Introdução à análise casual de mediação utilizando modelos estruturais marginais por meio de um algoritmo G-Computation

• Autor(a) principal: Back, Luisa
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/175313
• topic: Inferencia; Análise causal; Causal inference; Causal effects; Mediation, mediation analysis; Marginal structural models; G-computation

O interesse pelos conceitos de causa e o estudo da causalidade remontam ao século IV AC, por Aristóteles e seus predecessores. Na era moderna foi retomado por diversos filósofos, tais como Locke, Hume, Mill e Suppes, na perspectiva da construção de uma teoria de inferência causal. Recebeu valiosas contribuições de estatísticos como Wright e Neyman a partir da década de 1920 e Hill e Rubin nas décadas de 1960 e 1970. Na Epidemiologia, métodos e aplicações da inferência causal têm sido desenvolvidos principalmente a partir da década de 1980, com crescimento exponencial a partir do início deste século. Recentemente, a análise causal de mediação é, possivelmente, a principal área de estudos teóricos e aplicados em pesquisa clínica e epidemiológica. O objetivo deste trabalho é apresentar uma breve introdução aos conceitos de causalidade, de inferência causal e de análise causal de mediação, com foco na utilização de modelos estruturais marginais (MSMs) e no algoritmo chamado de G-Computation. São apresentadas definições dos MSMs e de um algoritmo G-Computation, exemplificando com uma aplicação para estimar efeitos causais de mediação por meio da decomposição do efeito total da escolaridade materna na ocorrência de baixo peso ao nascer, mediado pela prematuridade. Os dados foram obtidos no Sistema de Informação de Nascidos Vivos (SINASC) do DATASUS. No exemplo, as estimativas do efeito indireto total (EIT) e do efeito indireto puro (EIP) foram, respectivamente, RC=0,83 (IC 95%:0,74–0,93) e RC=0,82 (IC 95%:0,72–0,93). Como se trata de um exemplo ilustrativo, é importante ressaltar que a plausibilidade biológica destes resultados e respectivas interpretações causais devem ser investigadas e discutidas com profundidade.