VIÉS DE CONFUSÃO 

29 de abril de 2026 

DEFINIÇÃO 

O viés de confusão é o viés que ocorre quando uma variável relacionada com o desfecho do estudo e/ou com a exposição é mensurada ou considerada de modo inadequado na análise, levando a uma associação falsa ou distorcida (superestimando ou subestimando a associação) [1]. 

Pode ocorrer em estudos observacionais (coortes e estudos caso-controle) ou experimentais (ensaios clínicos randomizados), porém, ocorre mais frequentemente nos estudos observacionais, pois a ausência de randomização torna os grupos comparados desbalanceados em relação a características na linha de base [2]. 

Figura 1. O princípio do viés de confusão. O confundidor torna a exposição mais provável e, de alguma forma e de modo independente, modifica o desfecho, fazendo parecer que há uma associação entre a exposição e o desfecho quando não há; ou mascarando uma associação verdadeira (Fonte: https://oxfordbrazilebm.com/index.php/vies-de-confusao/ com autorização dos tradutores) [3].   

EXEMPLOS DE FATOR DE CONFUSÃO  

O Quadro 1 apresenta alguns exemplos de viés de confusão. 

Quadro 1. Exemplos de viés de confusão [1,4,5]. 

Fatores de confusão associados à exposição

O fator de exposição causa a confusão:   Exemplo: relação entre obesidade e o risco de desenvolver doenças cardíacas. O fator de exposição, nesse caso, é a obesidade. No entanto, outros fatores, como comorbidades, podem confundir a relação entre a obesidade e o risco de doenças cardíacas.  Nesse estudo, a confusão ocorre porque o fator de exposição (obesidade) está associado a outros fatores de risco (diabetes e hipertensão) que também influenciam o desenvolvimento de doenças cardíacas. Portanto, é difícil determinar se a associação observada entre obesidade e o risco de doenças cardíacas é devido à obesidade em si ou a outros fatores que estão correlacionados com a obesidade.

O fator de confusão é um resultado da exposição:   Exemplo: efeitos de um programa de exercícios físicos na redução do risco de doenças cardiovasculares.  Nesse caso, a exposição (programa de exercícios físicos) pode influenciar a adesão dos participantes, ou seja, aqueles que aderem mais ao programa podem ter um estilo de vida mais saudável em geral, incluindo uma dieta balanceada e menos tabagismo. Esses fatores de estilo de vida podem, por si só, reduzir o risco de doenças cardiovasculares. Portanto, a adesão ao programa de exercícios pode ser um fator de confusão, pois está relacionada tanto à exposição quanto ao desfecho de interesse (risco de doenças cardiovasculares).

O fator de confusão está relacionado com a exposição a uma associação não causal  Exemplo: associação entre o consumo de sorvete e o número de afogamentos. Ao analisar os dados, pode-se observar uma correlação positiva entre o consumo de sorvete e o número de afogamentos. Porém, embora haja uma correlação entre o consumo de sorvete e o número de afogamentos, ambos os fatores estão relacionados a um terceiro fator, que é a sazonalidade. Durante os meses de verão, o consumo de sorvete e a frequência de atividades aquáticas, como nadar, aumentam naturalmente. Da mesma forma, o número de afogamentos também pode ser maior durante os meses de verão devido ao aumento na atividade de natação.

Fatores de confusão associados à doença

O fator de confusão está associado com o desfecho tanto em indivíduos expostos quanto em não expostos  Exemplo: relação entre o uso de contraceptivos hormonais e o risco de desenvolver trombose venosa profunda (TVP).  A presença de distúrbios de coagulação sanguínea preexistentes pode ser um fator de confusão, pois esses distúrbios podem ocasionar TVP em pacientes que fazem uso ou não de contraceptivos hormonais.

COMO PREVENIR OU MINIMIZAR OS FATORES DE CONFUSÃO  

Controlar os fatores de confusão é um aspecto importante no planejamento e condução de um estudo para minimizar erros de associação entre desfecho e a intervenção.  

Preferencialmente os possíveis confundidores devem ser identificados na fase de planejamento (por meio de randomização ou restrição, por exemplo) e, quando isso não é possível, as medidas devem ser adotadas no momento de análise (com a adoção de ajustes estatísticos). 

(1) RANDOMIZAÇÃO 

A atribuição randômica dos indivíduos entre os grupos de intervenção/ exposição e os grupos de controle/ comparador é útil para minimizar tanto fatores de confusão conhecidos quanto os desconhecidos e, devido a isso, é indispensável em um bom desenho de estudo experimental. Quando dois grupos são randomicamente selecionados, há uma distribuição semelhante de diversos fatores que podem se comportar como fatores de confusão. Desse modo, em um estudo devidamente randomizado, cada participante do estudo terá uma chance igual de ser alocado em qualquer um dos grupos e, por conseguinte, em teoria, cada grupo terá uma porcentagem igual de homens, uma porcentagem igual de pessoas com excesso de peso, um número igual de mulheres com unhas pintadas de vermelho e assim por diante, melhorando, assim, a distribuição equivalente de possíveis fatores confundidores entre os dois grupos.  

Aqui vale também ressaltar que quanto maior é o tamanho da amostra, melhor é a distribuição equivalente de fatores entre os grupos [5]. Quando o tamanho da amostra é pequeno, a randomização simples pode não ser suficiente para gerar um equilíbrio numérico e de características entre os grupos, sendo necessário recorrer a outros métodos, como a randomização em blocos ou por estratos. 

Devido a sua natureza não-experimental, evidentemente, não é possível realizar randomização em estudos observacionais. No entanto, a randomização é altamente recomendada para a execução de ensaios clínicos, a fim de controlar os fatores de confusão. 

(2) RESTRIÇÃO 

Restringir a população de um estudo, com critérios de inclusão e exclusão bem definidos e justificados, também pode ajudar a reduzir os riscos de confusão, já que exclui do desenho do estudo indivíduos que tenham sido expostos a fatores de confusão conhecidos, controlando a confusão que seria causada por essas variáveis. Por exemplo, em um estudo investigando se há associação entre abuso do álcool e incidência de câncer de fígado, independentemente de tabagismo, os investigadores poderiam restringir a população de estudo aos não fumantes, utilizando o tabagismo como critério de exclusão do estudo, uma vez que o tabagismo também aumenta o risco para desenvolvimento de doenças hepáticas. 

(3) PAREAMENTO 

O pareamento é uma outra forma de tentar reduzir discrepâncias entre dois grupos muito utilizada em estudos de caso-controle, fazendo com que os casos e os controles sejam selecionados de modo a ter características semelhantes. Por exemplo, em um estudo publicado em 2012, Driver et al. realizaram um estudo de controle de caso avaliando a relação entre demência e câncer subsequente. Eles parearam cada caso de demência com até três controles do mesmo sexo e idade, que eram livres de demência no momento do diagnóstico de demência do caso [6].  

Contudo, o pareamento, por si só, não elimina todos os fatores de confusão e pode, até mesmo, introduzir alguns. Portanto, estudos de caso controle com pareamento necessitam de análises estatísticas para controlar fatores introduzidos pelo pareamento [7]. 

(4) ANÁLISE DE SUBGRUPOS 

Podemos analisar os resultados de um estudo de forma separada para diferentes subgrupos (estratos) da amostra total. Separamos esses subgrupos por meio da seleção de diferentes fatores de confusão, como, por exemplo, por idade ou por sexo, fazendo, assim, a análise de resultados separada para cada subgrupo. É importante ressaltar que quanto maior a estratificação em subgrupos menor é o tamanho da amostra para cada subgrupo, diminuindo, assim, o poder estatístico de análise do estudo. 

(5) AJUSTES ESTATÍSTICOS 

Os ajustes estatísticos nos ajudam a corrigir os efeitos causados pelos fatores confundidores durante nossa análise de resultados. Nesse método, um modelo estatístico pode ser construído para ajustar a medida de efeito de uma intervenção para diversos fatores confundidores que muitas vezes coexistem (p. ex., a razão de risco calculada em um estudo de controle de caso investigando uma associação entre ingerir bebidas carbonatadas ricas em aspartame e a doença de Parkinson pode ser ajustada para idade, classe social, tabagismo e sexo). Calcular a medida “ajustada” de associação entre uma exposição e a doença por meio da avaliação de diversos fatores de confusão simultaneamente é um modelo melhor do que um modelo estatístico que tenta controlar e analisar cada fator de confusão individualmente, já que a exposição, a doença e fatores de confusão coexistem na população real [5]. Todo estudo observacional deve fazer uma análise estatística ajustada pelas diversas variáveis confundidoras, uma vez que os resultados apontados por uma análise não ajustada dificilmente são confiáveis. 

Entretanto, na prática, não é possível anular completamente o efeito dos fatores de confusão por meio de análises estatísticas, pois (1) raramente teremos certeza de que conhecemos absolutamente todos os fatores confundidores que devem ser analisados e (2) pode haver uma confusão residual se houver fator de confusão que não foi medido ou foi medido com erro [8]. 

CONCLUSÃO 

A randomização é a melhor estratégia para reduzir o risco de viés de confusão. No entanto, ela não é possível em estudos observacionais e, em ensaios clínicos, pode não ser suficiente, particularmente quando se prevê que desequilíbrios nos fatores prognósticos podem ocorrer após a randomização, ou quando desequilíbrios ocorrem por acaso. Nesses casos, estratificação e ajustes estatísticos podem reduzir o risco de viés de confusão. 

AUTORES 

Versão 1- 14/08/2023 

Jonas Paulo Silva de Menezes, Lucca Sokabe, Mateus Menezes dos Santos, Matheus Rodrigues Almeida, Palloma Souza Marques Dourado e Victor Henrique Cardinali Barros. 

Rachel Riera, MD, MSc, PhD. Professora associada, Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). 

Versão 2- 29/04/2026 

Daniele Ho, farmacêutica, Disciplina de Medicina Baseada em Evidências, Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). 

Leonardo Y Kasputis Zanini, MD, Preceptor Cirurgia Geral, Departamento de Cirurgia, Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). Residente em Administração em Saúde, Departamento de Gestão e Economia de Saúde (DEGS), Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). 

Rachel Riera, MD, MSc, PhD. Professora associada, Escola Paulista de Medicina (EPM), Universidade Federal de São Paulo (Unifesp). 

CITAR COMO: Menezes JPS, Sokabe L, Santos MM, Almeida MR, Dourado PSM, Barros VHC, Ho D, Zanini LYK, Riera R. Viés de confusão. Estudantes para Melhores Evidências. Publicado em 29 de abril de 2026. Disponível em: [adicionar link da página da web]. Acessado em: [adicionar dia, mês e ano de acesso]. 

REFERÊNCIAS 

1. Lorraine K. Alexander, Brettania Lopes, Ricchetti-Masterson K,  Yeatts KB. Confounding Bias, Part I. Eric Notebook: Disponível em: https://sph.unc.edu/wp-content/uploads/sites/112/2015/07/nciph_ERIC11.pdf. Acessado em 14 de agosto 2023. 

2. Catalogue of bias collaboration, Aronson JK, Bankhead C, Nunan D. Confounding. In Catalogue Of Biases. 2018. Disponível em: https://catalogofbias.org/biases/confounding/. Acessado em 14 de agosto 2023. 

3. Martimbianco ALC, Pacheco RL, Riera R. Viés de confusão. Disponível em: https://oxfordbrazilebm.com/index.php/vies-de-confusao/. Acessado em 14 de agosto 2023. 

4. Celentano DD, Szklo M (2019). More on causal inference: Bias, confounding, and interaction. In Celentano DD, Szklo M. Gordis epidemiology. (pp. 289-306). doi://dx.doi.org/10.1016/B978-0-323-55229-5.00015-2. Disponível em:  https://www.clinicalkey.es/#!/content/3-s2.0-B9780323552295000152. Acessado em 14 de agosto 2023. 

5. Jonathan AC Sterne, Miguel A Hernán, Alexandra McAleenan, Barnaby C Reeves, Julian PT Higgins. Assessing risk of bias in a non-randomized study. Disponível em: https://training.cochrane.org/handbook/current/chapter-25#_Ref534457886. cessado em 14 de agosto 2023. 

6. Driver JA, Beiser A, Au R, Kreger BE, Splansky GL, Kurth T, Kiel DP, Lu KP, Seshadri S, Wolf PA. Inverse association between cancer and Alzheimer’s disease: results from the Framingham Heart Study. BMJ. 2012;344:e1442. doi: 10.1136/bmj.e1442. PMID: 22411920; PMCID: PMC3647385. 

7. Pearce N. Analysis of matched case-control studies. BMJ 2016;352:i969 doi: https://doi.org/10.1136/bmj.i969 

8. Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, et al, editor(s). Chapter 25: Assessing risk of bias in a non-randomized study. Cochrane Handbook for Systematic Reviews of Interventions version 6.5 (updated August 2024). Cochrane, 2024. Disponível em: www.cochrane.org/handbook.