Dica do autor: Fatores de confusão residual podem influenciar significativamente os resultados de estudos observacionais. Mesmo após o ajuste para várias confounders conhecidas, pode haver outras variáveis não medidas ou não totalmente ajustadas que podem distorcer a associação entre a exposição e o desfecho. Segundo Greenland e Lash (2008), abordagens específicas são necessárias para lidar com essa questão.  Alternativa A: INCORRETA. Fatores de confusão residual podem influenciar os resultados independentemente do tamanho da amostra. Uma amostra grande não elimina a necessidade de abordar esses fatores.  Alternativa B: CORRETA. A análise de sensibilidade pode ajudar a avaliar o impacto potencial dos fatores de confusão residual. Modelos estatísticos avançados, como a análise de regressão multivariada e métodos de imputação, podem ser utilizados para mitigar esses efeitos e fornecer estimativas mais precisas.  Alternativa C: INCORRETA. Fatores de confusão residual são uma preocupação principal em estudos observacionais, mas também podem afetar estudos randomizados controlados, embora de maneira diferente.  Alternativa D: INCORRETA. A estratificação dos dados pode ajudar a controlar alguns fatores de confusão, mas não elimina completamente o risco de confusão residual, especialmente se houver muitas variáveis a considerar.  Alternativa E: INCORRETA. A análise descritiva por si só não é suficiente para lidar com fatores de confusão residual. Abordagens estatísticas mais robustas são necessárias para mitigar esses efeitos.  Resposta correta: Alternativa B. Referência: Greenland S, Lash TL. (2008). "Bias Analysis: Quantitative Methods for Addressing Exposure Measurement Error and Selection Bias". Epidemiology.