Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

AMSTAR 2: Ferramenta para avaliação de revisões sistemáticas e meta-análises

No mundo da pesquisa científica, a necessidade de sintetizar adequadamente uma vasta quantidade de informações tornou-se uma tarefa crucial.

Com o crescente volume de estudos e publicações, as revisões sistemáticas e meta-análises emergem como ferramentas poderosas para consolidar conhecimentos e fornecer perspectivas confiáveis sobre um tema específico.

Neste post, vamos explorar o AMSTAR 2 (A MeaSurement Tool to Assess systematic Reviews). Esta ferramenta de avaliação foi desenvolvida para aprimorar a qualidade e a confiabilidade das revisões sistemáticas, especialmente aquelas que incluem tanto estudos randomizados quanto não randomizados.

O instrumento AMSTAR-2

AMSTAR-2 (A MeaSurement Tool to Assess systematic Reviews) atua como uma ferramenta de avaliação crítica avançada para revisões sistemáticas que abrangem estudos de intervenção e não intervenção.

Desenvolvedores lançaram o AMSTAR em 2007, baseando-se no Manual Cochrane para Revisões Sistemáticas de Intervenções. Essa ferramenta concentra-se principalmente na metodologia correta para garantir resultados confiáveis e funciona como uma lista de verificação resumida para revisões de alta qualidade.

Após uma década de uso intensivo, uma versão atualizada, o AMSTAR 2, surgiu em 2017, refletindo a experiência e o feedback dos usuários. O AMSTAR 2 emprega um sistema de classificação baseado em domínios, contendo sete domínios críticos e nove não críticos.

Ao invés de produzir uma pontuação total, ele avalia a qualidade geral com base no desempenho nos domínios críticos e não críticos, atribuindo pesos diferentes nas regras de classificação.

Avançando em relação ao AMSTAR original, que avaliava apenas Revisões Sistemáticas (RSs) baseadas em ensaios controlados randomizados (RCTs), o AMSTAR 2 também avalia RSs de estudos de intervenção não randomizados, aplicando conteúdos específicos que abrangem uma avaliação de risco de viés diferente e metodologia de meta-análise.

O AMSTAR 2 também aprimorou as regras de avaliação de cada domínio, aceitando apenas respostas “sim” ou “não” e excluindo as opções “não aplicável” e “não posso responder”.

Principais características do AMSTAR-2

Domínios de Avaliação: O AMSTAR-2 apresenta 16 itens para avaliar variados aspectos de uma revisão sistemática. Esses itens incluem a formulação da pergunta de pesquisa, seleção e coleta de dados, avaliação do risco de viés nos estudos, adequação das análises estatísticas e justificativas para excluir estudos individuais.

Avaliação Crítica: A ferramenta oferece uma análise crítica detalhada das revisões sistemáticas, realçando seus pontos fortes e fracos. Essa funcionalidade auxilia pesquisadores e leitores a compreenderem a confiabilidade dos resultados apresentados.

Flexibilidade: O AMSTAR-2 se adapta para avaliar revisões que incluem tanto estudos randomizados quanto não randomizados. Essa versatilidade o torna uma ferramenta útil em diversas áreas acadêmicas.

Facilidade de Uso: Projetado para ser intuitivo e aplicável, o AMSTAR-2 atende tanto revisores experientes quanto iniciantes na metodologia de revisão sistemática, apesar de sua abordagem detalhada.

O AMSTAR-2 inclui 16 itens no total, cada um focando em um aspecto diferente da qualidade e rigor metodológico de uma revisão sistemática. Não há uma versão oficial em português, portanto os quadros a seguir apresentam os 16 itens presentes na versão original do AMSTAR-2.

Fonte: Shea BJ et al. (2017). AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ. 21;358:j4008

Como utilizar o AMSTAR-2

Todos os itens devem ser avaliados de acordo critérios pré-especificados e respondidas com “Sim” em casos de resultado positivo, “Não” para casos em que não há informações disponíveis ou quando o avaliador julgar que não pode optar pelo benefício da dúvida.

O AMSTAR 2 não foi projetado para gerar uma ‘pontuação’ geral. Uma pontuação alta pode ocultar fraquezas críticas em domínios específicos, como uma busca de literatura inadequada ou a falha em avaliar o risco de viés (ROB) em estudos individuais que foram incluídos em uma revisão sistemática.

Ao fazer uma avaliação geral de uma revisão sistemática, é importante levar em conta falhas em domínios críticos, que podem enfraquecer grandemente a confiança que pode ser depositada em uma revisão sistemática.

Como sugestão para a avaliação geral, você pode baixar e consultar os materiais diretamente no site dos desenvolvedores. De maneira prática, resumimos os critérios de avaliação:

Alta Nenhuma ou uma fraqueza não-crítica: a revisão sistemática oferece um resumo preciso e abrangente dos resultados dos estudos disponíveis que abordam a questão de interesse.

Moderada Mais de uma fraqueza não-crítica*: a revisão sistemática possui mais de uma fraqueza, mas sem falhas críticas. Pode fornecer um resumo preciso dos resultados dos estudos disponíveis que foram incluídos na revisão.

Baixa Uma falha crítica com ou sem fraquezas não-críticas: a revisão possui uma falha crítica e pode não fornecer um resumo preciso e abrangente dos estudos disponíveis que tratam da questão de interesse.

Muito Baixa Mais de uma falha crítica com ou sem fraquezas não-críticas: a revisão possui mais de uma falha crítica e não deve ser considerada confiável para fornecer um resumo preciso e abrangente dos estudos disponíveis.

Conclusão

O AMSTAR 2 se destaca como uma ferramenta fundamental para a avaliação de revisões sistemáticas, oferecendo um quadro robusto para analisar a qualidade metodológica e a confiabilidade dos resultados.

Ao focar na presença de falhas críticas e não-críticas, em vez de gerar uma pontuação geral, o AMSTAR 2 aprimora a capacidade dos pesquisadores de discernir revisões sistemáticas de alta qualidade, que fornecem resumos precisos e abrangentes das evidências disponíveis, das que são menos confiáveis devido a falhas metodológicas significativas.

A utilização do AMSTAR 2 deve ser considerada uma prática padrão para quem busca sintetizar e aplicar conhecimento científico, especialmente em campos que dependem fortemente de evidências para informar práticas e políticas.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referências

Li, L., Asemota, I., Liu, B., Gomez-Valencia, J., Lin, L., Arif, A. W., Siddiqi, T. J., & Usman, M. S. (2022). AMSTAR 2 appraisal of systematic reviews and meta-analyses in the field of heart failure from high-impact journals. Systematic reviews11(1), 147. https://doi.org/10.1186/s13643-022-02029-9

Shea B J, Reeves B C, Wells G, Thuku M, Hamel C, Moran J et al.(2017). AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both BMJ; 358 :j4008 doi:10.1136/bmj.j4008

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.