Dica do autor: Em estudos de prognóstico a preocupação central é determinar quais variáveis influenciam o desfecho e quantificar esses efeitos, muitas vezes em presença de múltiplos fatores que atuam simultaneamente. O pulo do gato aqui é usar métodos que permitam ajustar para várias covariáveis ao mesmo tempo, estimando o efeito independente de cada uma enquanto controlamos confusão e interações. Modelos multivariáveis (por exemplo, regressão de Cox para tempo até evento, regressão logística para desfechos dicotômicos, regressão linear para desfechos contínuos) são a ferramenta mais prática: permitem incluir variáveis contínuas e categóricas, testar interações, avaliar a contribuição incremental de preditores e gerar medidas de associação ajustadas (hazard ratio, odds ratio, coeficiente). Mas fique ligado: ajustar demais sem dados suficientes leva a overfitting — existe a regra prática de eventos por variável (embora ela seja flexível), por isso é preciso planejamento (seleção informada de variáveis, penalização como LASSO/ridge quando necessário), avaliação de desempenho (discriminação, calibração) e validação interna/externa. Técnicas como imputação de dados faltantes, análise de sensibilidade e verificação de colinearidade também fazem parte do pacote para garantir resultados confiáveis.

Alternativa A: INCORRETA. Randomização é a melhor ferramenta para balancear covariáveis desconhecidas e conhecidas, mas é uma estratégia de desenho de estudo (tipicamente ensaios clínicos). Em estudos de prognóstico observacionais não costumamos randomizar o fator prognóstico — e, mesmo em estudos experimentais, a randomização atua na fase de alocação e não substitui a análise multivariável quando se quer quantificar o efeito ajustado de múltiplos preditores. Ou seja: útil em ensaios, irrelevante como solução analítica para muitos preditores em estudos prognósticos observacionais.

Alternativa B: INCORRETA. Estratificação controla confusão dividindo a amostra em subgrupos (por exemplo, estratos por idade). Funciona bem para poucas variáveis categóricas com poucas categorias, mas fica inviável quando as variáveis são muitas ou contínuas (explosão de estratos, perda de poder). A estratificação é complemento útil em análises pontuais, mas não é a abordagem geral para ajustar simultaneamente múltiplos preditores em estudos de prognóstico.

Alternativa C: CORRETA. Análise multivariável é exatamente a maneira mais viável de lidar com muitas variáveis ao mesmo tempo na fase de análise. Modelos de regressão multivariável permitem estimar efeitos independentes, ajustar por potenciais confundidores, testar interações e produzir medidas de efeito ajustadas. Em prognóstico, usa‑se frequentemente regressão de Cox para tempo até evento, regressão logística para risco absoluto em janela fixa, e técnicas modernas (penalizadas, árvores, machine learning) quando há muitas covariáveis ou risco de overfitting. Complementos importantes: checar pressupostos, cuidar do número de eventos por variável, usar seleção baseada em conhecimento clínico e validação do modelo (calibração/discriminação) para garantir aplicabilidade clínica.

Alternativa D: INCORRETA. Padronização (por exemplo, padronização por idade) é uma técnica para comparar taxas entre populações com diferentes distribuições de confounders principais. É ótima para tabelas e comparações populacionais, mas não resolve o problema de ajustar simultaneamente muitas covariáveis individuais nem permite modelagem flexível das associações — portanto, não é a estratégia mais viável para análise multivariada em estudos de prognóstico.

Alternativa E: INCORRETA. Emparelhamento (matching) — emparelhar indivíduos por variáveis como idade ou sexo — é usado para controlar confusão na fase de desenho. Tem vantagens, porém limita a amostra, complica análises posteriores e fica impraticável quando são muitas variáveis. Além disso, o emparelhamento não ajusta simultaneamente para múltiplos preditores da mesma forma que um modelo multivariável faria. Serve para estudos específicos, mas não é a solução geral para a análise de muitos fatores.

Resposta: Alternativa C