Avaliando as Estimativas de Aceitação da Vacina COVID-19

No começo de 2021, duas grandes pesquisas online com o objetivo de estimar a adesão às vacinas contra a COVID-19 nos Estados Unidos produziram resultados imprecisos. As pesquisas, apesar de terem grandes tamanhos de amostra, superestimaram significativamente quantas pessoas haviam recebido pelo menos uma dose da vacina. Essa discrepância levantou questões sobre a confiabilidade dessas pesquisas, especialmente dadas as taxas de resposta muito baixas. Este artigo discute como uma abordagem de modelagem específica pode ajudar a estimar a adesão à vacina enquanto aborda o viés introduzido por quem não respondeu.

#Contexto das Pesquisas

As duas pesquisas em questão foram a Pesquisa de Pulse da População do Censo (HPS) e a Pesquisa de Tendências e Impacto da COVID-19 da Delphi-Facebook (CTIS). Ambas as pesquisas foram lançadas em resposta à pandemia e tinham como objetivo coletar informações importantes sobre como a COVID-19 impactou a vida das pessoas, incluindo seu status de vacinação.

A HPS foi gerenciada pelo Escritório do Censo dos Estados Unidos e buscava coletar rapidamente dados sobre o impacto da pandemia. Enfocou em vários fatores como emprego, segurança alimentar, saúde física e mental, e mais tarde incluiu perguntas sobre o status de vacinação. A HPS tinha como meta coletar dados de milhares de lares, mas suas taxas de resposta foram baixas-entre 6,6% e 7,8%.

A CTIS foi uma colaboração entre a empresa-mãe do Facebook e instituições acadêmicas. Essa pesquisa coletou uma quantidade imensa de dados, com uma taxa de resposta não verificada menor, em média, entre 0,5% e 1,5%.

#O Problema do Viés

Apesar do grande número de respondentes, ambas as pesquisas tiveram taxas de resposta preocupantes. O viés nos resultados pode ter surgido do tipo de indivíduos que optaram por não participar. Acredita-se que pessoas que estavam hesitantes ou resistentes às vacinas possam ter sido menos propensas a responder às perguntas sobre seu status de vacinação. Essa não-resposta poderia levar a uma superestimação da adesão à vacina porque as pesquisas podem não representar adequadamente as opiniões e status da população total.

#Modelos de Mistura de Padrões Proxy (PPMM)

Para lidar com a questão do viés, os pesquisadores usaram um método chamado Modelos de Mistura de Padrões Proxy (PPMM). Essa abordagem permite que os estimadores considerem os viéses que surgem da falta de uma imagem completa dos respondentes. Em vez de olhar apenas para os respondentes, o PPMM considera o que pode estar acontecendo na população mais ampla.

Ao aplicar o PPMM, os pesquisadores usam Dados Demográficos (como idade, raça, gênero e educação) para ajudar a criar uma imagem mais precisa da adesão à vacina. Essas variáveis demográficas têm uma relação conhecida com as opiniões das pessoas sobre a vacinação, permitindo que os pesquisadores ajustem as estimativas de acordo.

O PPMM funciona efetivamente agrupando respondentes com base em suas características e comparando esses grupos com as demografias populacionais conhecidas. A ideia é que, se certos grupos demográficos estão sub-representados nas respostas da pesquisa, o modelo fará um ajuste por essa ausência.

#Aplicando o PPMM às Estimativas de Vacinas

Usando o PPMM, os pesquisadores se concentraram em estimar a proporção de adultos que receberam pelo menos uma dose da vacina contra a COVID-19. Começaram coletando dados demográficos de diferentes pesquisas e depois combinaram esses dados com as respostas da HPS e CTIS. Usando esse método, puderam avaliar quantas pessoas na população total poderiam ter sido vacinadas, levando em consideração aqueles que não responderam às pesquisas.

Os pesquisadores descobriram que as estimativas geradas usando o PPMM estavam muito mais próximas das taxas de vacinação reais reportadas pelos Centros de Controle e Prevenção de Doenças (CDC). Enquanto as estimativas das pesquisas originais previam números de vacinação muito mais altos, as estimativas do PPMM forneceram uma visão mais realista da situação. Portanto, esse modelo foi eficaz em identificar e corrigir o viés que surgiu da não-resposta.

#Estimando a Hesitação em Vacinas

Junto com a estimativa da adesão à vacina, os pesquisadores também buscaram medir a hesitação em vacinas, que se refere à relutância ou recusa em receber vacinas. Fatores demográficos semelhantes foram aplicados para estimar as taxas de hesitação em vacinas usando o PPMM. Indivíduos que estavam incertos ou totalmente resistentes às vacinas foram classificados como hesitantes.

Ao usar o modelo para avaliar a hesitação em vacinas, notou-se que as estimativas das pesquisas poderiam ser otimistas demais, indicando níveis mais altos de aceitação de vacinas do que o real. As estimativas do PPMM mostraram que a hesitação em vacinas provavelmente foi subestimada, alinhando-se com as conclusões sobre a adesão à vacina.

#Resultados e Discussão

Ao longo da análise, os pesquisadores destacaram vários pontos essenciais sobre a eficácia do PPMM:

1. Detecção de Viés: O PPMM identificou com sucesso a direção do viés, indicando que ambas as pesquisas superestimaram a adesão à vacina.

2. Precisão das Estimativas: As estimativas produzidas pelo PPMM estavam mais alinhadas com os dados reais de vacinação reportados pelas autoridades de saúde em comparação com as estimativas das pesquisas.

3. Intervalos Credíveis Mais Amplos: O PPMM produziu intervalos de confiança mais amplos, apesar dos grandes tamanhos de amostra. Essa característica é útil, pois mostra a incerteza relacionada às estimativas e reflete as limitações dos dados.

4. Disponibilidade de Dados: Uma das vantagens de usar o PPMM é que os dados necessários para essa análise geralmente estão disponíveis. Informações demográficas podem ser frequentemente acessadas em conjuntos de dados existentes, tornando esse método amplamente aplicável.

#Conclusão

Essa análise da adesão à vacina contra a COVID-19 destaca como é importante considerar o viés de não-resposta nos dados de pesquisa. Usando Modelos de Mistura de Padrões Proxy, os pesquisadores podem fazer avaliações mais precisas da adesão à vacina e da hesitação. Isso não só fornece uma imagem mais clara das tendências de vacinação, mas também ajuda a entender as respostas de saúde pública durante um momento crítico.

Seguindo em frente, será crucial que pesquisadores e organizações de saúde incorporem estratégias semelhantes ao analisar dados de pesquisa, especialmente em situações onde as taxas de resposta são baixas. Ao entender os viéses presentes nas estimativas de pesquisa, os formuladores de políticas podem tomar decisões mais bem-informadas para enfrentar os desafios de saúde pública.