As conclusões médicas e científicas – sejam conclusões de estudos ou resultados de exames – nem sempre são fáceis de entender.

E as declarações de risco envolvidas são ainda mais complicadas, envolvendo um debate infindável entre os próprios cientistas, que não chegam a um consenso sobre métricas largamente usadas, por exemplo, nos ensaios clínicos feitos para a aprovação de medicamentos e tratamentos.

Não por acaso, quando chegamos à interação médico-paciente durante uma consulta, transmitir as informações estatísticas não é tarefa fácil e nem sempre elucidativa para o paciente.

Ante essas dificuldades, pesquisadores de vários domínios da medicina, da educação médica e da educação matemática, se juntaram para propor medidas para tornar mais eficaz a comunicação entre médicos e pacientes sobre riscos reais à saúde – o quanto esse exame diz se você está realmente doente ou não está doente, por exemplo.

“Até os médicos às vezes têm dificuldades em determinar o valor preditivo correto. E, se os dados são difíceis para o médico interpretar, é ainda mais difícil comunicar as informações com precisão aos pacientes de uma maneira que eles possam entender,” disse a Dra Karin Binder, da Universidade Ludwig-Maximilians de Munique (Alemanha).

O jeito complicado
Para ilustrar as dificuldades sobre a comunicação de risco, a equipe cita o exemplo de um paciente cujo exame ultrassonográfico da tireoide mostra um nódulo. Isso significa que o paciente tem câncer de tireoide? Não necessariamente, pois existe uma probabilidade conhecida de um falso positivo, ou seja, o resultado do exame ser positivo mesmo que o paciente não tenha câncer de tireoide.

Para explicar aos pacientes o quadro estatístico lido no resultado do teste, existem duas abordagens, e a equipe concluiu que uma delas é muito mais fácil de interpretar do ponto de vista do paciente, enquanto a outra, também comumente usada pelos médicos, exige algum raciocínio que pode dificultar o entendimento.

A abordagem comumente usada, conhecida como bayesiana, baseia-se no número de pacientes que realmente têm a doença. Em primeiro lugar, o médico explica com que frequência a doença ocorre no geral – por exemplo: “Em 1.000 pacientes, 50 têm câncer de tireoide”. Em seguida, o médico estabelece: a) Para quantos desses pacientes com câncer de tireoide o resultado do teste é positivo (20 em 50) e b) Quantas pessoas não têm câncer de tireoide mesmo tendo um resultado positivo no exame (110 dos restantes 950).

Infelizmente, no entanto, testes positivos como proporção de pessoas com a doença são frequentemente confundidos com pessoas com a doença como proporção de testes positivos! E essas duas porcentagens podem diferir muito dependendo da situação.

Então, o que significam os números citados acima em relação ao paciente do exemplo, com seu teste positivo? Quantas pessoas que testam positivo realmente têm a doença? Se para você a resposta não é imediatamente aparente, você não está sozinho: Sem mais informações, apenas 10% dos participantes dos experimentos feitos pela equipe de cientistas conseguiram calcular quantas pessoas com resultados positivos realmente tinham a doença.

O jeito simples
A boa notícia é que, além dessa comunicação bayesiana, existe também uma comunicação “diagnóstica”, pela qual as informações são postas de maneira muito diferente.

Em primeiro lugar, o médico explica quantos pacientes têm resultados positivos nos testes, independentemente de terem ou não a doença. Em nosso exemplo, seriam 130 pessoas com um detalhe digno de nota no ultrassom da tireoide (em 1.000 pessoas examinadas). Em seguida, o médico explica quantas dessas pessoas com testes positivos realmente têm a doença (20 em 130) e quantas pessoas com resultados negativos têm a doença (30 em 870).

A informação relevante é assim posta diretamente, sem a necessidade de aritmética mental: Se meu resultado for positivo, então a probabilidade é de 20 em 130 de que eu realmente tenha câncer de tireoide. Quando comunicados desta forma, 72% dos participantes do estudo foram capazes de chegar a esta conclusão, em comparação com 10% com a abordagem bayesiana.

“Além disso, com a comunicação bayesiana os participantes foram consideravelmente mais lentos em alcançar o resultado correto, se é que chegaram lá,” disse Karin Binder. “E, em consultórios médicos e hospitais movimentados, esse tempo geralmente não está disponível.”

A equipe pede então aos médicos que usem a comunicação de informações diagnósticas mais prontamente no futuro. Isso ajudará a evitar confusão, má interpretação, decisões erradas e todo o estresse de pacientes que precisam lidar com um diagnóstico falso-positivo ou ter preocupações com resultados falso-negativos.