Para que serve: Resumir dados para entender características básicas, como médias, medianas, e variações. É o primeiro passo para explorar e entender os dados coletados.

Exemplo de uso: Determinar a média de idade dos pacientes em um estudo sobre diabetes. Isso ajuda a identificar a faixa etária mais afetada pela doença e a planejar intervenções específicas para essa população.

Para que serve: Analisar a relação entre uma variável dependente (resultado, como pressão arterial) e uma ou mais variáveis independentes (fatores, como idade e peso). Ajuda a prever resultados e entender como diferentes fatores influenciam um resultado específico.

Exemplo de uso: Estudar como a pressão arterial varia com a idade e o peso dos pacientes. Isso pode ajudar a identificar quais grupos de pacientes precisam de mais monitoramento e intervenções específicas.

Para que serve: Estimar a probabilidade de ocorrência de um evento (como o desenvolvimento de uma doença) com base em variáveis preditoras. Muito útil para situações onde os resultados são binários (sim/não).

Exemplo de uso: Predizer a chance de um paciente desenvolver diabetes com base em fatores como índice de massa corporal (IMC) e nível de atividade física. Isso ajuda a identificar pacientes em risco e a implementar medidas preventivas.

Para que serve: Comparar as médias de três ou mais grupos para verificar se há diferenças estatisticamente significativas entre eles. Útil para avaliar a eficácia de diferentes tratamentos ou intervenções.

Exemplo de uso: Comparar a eficácia de três medicamentos diferentes para tratar a asma. Isso ajuda a identificar qual medicamento é mais eficaz e deve ser preferido no tratamento dos pacientes.

Para que serve: Comparar as médias de dois grupos para verificar se são significativamente diferentes. É frequentemente usado para avaliar o impacto de uma intervenção ou tratamento.

Exemplo de uso: Avaliar se há diferença nos níveis de colesterol dos pacientes antes e depois de um novo tratamento. Isso ajuda a determinar a eficácia do tratamento na redução do colesterol.

Para que serve: Testar suposições ou hipóteses sobre uma população com base em dados amostrais. É fundamental para validar ou refutar teorias em estudos clínicos.

Exemplo de uso: Verificar se a nova medicação é mais eficaz que um placebo em um estudo clínico. Isso ajuda a confirmar a eficácia da medicação antes de ser amplamente recomendada.

Para que serve: Avaliar o tempo até a ocorrência de um evento, como morte ou recaída. Importante para estudos de prognóstico e eficácia de tratamentos ao longo do tempo.

Exemplo de uso: Estudar a taxa de sobrevivência de pacientes com câncer após diferentes tratamentos. Isso ajuda a determinar quais tratamentos oferecem melhores chances de sobrevivência.

Para que serve: Avaliar a influência de múltiplos fatores no tempo de sobrevivência. Permite identificar quais fatores têm maior impacto no desfecho dos pacientes.

Exemplo de uso: Examinar como idade, sexo e tipo de tratamento afetam a sobrevida de pacientes com doença cardíaca. Isso auxilia na personalização dos tratamentos com base nos fatores de risco.

Para que serve: Analisar relações complexas entre variáveis observáveis e latentes. Útil para entender como diferentes fatores interagem e influenciam uns aos outros.

Exemplo de uso: Estudar a relação entre qualidade de vida e adesão ao tratamento em pacientes crônicos. Isso ajuda a identificar estratégias para melhorar a adesão ao tratamento e, consequentemente, a qualidade de vida dos pacientes.

Para que serve: Reduzir a dimensionalidade dos dados para identificar padrões importantes. Facilita a visualização e interpretação de dados complexos.

Exemplo de uso: Simplificar dados genéticos para encontrar padrões associados a certas doenças. Isso pode levar à identificação de marcadores genéticos importantes para diagnóstico e tratamento.

Para que serve: Agrupar dados em clusters com características semelhantes. Ajuda a identificar subgrupos dentro de uma população.

Exemplo de uso: Agrupar pacientes com base em perfis de sintomas para personalizar tratamentos. Isso permite a criação de planos de tratamento mais eficazes para diferentes grupos de pacientes.

Para que serve: Usar probabilidades subjetivas para atualizar crenças com novas evidências. Permite a incorporação de novos dados de forma contínua.

Exemplo de uso: Atualizar a probabilidade de um diagnóstico com novos resultados de exames. Isso melhora a precisão do diagnóstico ao considerar todas as informações disponíveis.

Para que serve: Testar a associação entre duas variáveis categóricas. Útil para estudos de associação e análise de contingência.

Exemplo de uso: Avaliar a associação entre tabagismo e incidência de câncer de pulmão. Isso ajuda a identificar fatores de risco e possíveis causas de doenças.

Para que serve: Medir a força e a direção da relação linear entre duas variáveis. Útil para identificar e quantificar associações.

Exemplo de uso: Estudar a relação entre níveis de atividade física e IMC em pacientes. Isso ajuda a entender como a atividade física influencia a saúde dos pacientes.

Para que serve: Analisar dados ao longo do tempo para identificar tendências e padrões. Importante para monitoramento e previsão de eventos futuros.

Exemplo de uso: Monitorar a evolução de epidemias ao longo do tempo. Isso auxilia na resposta rápida e eficaz a surtos de doenças.

Para que serve: Combinar resultados de vários estudos para obter uma estimativa mais precisa. Aumenta a robustez das conclusões através da síntese de múltiplas evidências.

Exemplo de uso: Avaliar a eficácia de um tratamento combinando resultados de múltiplos ensaios clínicos. Isso fornece uma visão mais abrangente sobre o tratamento.

Para que serve: Analisar dados coletados dos mesmos indivíduos ao longo do tempo. Permite o acompanhamento e a avaliação de mudanças e tendências.

Exemplo de uso: Estudar a progressão de doenças crônicas em pacientes ao longo de vários anos. Isso ajuda a entender a evolução das doenças e a eficácia dos tratamentos ao longo do tempo.

Para que serve: Ajustar comparações de tratamentos em estudos observacionais para reduzir vieses. Melhora a validade das comparações ao equilibrar os grupos de estudo.

Exemplo de uso: Comparar a eficácia de dois tratamentos ajustando para diferenças iniciais entre os grupos. Isso aumenta a precisão dos resultados e das conclusões.

Para que serve: Avaliar a precisão de testes diagnósticos. Medidas cruciais para determinar a eficácia e a confiabilidade de um teste.

Exemplo de uso: Medir a eficácia de um novo teste para detectar câncer de mama. Isso ajuda a garantir que o teste seja eficaz e minimiza falsos positivos e negativos.

Para que serve: Usar algoritmos de aprendizado para prever resultados com base em grandes conjuntos de dados. Capaz de identificar padrões complexos e fazer previsões precisas.

Exemplo de uso: Prever resultados clínicos complexos, como resposta a tratamentos, usando dados de pacientes. Isso melhora a personalização dos cuidados médicos e a tomada de decisões clínicas.