Métodos bayesianos na terapia intensiva

Atualmente, a estatística frequentista e bayesiana são as duas principais correntes de pensamento para interpretar probabilidades e tomar decisões com base em dados. A primeira é baseada na frequência de repetição de um evento em um número grande de testes. Um exemplo muito comum é o valor-p, uma medida que indica a probabilidade de um resultado de pesquisa ter ocorrido por acaso. Por exemplo, em um estudo clínico de um novo remédio para hipertensão, o frequentista calcula a chance daqueles resultados terem ocorrido por acaso (hipótese nula). Se o valor-p for menor que 0.05, o resultado é considerado "estatisticamente significativo". No entanto, como limitação, ela não aproveita estudos anteriores em sua conta matemática.

Enquanto isso, a estatística bayesiana mede o grau de crença ou certeza sobre um evento acontecer, com base nas evidências disponíveis. Um exemplo prático seria se ao testar um novo antibiótico, o pesquisador insere no cálculo o que já se sabe sobre remédios parecidos na literatura médica anterior. O resultado final diz diretamente: "Há 95% de probabilidade de este novo remédio ser superior ao placebo".

A terapia intensiva moderna é fortemente baseada na estatística frequentista para interpretar estudos clínicos e orientar recomendações. Embora essa abordagem tenha sido fundamental para o avanço da medicina baseada em evidências, ela apresenta limitações importantes diante da complexidade e da incerteza que caracterizam a prática clínica. Nesse contexto, Schultz e colaboradores (2026) discutiram como os métodos bayesianos podem complementar e, em alguns casos, aprimorar a interpretação das evidências e a tomada de decisão na unidade de terapia intensiva (UTI).

Os autores destacaram que diretrizes clínicas podem recomendar determinadas intervenções mesmo quando metanálises não demonstram benefícios estatisticamente significativos, enquanto outras estratégias recebem recomendações mais cautelosas diante de evidências semelhantes. Isso ocorre porque as decisões clínicas não dependem exclusivamente da significância estatística, mas também da qualidade das evidências, da plausibilidade biológica, da magnitude dos efeitos observados e da avaliação do equilíbrio entre riscos e benefícios.

A estatística frequentista engloba diferentes abordagens fundamentadas em valores de p, testes de hipóteses, erros estatísticos e intervalos de confiança. Apesar de sua importância, esses métodos frequentemente analisam os estudos de forma relativamente isolada e tendem a produzir interpretações dicotômicas dos resultados, classificando-os como “significativos” ou “não significativos”.

Para ilustrar essas limitações, os autores discutiram o estudo Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome (EOLIA), que avaliou o uso da oxigenação por membrana extracorpórea (ECMO) em pacientes com síndrome do desconforto respiratório agudo (SDRA) grave. Embora a análise frequentista não tenha demonstrado benefício estatisticamente significativo, reanálises bayesianas sugeriram elevada probabilidade de benefício clínico.

Situação semelhante foi observada no estudo TracMan, que investigou a traqueostomia precoce em pacientes críticos. Apesar da ausência de benefício significativo no ensaio original, análises bayesianas posteriores, integrando evidências de múltiplos estudos, identificaram alta probabilidade de benefícios clínicos relevantes.

Esses exemplos demonstraram que resultados considerados “negativos” pela ótica frequentista podem revalar informações importantes quando interpretados em conjunto com conhecimentos prévios, evidências acumuladas e cenários de incerteza clínica. Os autores também questionaram a ideia de que as metanálises sempre resolvem as incertezas, pois nem sempre produzem conclusões facilmente aplicáveis à tomada de decisão clínica.

Nesse contexto, a estatística bayesiana oferece uma abordagem alternativa. Diferentemente da perspectiva frequentista, que avalia a probabilidade de observar determinados dados na ausência de efeito, a abordagem bayesiana busca estimar diretamente a chance de que uma intervenção seja benéfica à luz das evidências disponíveis. Assim, em vez de apenas indicar que um resultado não alcançou significância estatística, esse método permite quantificar a probabilidade de um benefício clinicamente relevante.

Outra vantagem importante é a incorporação explícita do conhecimento prévio, integrando fundamentos fisiológicos, pesquisas anteriores e experiência clínica aos novos dados disponíveis. Dessa forma, as estimativas podem ser continuamente atualizadas à medida que novas evidências são produzidas.

Os autores destacaram que os intensivistas já utilizam o raciocínio bayesiano de maneira intuitiva. Na prática cotidiana, hipóteses diagnósticas e terapêuticas são continuamente reavaliadas à medida que novos exames, dados clínicos e respostas ao tratamento se tornam disponíveis, em um processo contínuo de atualização das evidências.

Apesar das potenciais vantagens, a ampla adoção desses métodos enfrenta desafios importantes, incluindo o predomínio do ensino da estatística frequentista, a tradição regulatória baseada em testes de hipóteses, a resistência cultural às mudanças e as preocupações relacionadas à influência das distribuições a priori utilizadas nos modelos.

Além da interpretação de estudos clínicos, o artigo sugeriu que a abordagem bayesiana pode favorecer uma medicina mais personalizada, promover o aprendizado contínuo a partir de novas evidências e apoiar desenhos inovadores de pesquisa. Ensaios adaptativos, como a plataforma REMAP-CAP, ilustraram como métodos bayesianos podem acelerar a geração de conhecimento e otimizar a avaliação de intervenções em pacientes críticos.

Por fim, Schultz e colaboradores (2026) concluíram que a medicina intensiva já incorpora o raciocínio bayesiano, embora frequentemente de forma implícita e intuitiva. Ao tornar a interpretação das evidências mais transparente, consistente e reproduzível, essa abordagem complementa a estatística frequentista e favorece decisões clínicas mais adequadas à incerteza e à complexidade inerentes ao cuidado de pacientes críticos.