Dica do autor: Estudos de séries temporais avaliam variações de eventos (incidência, prevalência, internações, óbitos) ao longo do tempo em uma população. O pulo do gato é entender que o que você vê como “tendência” pode ter várias causas: mudança real no risco por uma exposição, variações sazonais, evolução da prática clínica, alterações no sistema de vigilância, ou mesmo problemas estatísticos como autocorrelação. Modelos apropriados (regressão segmentada, ARIMA, modelos de séries temporais com controle para sazonalidade e autocorrelação) servem para separar efeitos de intervenções de tendências pré-existentes. Fique ligado que, ao contrário do estudo de coorte individual, séries temporais trabalham com dados agregados — portanto cuidados com viés ecológico e com fatores confundidores que variam ao longo do tempo são essenciais. Outro ponto-chave: mudanças nos critérios diagnósticos, na capacidade laboratorial ou nas práticas de notificação podem criar falsas oscilações nas taxas; por isso, antes de atribuir causalidade a uma exposição ou intervenção, é preciso descartar essas fontes artifciais de variação e, quando possível, usar controles (séries comparativas) e técnicas estatísticas que ajustem a tendência prévia e a sazonalidade.

Alternativa A: INCORRETA. Pelo contrário, séries temporais são justamente uma das ferramentas que permitem avaliar o impacto de intervenções em nível populacional — por exemplo, medir o efeito de uma política pública ou de uma campanha vacinal sobre a taxa de doença antes e depois da intervenção. O que não se consegue é fazer inferências de nível individual (isto é, provar que X indivíduo adoecerá por exposição Y), o que seria restrito a desenhos como coorte ou caso-controle complementados por dados individuais.

Alternativa B: INCORRETA. A existência de longo período de latência tende a dificultar, e não a facilitar, a constatação da associação em séries temporais. Quando o efeito demora muito a aparecer, a sinalização temporal entre exposição e desfecho fica borrada, sendo mais difícil atribuir variações observadas a uma mudança recente na exposição. Em geral, latências curtas e efeitos imediatos ou com padrão temporal previsível são mais fáceis de detectar em séries temporais.

Alternativa C: CORRETA. Modificação dos critérios diagnósticos, alteração nas práticas de testagem, melhorias na notificação ou mudanças no sistema de codificação alteram diretamente o numerador e podem produzir tendências artificiais nas taxas. Esse é um problema clássico: a curva pode subir porque passamos a diagnosticar mais, não porque a doença aumentou de fato. Portanto, qualquer análise temporal séria precisa investigar mudanças metodológicas ao longo do tempo e, quando detectadas, tentar ajustar, estratificar ou interpretar com cautela os resultados.

Alternativa D: INCORRETA. Séries temporais não estão limitadas a medidas ambientais. Elas podem usar diversas medidas de desfecho: taxas de incidência, internações, óbitos, resultados de exames laboratoriais agregados, vendas de medicamentos, entre outros. A escolha depende da pergunta e da disponibilidade de dados — medição ambiental é apenas uma possibilidade, não uma obrigação.

Resposta: Alternativa C