Dica do autor: O ajuste multivariável é a ferramenta estatística usada para tentar separar o efeito independente da exposição sobre o desfecho das influências de outras variáveis associadas tanto à exposição quanto ao desfecho (os famosos confundidores). Na prática, isso é feito incluindo múltiplos preditores num mesmo modelo — por exemplo, regressão logística para desfechos dicotômicos, regressão linear para variáveis contínuas, ou modelos de riscos proporcionais para tempo até o evento — e estimando coeficientes que representam o efeito da exposição controlando-se pelas demais variáveis. O pulo do gato é entender que cada covariável recebe um “peso” estimado pelo modelo, não um peso idêntico por estrato; assim o ajuste reduz viés causado por variáveis medidas e corretamente modeladas, mas não resolve confusão por variáveis não medidas nem por má especificação do modelo. Além disso, é preciso cuidado com ajuste excessivo (overadjustment) e com inclusão de colliders que podem introduzir viés. Em suma: ajuste multivariável = modelagem matemática com múltiplos fatores, visando estimar o efeito independente e minimizar confusão, desde que bem aplicado e interpretado.

Alternativa A: CORRETA. Essa alternativa descreve exatamente a essência do ajuste multivariável: ajustar diferenças em muitos fatores relacionados ao desfecho por meio de técnicas de modelamento matemático (regressões, modelos de sobrevivência, etc.). O modelo estima o efeito da exposição após controlar pelas covariáveis incluídas, atribuindo coeficientes específicos a cada variável — ou seja, não se trata de pesos idênticos por estrato, mas de estimativas derivadas dos dados. É a abordagem padrão em estudos observacionais para tentar reduzir o viés de seleção/associação causado por confundidores mensuráveis.

Alternativa B: INCORRETA. A descrição refere-se ao método de padronização ou às técnicas de ponderação (ex.: padronização direta/indireta ou pesos iguais para estratos de risco semelhante), que não são sinônimos do ajuste multivariável via modelagem. Embora padronização e ponderação também busquem comparar taxas livres de confusão por certas características, elas usam outra lógica — atribuição de pesos e criação de taxas padronizadas — e não a estimação simultânea de coeficientes em um modelo multivariável.

Alternativa C: INCORRETA. Isso descreve melhor análise de sensibilidade ou cenários extremos (worst‑case/best‑case) e não o ajuste multivariável. Essas análises avaliam quão robustos seriam os resultados frente a variações extremas nas hipóteses ou a dados faltantes, enquanto o ajuste multivariável busca controlar confundidores mensuráveis dentro do próprio modelo.

Alternativa D: INCORRETA. A alternativa descreve pareamento (matching), técnica de desenho/ajuste em que se escolhem controles com características semelhantes aos casos para balancear covariáveis. Matching é uma estratégia válida para reduzir viés, mas não é sinônimo do ajuste multivariável por modelagem — embora possa ser usado em conjunto com regressões ajustadas.

Alternativa E: INCORRETA. Aqui fala-se de design randomizado ou de amostragem aleatória, em que cada paciente tem igual probabilidade de ser alocado a um grupo — isso trata de randomização ou amostragem, não de ajuste multivariável. A randomização é a melhor forma de controlar confundidores (medidos e não medidos), mas é distinta da modelagem estatística usada para ajuste em estudos observacionais.

Resposta: Alternativa A