dados agrupados disponíveis.
• Registre a data de vigência e qual nova descoberta reabriria a decisão.
• Alinhe cada insumo sintetizado com o modelo e avaliação que alimenta, documentando onde insumos diferentes vieram de evidência diferente.

Key sources

• Cochrane, Cochrane Handbook for Systematic Reviews of Interventions (eds. Higgins, Thomas et al.) — the international standard manual for systematic-review and meta-analysis methods.
• PRISMA Statement (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) — the reporting standard for systematic reviews and meta-analyses — https://www.prisma-statement.org
• GRADE Working Group — the framework for rating certainty of evidence and strength of recommendations — https://www.gradeworkinggroup.org
• NICE Decision Support Unit Technical Support Documents on evidence synthesis and network meta-analysis — methods guidance used in health technology assessment — https://www.sheffield.ac.uk/nice-dsu
• WHO Handbook for Guideline Development — how the World Health Organization uses systematic review and GRADE in global guidelines — https://www.who.int
• Cochrane and the international living-evidence collaborations — reference practice for keeping high-stakes syntheses current.

References

1. Systematic review — Wikipedia — https://en.wikipedia.org/wiki/Systematic_review
2. Meta-analysis — Wikipedia — https://en.wikipedia.org/wiki/Meta-analysis
3. Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) — Wikipedia — https://en.wikipedia.org/wiki/Preferred_Reporting_Items_for_Systematic_Reviews_and_Meta-Analyses
4. Forest plot — Wikipedia — https://en.wikipedia.org/wiki/Forest_plot
5. Random effects model — Wikipedia — https://en.wikipedia.org/wiki/Random_effects_model
6. Heterogeneity (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Heterogeneity_(statistics)
7. Hierarchy of evidence — Wikipedia — https://en.wikipedia.org/wiki/Hierarchy_of_evidence
8. GRADE approach — Wikipedia — https://en.wikipedia.org/wiki/GRADE_approach
9. Network meta-analysis — Wikipedia — https://en.wikipedia.org/wiki/Network_meta-analysis
10. Publication bias — Wikipedia — https://en.wikipedia.org/wiki/Publication_bias
11. Grey literature — Wikipedia — https://en.wikipedia.org/wiki/Grey_literature
12. Cochrane (organisation) — Wikipedia — https://en.wikipedia.org/wiki/Cochrane_(organisation)
13. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
14. PRISMA Statement — PRISMA — https://www.prisma-statement.org
15. GRADE Working Group — https://www.gradeworkinggroup.org