O que é um forest plot?

É o gráfico que resume, de forma visual, o efeito de um tratamento — geralmente uma medida como a razão de risco (HR, do inglês hazard ratio) ou a razão de chances (OR). Cada linha traz um ponto (a estimativa do efeito) e uma barra horizontal (o intervalo de confiança, quase sempre de 95%). Há uma linha vertical de referência no valor 1,0, que representa 'nenhuma diferença' entre os grupos. Se a barra de um estudo cruza a linha do 1,0, o resultado não atingiu significância estatística naquela análise. O forest plot é muito usado em meta-análises, onde empilha vários estudos, e também para mostrar subgrupos dentro de um mesmo ensaio.

O que a linha do 1,0 significa no forest plot?

A linha vertical no valor 1,0 é o ponto de 'empate' — o efeito nulo. Para razões como HR e OR, 1,0 quer dizer que o tratamento e o comparador tiveram o mesmo risco do evento. Um valor abaixo de 1,0 (à esquerda) costuma indicar menos eventos com o tratamento (proteção); acima de 1,0 (à direita), mais eventos. O detalhe decisivo é o intervalo de confiança: se ele cruza o 1,0, não se pode afirmar que houve diferença real naquela análise, mesmo que o ponto central esteja deslocado. Ponto para um lado, mas barra cruzando o 1,0, é um resultado incerto.

O que é uma curva de Kaplan-Meier?

É o gráfico que mostra, ao longo do tempo, a proporção de pessoas que ainda não tiveram um determinado evento — pode ser sobrevida (não morrer), mas também 'não ter infarto', 'não recair', 'permanecer sem o desfecho'. O eixo horizontal é o tempo; o vertical, a proporção livre do evento, de 100% descendo. A curva cai em degraus a cada vez que um evento acontece. Quando duas curvas (tratamento e placebo) são comparadas, o que importa é se elas se separam, quando se separam e o quanto se separam — e isso deve ser lido junto com o teste estatístico e o número de pessoas ainda em acompanhamento.

Como saber se a diferença entre duas curvas de Kaplan-Meier é real?

Olhar a distância entre as curvas não basta. Três coisas ajudam: o valor de P (frequentemente de um teste de log-rank, que compara as curvas ao longo de todo o tempo), a razão de risco com intervalo de confiança (que resume a diferença em um número), e a tabela de 'números em risco' embaixo do gráfico — que mostra quantas pessoas ainda estão sendo acompanhadas em cada momento. No fim da curva, costuma sobrar pouca gente; por isso a parte final é a mais instável e a que mais engana a olho nu. Curvas que se cruzam também merecem cautela: sugerem que o efeito muda com o tempo.

O que é o intervalo de confiança e por que ele importa tanto?

O intervalo de confiança (IC), quase sempre de 95%, é a faixa de valores compatível com os dados observados — uma medida da precisão da estimativa. Um IC estreito indica uma estimativa precisa; um IC largo indica muita incerteza, geralmente por poucos participantes ou poucos eventos. Ele importa porque um mesmo ponto central pode ser confiável ou frágil dependendo da largura da barra. Ler só o número do meio (o HR, por exemplo) e ignorar o IC é meio caminho para se enganar. E, para razões como HR e OR, se o IC inclui o 1,0, o resultado não é estatisticamente significativo.

Por que aprender a ler esses gráficos se eu não sou médico?

Porque eles são a forma como a evidência clínica é apresentada — inclusive nos estudos que discutimos aqui. Saber ler um forest plot e uma curva de Kaplan-Meier ajuda a distinguir um resultado sólido de um marginal, a perceber quando uma barra cruza o 1,0, e a não cair em manchetes que transformam um efeito modesto em promessa. Não substitui o médico, nem a leitura completa de um estudo — mas dá autonomia para interpretar em vez de apenas acreditar. Este guia é educativo; decisões clínicas seguem sendo do profissional.

Guia·Ciência básica

Como ler um forest plot e uma curva de Kaplan-Meier

Dois gráficos aparecem em quase todo estudo sério: o forest plot (razão de risco, intervalo de confiança, a linha do 1,0) e a curva de Kaplan-Meier (eventos no tempo). Guia de literacia para interpretar a evidência.

PorAmanda MatsudaPublicado24 de agosto de 2026Leitura~6 min

Quick answer. Dois gráficos aparecem em quase todo estudo clínico sério, e entender os dois muda como você lê a evidência. O forest plot resume o efeito de um tratamento: um ponto (a estimativa, por exemplo a razão de risco, HR), uma barra (o intervalo de confiança) e uma linha vertical no 1,0 (o "empate", sem diferença). Se a barra cruza o 1,0, o resultado não é estatisticamente significativo naquela análise. A curva de Kaplan-Meier mostra a proporção de pessoas livres de um evento ao longo do tempo — o que importa é se, quando e quanto duas curvas se separam, lido junto com o teste estatístico e o número de pessoas ainda em acompanhamento. Este é um guia de literacia, para interpretar os estudos que você lê — não um manual estatístico.

Por que estes dois gráficos

Quando um estudo diz "reduziu o risco em 20%" ou "melhorou a sobrevida", quase sempre há, por trás, um destes dois gráficos. O forest plot condensa quanto de efeito e com que certeza. A curva de Kaplan-Meier mostra como o efeito se distribui no tempo. Saber ler os dois é a diferença entre acreditar numa manchete e entender o que o estudo realmente encontrou.

Um aviso de honestidade antes de começar: os exemplos abaixo são ilustrativos e genéricos, para explicar a mecânica de leitura. Nenhum número aqui representa um estudo real específico — quando quiser ver esses gráficos aplicados a dados verdadeiros, vá aos nossos posts de estudo-em-foco, onde os números vêm de ensaios citados e verificados.

O forest plot, parte por parte

Imagine uma linha horizontal com um quadradinho no meio e uma barra que se estende para os lados. É a unidade básica do forest plot.

O ponto (o quadrado). É a estimativa do efeito. Costuma ser uma razão: HR (hazard ratio, razão de risco), OR (odds ratio, razão de chances) ou RR (risco relativo). Em meta-análises, o tamanho do quadrado às vezes indica o peso daquele estudo.
A barra (as "asas"). É o intervalo de confiança, quase sempre de 95% — a faixa de valores compatível com os dados. Barra curta = estimativa precisa; barra longa = muita incerteza (em geral, poucos participantes ou poucos eventos).
A linha vertical do 1,0. É a referência do "empate". Para razões, 1,0 significa nenhuma diferença entre tratamento e comparador.

Como interpretar de relance

Para uma razão como HR:

Ponto à esquerda do 1,0 (ex.: 0,80) → em geral, menos eventos com o tratamento — pode ser proteção.
Ponto à direita do 1,0 (ex.: 1,25) → em geral, mais eventos com o tratamento — pode ser dano.
A barra cruza o 1,0 → o resultado não atingiu significância estatística naquela análise. Isso vale mesmo que o ponto pareça deslocado: um HR de 0,80 com IC de 0,60 a 1,10 é um resultado incerto, não uma vitória.

O erro mais comum de leitura é olhar só o ponto e ignorar a barra. A barra é onde mora a honestidade do resultado.

Forest plot de subgrupos: cuidado extra

Quando o forest plot empilha subgrupos de um mesmo estudo (idade, sexo, gravidade), a pergunta muda: o efeito é consistente entre eles? Subgrupos têm menos gente, logo barras mais largas, e comparações de subgrupo são exploratórias — servem para levantar hipóteses, não para provar que "funciona só em tal grupo". Desconfie de quem pinça um único subgrupo favorável de um estudo cujo resultado geral foi neutro.

A curva de Kaplan-Meier, parte por parte

Agora um gráfico que desce em degraus da esquerda para a direita.

Eixo horizontal: o tempo (semanas, meses, anos de acompanhamento).
Eixo vertical: a proporção de pessoas livres do evento — começa em 100% (ou 1,0) e só cai. O "evento" pode ser morte (sobrevida), mas também infarto, recaída, ou qualquer desfecho definido.
Os degraus: a curva cai um degrau a cada vez que um evento acontece. Trechos planos = períodos sem eventos.
As marcas de censura: tracinhos na curva indicam pessoas que saíram do acompanhamento sem ter o evento (o estudo acabou, ou elas foram perdidas). Não é evento — é só o fim do rastro daquela pessoa.

Lendo duas curvas comparadas

Num ensaio, você vê duas curvas (tratamento e placebo). O que observar:

Elas se separam? Curvas coladas = pouca ou nenhuma diferença.
Quando se separam? Cedo, ou só lá na frente? Isso diz respeito a quando o efeito aparece.
Quanto se separam? A distância vertical entre elas dá a magnitude — mas leia-a com cuidado.

E, crucialmente, olhe a tabela de "números em risco" normalmente impressa embaixo do gráfico: ela mostra quantas pessoas ainda estão sendo acompanhadas em cada momento. No fim da curva quase sempre sobram poucos participantes — por isso a cauda direita é a parte mais instável e a que mais engana a olho nu. Uma abertura dramática no finalzinho, baseada em um punhado de pessoas, pode não significar nada.

A diferença é real?

A distância entre curvas, sozinha, não decide. Procure:

O valor de P, muitas vezes de um teste de log-rank, que compara as curvas ao longo de todo o tempo.
A razão de risco (HR) com intervalo de confiança, que resume a diferença em um número — e reconecta a curva ao forest plot.
Curvas que se cruzam: sinal de que o efeito muda com o tempo (ajuda no início, atrapalha depois, ou vice-versa). Aí, um único HR "médio" pode esconder mais do que revela.

Os erros de leitura mais comuns

Ler o ponto e ignorar a barra. Sem o intervalo de confiança, o efeito não tem contexto de precisão.
Achar que "cruzou o 1,0" é detalhe. Não é: é a fronteira da significância estatística para razões.
Confiar na cauda da curva de Kaplan-Meier. É onde há menos gente e mais ruído.
Confundir significância com relevância. Um resultado pode ser estatisticamente significativo e, ainda assim, clinicamente pequeno — e vice-versa. Significância responde "é diferente de acaso?"; relevância responde "isso muda a vida de alguém?". São perguntas distintas.
Extrapolar subgrupo. Um subgrupo favorável em análise exploratória não é uma indicação.

O que perguntar diante de um gráfico desses

O intervalo de confiança cruza o 1,0? Quão largo ele é?
Quantos participantes e eventos sustentam a estimativa?
No Kaplan-Meier, quando as curvas se separam e quanta gente ainda está em risco no fim?
O resultado é estatisticamente significativo e clinicamente relevante — ou só um dos dois?
Este é o desfecho primário do estudo, ou uma análise secundária/de subgrupo?

Ler evidência é uma habilidade, e ela se aprende. O objetivo deste guia não é fazer de você um estatístico — é dar as lentes para interpretar os estudos que encontra, em vez de apenas acreditar no resumo. A leitura completa de um estudo, e qualquer decisão clínica a partir dele, seguem sendo trabalho do profissional de saúde.

Para aprofundar

Um estudo lido linha a linha — STRIDE: semaglutida e caminhada na doença arterial periférica
Como ler a bula de um GLP-1, por seções — Como ler a bula de um GLP-1
A classe GLP-1 e risco cardiovascular — GLP-1 e risco cardiovascular: o panorama

Perguntas frequentes

O que é um forest plot?: É o gráfico que resume, de forma visual, o efeito de um tratamento — geralmente uma medida como a razão de risco (HR, do inglês hazard ratio) ou a razão de chances (OR). Cada linha traz um ponto (a estimativa do efeito) e uma barra horizontal (o intervalo de confiança, quase sempre de 95%). Há uma linha vertical de referência no valor 1,0, que representa 'nenhuma diferença' entre os grupos. Se a barra de um estudo cruza a linha do 1,0, o resultado não atingiu significância estatística naquela análise. O forest plot é muito usado em meta-análises, onde empilha vários estudos, e também para mostrar subgrupos dentro de um mesmo ensaio.
O que a linha do 1,0 significa no forest plot?: A linha vertical no valor 1,0 é o ponto de 'empate' — o efeito nulo. Para razões como HR e OR, 1,0 quer dizer que o tratamento e o comparador tiveram o mesmo risco do evento. Um valor abaixo de 1,0 (à esquerda) costuma indicar menos eventos com o tratamento (proteção); acima de 1,0 (à direita), mais eventos. O detalhe decisivo é o intervalo de confiança: se ele cruza o 1,0, não se pode afirmar que houve diferença real naquela análise, mesmo que o ponto central esteja deslocado. Ponto para um lado, mas barra cruzando o 1,0, é um resultado incerto.
O que é uma curva de Kaplan-Meier?: É o gráfico que mostra, ao longo do tempo, a proporção de pessoas que ainda não tiveram um determinado evento — pode ser sobrevida (não morrer), mas também 'não ter infarto', 'não recair', 'permanecer sem o desfecho'. O eixo horizontal é o tempo; o vertical, a proporção livre do evento, de 100% descendo. A curva cai em degraus a cada vez que um evento acontece. Quando duas curvas (tratamento e placebo) são comparadas, o que importa é se elas se separam, quando se separam e o quanto se separam — e isso deve ser lido junto com o teste estatístico e o número de pessoas ainda em acompanhamento.
Como saber se a diferença entre duas curvas de Kaplan-Meier é real?: Olhar a distância entre as curvas não basta. Três coisas ajudam: o valor de P (frequentemente de um teste de log-rank, que compara as curvas ao longo de todo o tempo), a razão de risco com intervalo de confiança (que resume a diferença em um número), e a tabela de 'números em risco' embaixo do gráfico — que mostra quantas pessoas ainda estão sendo acompanhadas em cada momento. No fim da curva, costuma sobrar pouca gente; por isso a parte final é a mais instável e a que mais engana a olho nu. Curvas que se cruzam também merecem cautela: sugerem que o efeito muda com o tempo.
O que é o intervalo de confiança e por que ele importa tanto?: O intervalo de confiança (IC), quase sempre de 95%, é a faixa de valores compatível com os dados observados — uma medida da precisão da estimativa. Um IC estreito indica uma estimativa precisa; um IC largo indica muita incerteza, geralmente por poucos participantes ou poucos eventos. Ele importa porque um mesmo ponto central pode ser confiável ou frágil dependendo da largura da barra. Ler só o número do meio (o HR, por exemplo) e ignorar o IC é meio caminho para se enganar. E, para razões como HR e OR, se o IC inclui o 1,0, o resultado não é estatisticamente significativo.
Por que aprender a ler esses gráficos se eu não sou médico?: Porque eles são a forma como a evidência clínica é apresentada — inclusive nos estudos que discutimos aqui. Saber ler um forest plot e uma curva de Kaplan-Meier ajuda a distinguir um resultado sólido de um marginal, a perceber quando uma barra cruza o 1,0, e a não cair em manchetes que transformam um efeito modesto em promessa. Não substitui o médico, nem a leitura completa de um estudo — mas dá autonomia para interpretar em vez de apenas acreditar. Este guia é educativo; decisões clínicas seguem sendo do profissional.

Mais em Ciência básica.

Estudo em foco