Blog
Cálculo amostral para estudos de prevalência
Estudos de prevalência dominam a epidemiologia descritiva porque respondem a uma pergunta direta: qual a proporção de indivíduos com determinada condição em uma população? A qualidade dessa estimativa depende do tamanho da amostra, mas também do desenho de amostragem — e é aí que muitos projetos erram, tratando uma amostra por conglomerados como se fosse aleatória simples.
A fórmula-base e o que cada termo controla
Para amostragem aleatória simples, a estimativa de uma proporção segue a fórmula n = Z²·p·(1−p)/d². Vale entender o comportamento de cada componente. O termo p·(1−p) é máximo em p = 0,5 e diminui à medida que a prevalência se afasta de 50% em qualquer direção. Isso significa que condições raras (p baixo) ou muito comuns (p alto) exigem menos indivíduos para a mesma precisão absoluta — mas cuidado, porque para eventos raros a precisão relativa piora, e frequentemente é ela que importa.
O nível de confiança entra via Z: 1,96 para 95% e 2,576 para 99%. Elevar a confiança aumenta a amostra de forma quadrática, assim como reduzir a margem de erro d. Cortar a margem de erro pela metade quadruplica o n. Esse detalhamento das premissas foi tratado com um exemplo completo em como calcular o tamanho amostral para um estudo transversal.
O efeito de desenho (deff): o ponto mais esquecido
Muitos inquéritos populacionais não usam amostragem aleatória simples, mas amostragem por conglomerados (escolas, domicílios, unidades de saúde). Indivíduos do mesmo conglomerado tendem a ser mais parecidos entre si, o que reduz a informação efetiva da amostra. Para corrigir isso, multiplica-se o n pelo efeito de desenho (design effect, deff):
n_final = n · deff
Valores de deff entre 1,5 e 2,0 são comuns em inquéritos de saúde. Ignorar o deff produz intervalos de confiança falsamente estreitos e conclusões superconfiantes — um erro que compromete toda a inferência.
Ajustes práticos: perdas e estratos
Depois de calcular o n com deff, ajuste para perdas esperadas. Se você antecipa 20% de recusas ou dados incompletos, divida o n por 0,80. Em estudos estratificados (por sexo, faixa etária, região), o cálculo pode ser feito por estrato quando há interesse em estimativas específicas para cada subgrupo — nesse caso, a soma dos n dos estratos pode superar bastante o cálculo global.
Reprodutibilidade: reporte tudo
Um cálculo amostral só é verificável se você informar: prevalência esperada e sua fonte, margem de erro, nível de confiança, deff (se aplicável), taxa de perdas e a fórmula ou software usado. Essa transparência é parte do que o STROBE pede na seção de métodos, e é também o que separa um projeto sólido de um que será questionado. Se você está preparando a redação, o texto sobre erros estatísticos que fazem revisores rejeitarem artigos complementa este.
Quando o estudo não é apenas descritivo e passa a testar associações — por exemplo, entre exposição e desfecho —, o dimensionamento migra para a lógica de poder estatístico, e a análise costuma envolver regressão logística.
Precisão absoluta e precisão relativa: não confunda
Uma fonte silenciosa de erro no cálculo amostral de prevalência é misturar precisão absoluta com relativa. A margem de erro absoluta (d) é expressa em pontos percentuais — por exemplo, “estimar a prevalência com erro de ±3 pontos”. A precisão relativa é expressa como fração da própria prevalência — “erro de 10% do valor de p”. Para prevalências baixas, exigir a mesma precisão absoluta de uma prevalência alta pode ser irrealista: estimar uma prevalência de 2% com margem absoluta de ±3 pontos é quase sem sentido, porque o intervalo cruzaria zero. Nesses casos de eventos pouco frequentes, a precisão relativa costuma ser a métrica adequada, e ela aumenta bastante o tamanho de amostra necessário. Deixar claro qual precisão foi adotada é parte da descrição reprodutível que revisores esperam.
Amostragem sistemática e estratificada
Além da aleatória simples e por conglomerados, dois desenhos aparecem com frequência. Na amostragem sistemática, seleciona-se um a cada k indivíduos de uma lista — prática e, sob condições usuais, com propriedades próximas à aleatória simples, desde que não haja periodicidade oculta na lista. Na amostragem estratificada, a população é dividida em estratos (por sexo, idade, região) e amostra-se dentro de cada um; quando bem conduzida, ela pode aumentar a precisão em relação à aleatória simples do mesmo tamanho. Cada desenho tem implicações na análise, e ignorá-las na hora de calcular intervalos de confiança leva a estimativas de incerteza incorretas.
Referências
- Lwanga SK, Lemeshow S. Sample Size Determination in Health Studies. Genebra: WHO; 1991.
- Kirkwood BR, Sterne JAC. Essential Medical Statistics. 2ª ed. Blackwell; 2003.
- Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3ª ed. Lippincott Williams & Wilkins; 2008.