Como a gente lê um estudo
Frequentista ou bayesiana: o mesmo dado, duas perguntas
Um artigo diz que o resultado não foi significativo (p = 0,06) e, três linhas depois, que a probabilidade de benefício é de 97,2%. As duas frases estão certas. Elas respondem a perguntas diferentes.
A pergunta que cada uma responde
A diferença não é de matemática avançada, é de ponto de partida. A análise frequentista trata o efeito verdadeiro como um número fixo e desconhecido, e pergunta o quanto os dados observados seriam surpreendentes se não houvesse efeito nenhum. A bayesiana trata o efeito como uma quantidade incerta, sobre a qual se pode ter um grau de crença, e pergunta qual a chance de ele estar em cada faixa de valores depois de ver os dados.
"Se o tratamento não funcionasse, com que frequência eu veria um resultado assim?"
Responde com o valor de p e o intervalo de confiança. Não diz — e não pode dizer — qual a probabilidade de o tratamento funcionar.
"Diante desses dados, qual a probabilidade de o tratamento funcionar?"
Responde com a distribuição a posteriori e o intervalo de credibilidade. É a pergunta que o intensivista de fato faz à beira do leito.
Reparem que a pergunta bayesiana é a que você faz naturalmente — e que a frequentista, apesar de dominar a literatura há décadas, não responde. Boa parte da confusão com o valor de p vem daí: ele é lido como se fosse a resposta da coluna da direita.
O caso que deixa isso claro
A metanálise de ressuscitação guiada pela perfusão periférica no choque distributivo, da edição nº 1, rodou as duas análises sobre os mesmos 7 ensaios e 2.408 pacientes. O resultado frequentista para mortalidade em 28 dias foi RR 0,87 (IC95% 0,76 a 1,01; p = 0,06). Pelo critério convencional, "não significativo": o intervalo encosta no 1. O modelo bayesiano principal estimou RR 0,875 (ICr95% 0,750 a 1,003) e P(RR < 1) = 97,2%.
Não há contradição. O intervalo vai de 0,75 a 1,00 — quase todo ele abaixo de 1, com uma pontinha do outro lado. A análise bayesiana simplesmente mede essa "quase todo": 97,2% da distribuição a posteriori está na região de benefício.
A mesma estimativa, medida de outro jeito
Distribuição a posteriori do risco relativo. A área em azul é a parcela compatível com benefício.
Dados: Mendes H et al., Crit Care Med 2026 (suplemento, eTabela S13.1). Gráfico próprio: curva normal ajustada à mediana e ao intervalo de credibilidade publicados, para ilustração. A posteriori do artigo não é exatamente normal nessa escala — daí a probabilidade exata do modelo (97,2%) diferir um pouco da área desta aproximação (≈ 96%).
O prior: onde mora a discussão
Toda análise bayesiana começa de algum lugar — o prior, a crença sobre o efeito antes de ver os dados deste estudo. É aqui que a abordagem ganha poder e, ao mesmo tempo, fica vulnerável. Um estudo sério declara qual prior usou, justifica a escolha e mostra o que acontece com outros.
Este é um bom exemplo de como se faz. Os autores pré-registraram quatro famílias de prior (PROSPERO CRD420251229564) para o efeito combinado, na escala do log-odds:
- Fraco — Normal(0; 1,5), usado na análise principal: quase não restringe, deixa os dados falarem.
- Cético — Normal(0; 0,354): assume que efeitos grandes são improváveis (95% da crença prévia entre OR 0,50 e 2,00).
- Otimista — Normal(−0,288; 0,28): parte de alguma expectativa de benefício.
- Pessimista — Normal(+0,288; 0,28): parte de alguma expectativa de dano.
E aqui está o que mais ensina neste artigo: a probabilidade de benefício muda conforme o ponto de partida.
Quanto o ponto de partida importa
Probabilidade de benefício em 28 dias, P(RR < 1), em cada cenário de análise. Em azul, o modelo principal. Eixo começa em 85%.
Dados: Mendes H et al., Crit Care Med 2026 (suplemento, eTabela S13.1). Gráfico próprio.
Repare em duas coisas. A primeira: mesmo partindo do pessimismo, a probabilidade de benefício continua alta — 92,8% —, e a direção do efeito não se inverte em nenhum cenário. Isso é o que torna o achado robusto, e é bem mais informativo do que o p = 0,06 sozinho.
A segunda é menos confortável. Quando se retira o único ensaio classificado como de alto risco de viés — que sozinho carregava cerca de 46% do peso estatístico —, a probabilidade cai para 88,4% e o RR sobe para 0,908. Nenhum prior sofisticado conserta um problema de qualidade dos dados de entrada. É a limitação que mais pesa nessa síntese, e nenhuma das duas abordagens estatísticas a resolve.
Quando a bayesiana ajuda mais
- Ensaios que não atingiram o tamanho planejado ou pararam cedo: a leitura frequentista tende a dizer "não deu", quando os dados podem mostrar benefício provável com imprecisão.
- Resultados que encostam no limiar, como o p = 0,06 acima, onde a dicotomia significativo/não significativo esconde mais do que revela.
- Desfechos raros ou populações pequenas, em que o poder estatístico é estruturalmente baixo.
- Decisão clínica sob incerteza: "93% a 98% de chance de algum benefício, sem sinal de dano, custo zero" é uma frase acionável. "p = 0,06" não é.
Como interpretar na prática
- Probabilidade de benefício não é benefício comprovado. 97,2% descreve a posição da estimativa, não elimina viés, heterogeneidade ou confundimento. Uma síntese bayesiana de ensaios frágeis continua sendo uma síntese de ensaios frágeis — como mostra a queda para 88,4% ao tirar o ensaio de alto risco de viés.
- Procure o prior e a análise de sensibilidade. Sem isso declarado, o número de probabilidade vale pouco. Neste artigo estão no suplemento, com quatro priors pré-registrados: é o padrão a exigir.
- Veja qual limiar foi usado. P(RR < 1) responde "existe algum benefício?". P(RR < 0,9) responderia "existe benefício clinicamente relevante?" — e seria bem menor. Neste artigo, só o primeiro foi reportado.
- Procure a magnitude, não só a probabilidade. Pode haver 99% de chance de um benefício que, em números absolutos, é irrelevante. Volte sempre ao efeito absoluto e ao NNT.
- Não troque um dogma por outro. A bayesiana não "corrige" o p; ela responde outra pergunta. As duas leituras juntas informam mais do que qualquer uma sozinha.
Onde isso apareceu na newsletter
Edição nº 1 · 24 de setembro de 2026
Perfusão periférica no choque distributivo — metanálise com as duas análises lado a lado: RR 0,87 (IC95% 0,76–1,01; p = 0,06) e P(RR < 1) = 97,2%. Em 90 dias o sinal enfraquece: RR 0,927 (ICr95% 0,807–1,057), com 87,1% de probabilidade de benefício — e apenas 3 ensaios. Ler a análise
Cetamina na analgossedação — ensaio de fase 2 com desfecho primário bayesiano: diferença mediana de −13 µg/h (ICr95% −26,6 a 2,4) e probabilidade de benefício de 95,1%. Repare no ICr: intervalo de credibilidade, não de confiança. Ler a análise
Este texto foi preparado com apoio de inteligência artificial para redação e checagem, nos termos da Resolução CFM nº 2.454/2026, e revisado integralmente pelo editor responsável, que responde pelo conteúdo. Todos os números foram conferidos no artigo e no material suplementar. Finalidade educacional; não substitui a leitura dos artigos originais nem o julgamento clínico individual. O editor declara não possuir conflitos de interesse.