Médicos, enfermeiros e pessoal de saúde correm para a linha de frente dos centros de saúde, hospitais de campo são construídos, governos colocam suas prioridades e recursos a serviço de um único objetivo; Nos bastidores, um pequeno exército está travando sua própria batalha, tentando encontrar as respostas e os caminhos que nos permitem vencer a guerra contra a pandemia entre números e equações. Em tempos de incerteza, a informação pode ser nossa única esperança.
Uma das grandes perguntas a serem respondidas por epidemiologistas, estatísticos e cientistas é se já temos o medicamento em nossas mãos ou se os novos produtos desenvolvidos são um tratamento viável para a doença, pois esses ensaios clínicos devem ser projetados, selecione cuidadosamente o os indivíduos, monitoram estritamente o status de cada um, analisam os resultados e concluem se a terapia em estudo é eficaz além de qualquer dúvida razoável.
Esses processos vêm de protocolos estabelecidos antes mesmo de serem usados na medicina, quando, em 1878, Charles Sanders Pierce usou o experimento controlado randomizado como uma maneira de evitar vieses em experimentos científicos e usou os mesmos vieses para sua diversão por meio de alguns truques de cartas, mais tarde na década de 1920, Ronald Fischer introduziu os princípios básicos do experimento que já eram usados na indústria química na década de 1950, finalmente em 1958 Edward Kaplan e Paul Meier publicaram no American Journal of Statistics a método de fazer estimativas de sobrevivência usando observações onde as informações são incompletas. Reproduzo abaixo um trecho da introdução desse artigo:
“Em muitos problemas de estimativa, é inconveniente ou impossível fazer medições completas de todos os membros de uma amostra aleatória. Por exemplo, em estudos clínicos de acompanhamento para determinar a distribuição dos tempos de sobrevida após uma operação, o contato com alguns indivíduos será perdido antes da morte e outros morrerão por outras causas que precisam ser excluídas. Da mesma forma, observar a vida útil de um tubo de vácuo pode terminar com a quebra do tubo ou a necessidade de usar as instalações para outros fins. Nos dois exemplos, observações incompletas podem resultar da necessidade de relatório dentro de um período de tempo razoável. "
Kaplan, E.L., & Meier, P. (1958). Estimativa não paramétrica de observações incompletas. Jornal da Associação Estatística Americana, 53 (282), 457.
Além das contribuições óbvias à estimativa não paramétrica, Kaplan e Meier também demonstraram que o mundo dos ensaios clínicos não está longe da análise de manutenção, permitindo compartilhar muitas das ferramentas estatísticas usadas para avaliar métodos terapêuticos com a análise de causa raiz que usamos em confiabilidade.
Para ilustrar isso, faça o estudo "Tratamento experimental para COVID-19: um estudo de controle aberto" publicado em março deste ano em que eles usam o estimador proposto por Kaplan-Meier para comparar a "sobrevivência" do vírus contra dois retrovirais, Favipiravir (FPV) versus Lopinavir (LPV), que já haviam sido usados contra outras epidemias. A Figura 1 mostra como os pacientes tratados com FPV mostram a indetectabilidade do vírus dias antes do grupo de pacientes tratados com LPV.
-01.png?width=1297&name=MicrosoftTeams-image%20(9)-01.png)
A Figura 2 foi retirada de um artigo publicado em 2017 chamado “Análise de sobrevivência de A.C. máquinas na indústria de diamantes usando o estimador Kaplan-Meier” em um estudo para comparar o desempenho de motores elétricos operando na mina de diamantes Mir localizada no leste da Sibéria. Os pesquisadores usaram o estimador Kaplan-Meier para demonstrar que o modelo do motor elétrico modelo d2PRWX280 mostrado na curva 2 mostra maior "sobrevivência" antes de 25.000 horas de operação do que o modelo d2PRW X250 / 31-KL na curva 1 .
O estimador de Kaplan-Meier assume que uma série de indivíduos que são submetidos à experimentação pode ter um evento que muda seu estado inicial, como falhar, morrer (a morte é claramente a pior das falhas) ou até curar, levando em consideração de todos os indivíduos que fazem parte do experimento, alguns terão que sobreviver além do final do estudo, enquanto outros serão descartados e dos quais não haverá informações ao final do estudo.
O estimador consegue evitar essas desvantagens e nos mostra uma curva de sobrevivência que representa os participantes, mostrando a probabilidade de que o evento não tenha ocorrido até um determinado período, o que faz do estimador uma ferramenta poderosa para a tomada de decisões, permitindo que concentremos nossos esforços e recursos para determinar tempos críticos de falha, comparando diferentes curvas de sobrevivência que nos permitem discernir qual comportamento melhor se adequa ao que nossos planos de operação exigem e realizar diferentes análises que nos permitam conhecer nossos sistemas de produção em maior profundidade para detectar pontos e horários ideais, é por isso que muitos analistas de confiabilidade mantêm isso em suas caixas de ferramentas.
Em tempos de incerteza, a ciência de dados nos dá respostas, esperanças e cursos de ação além dos contextos particulares da medicina, engenharia ou manutenção da confiabilidade, métodos como o estimador Kaplan-Meier conseguem que a análise matemática possa surgir do laboratório para o mundo real, para nos salvar de uma pandemia ou fazer com que ativos que suportem serviços críticos operem no auge das circunstâncias.
Por:Juan Fernando Villegas
Diretor de Análise de Dados
Ainda não conhece
o Fracttal?
