Em agosto de 1854, Londres estava diante de um problema que parecia impossível de resolver.
Pessoas estavam morrendo de cólera.
E ninguém sabia exatamente por quê.
A explicação dominante dizia que doenças como a cólera eram transmitidas pelo “mau ar”, os chamados miasmas.
Um médico chamado John Snow desconfiava dessa explicação.
Ele não tinha microscópio capaz de mostrar a bactéria responsável pela doença. Não possuía testes estatísticos modernos. Não tinha computadores.
Tinha apenas uma coisa extraordinariamente poderosa:
dados organizados no espaço.
E foi isso que começou a mudar a história da epidemiologia.
O problema não era apenas descobrir onde as pessoas morriam
Era descobrir o que as pessoas que morreram tinham em comum.
Durante o surto de Soho, Snow reuniu informações sobre os casos de cólera e marcou os óbitos em um mapa.
Quando os pontos começaram a aparecer, surgiu um padrão.
Eles se concentravam ao redor de uma bomba pública de água na Broad Street.
O mapa não provava sozinho que a água causava a doença.
Mas havia algo muito mais importante acontecendo.
A hipótese começava a produzir previsões verificáveis.
O Ministério da Saúde brasileiro utiliza justamente esse episódio como exemplo clássico de investigação epidemiológica: Snow observou a distribuição dos casos, formulou uma hipótese sobre a água contaminada e reuniu evidências para testá-la.
O detalhe que tornou o caso extraordinário
Snow não simplesmente olhou para o mapa e disse:
“Há muitos mortos perto da bomba.”
Ele procurou exceções.
Havia pessoas que moravam longe da bomba e haviam adoecido.
Mas, quando Snow investigou esses casos, encontrou explicações compatíveis com sua hipótese: algumas pessoas recebiam água daquela fonte mesmo morando distante.
Ao mesmo tempo, trabalhadores de uma cervejaria próxima apresentavam um padrão diferente porque consumiam principalmente cerveja e não a água da bomba.
O valor da investigação estava justamente nessa combinação:
padrão + exceções + investigação das exceções.
Isso é muito próximo da lógica científica moderna.
O que Snow realmente descobriu?
Não foi apenas que “água suja causa doença”.
A contribuição mais profunda foi metodológica.
Ele mostrou que podemos aprender sobre causalidade observando como resultados se distribuem entre pessoas expostas a diferentes condições.
Esse princípio continua absolutamente atual.
Hoje chamamos isso de epidemiologia, inferência causal, desenho de pesquisa e análise de dados.
Mas a pergunta fundamental continua sendo a mesma:
O que teria acontecido com essas pessoas se elas não tivessem sido expostas àquela condição?
Esse é o problema do contrafactual.
Snow não tinha um experimento controlado
E isso torna sua história ainda mais interessante.
Ele não podia sortear pessoas para beber água contaminada.
Não podia criar dois grupos artificialmente.
Não podia controlar todas as variáveis.
Tinha que trabalhar com o mundo como ele existia.
Isso é o que hoje chamamos de dados observacionais.
E dados observacionais são perigosos porque correlação não significa causalidade.
Duas coisas podem aparecer juntas simplesmente porque outra variável causa ambas.
Snow precisava, portanto, procurar um desenho que tornasse sua explicação mais convincente.
E aqui a história fica ainda mais moderna
Pesquisadores contemporâneos que estudaram o episódio mostram que análises posteriores da epidemia podem ser interpretadas à luz de métodos modernos de inferência causal.
Um estudo sobre a história do raciocínio causal destaca, por exemplo, que a análise de Simon sobre o surto de 1856 apresenta uma estrutura que um economista contemporâneo reconheceria como próxima de um difference-in-differences.
Isso é fascinante.
O método que hoje aparece em cursos de econometria para avaliar políticas públicas possui antecedentes em problemas muito mais antigos.
O que é difference-in-differences?
Imagine duas populações.
Uma é exposta a uma determinada condição.
Outra não.
Você observa as duas antes e depois de algum acontecimento.
Se a primeira muda muito mais do que a segunda, existe uma evidência adicional de que o acontecimento pode ter produzido o efeito.
Simplificando:
mudança no grupo tratado − mudança no grupo de comparação.
Essa é a lógica básica.
Não é uma prova automática de causalidade.
O método depende de hipóteses, especialmente da ideia de tendências paralelas.
Mas ele oferece uma maneira poderosa de transformar dados observacionais em evidência causal.
A grande lição de John Snow
A história costuma ser contada como:
“John Snow descobriu que a cólera vinha da água.”
Isso é correto, mas pequeno demais.
A contribuição maior foi mostrar como uma boa pergunta transforma dados aparentemente banais em evidência.
Mortes são apenas registros.
Endereços são apenas endereços.
Bombas são apenas bombas.
Mas quando combinamos:
tempo + localização + exposição + comparação + hipótese
os dados começam a contar uma história causal.
Isso continua acontecendo hoje
É exatamente o que pesquisadores fazem quando tentam avaliar:
- se uma política pública funciona;
- se uma escola melhorou o desempenho dos alunos;
- se uma intervenção reduziu crimes;
- se uma nova infraestrutura aumentou empregos;
- se um medicamento produziu determinado efeito;
- se uma mudança regulatória alterou o comportamento das empresas.
A tecnologia mudou.
A pergunta não.
E existe uma última lição
Snow não venceu porque tinha mais dados.
Venceu porque soube fazer perguntas melhores aos dados que tinha.
Esse talvez seja um dos princípios mais importantes da ciência moderna.
Ter milhões de observações não significa compreender alguma coisa.
Uma boa análise começa antes da estatística.
Começa perguntando:
Que padrão deveria existir se minha explicação fosse verdadeira?
Foi isso que um médico fez em Londres em 1854.
E é uma pergunta que continua sendo feita nos melhores laboratórios, universidades e departamentos de pesquisa do mundo.
Metadados editoriais
- Intenção de busca: entender o caso John Snow e sua importância para epidemiologia e inferência causal
- Palavra-chave principal: John Snow
- Slug:
john-snow-colera-inferencia-causal - Meta title: John Snow, cólera e o nascimento da inferência causal
- Meta description: Como John Snow usou um mapa para investigar a epidemia de cólera em Londres e antecipou ideias fundamentais da epidemiologia e da inferência causal.
- Termos relacionados: epidemia de cólera, inferência causal, epidemiologia, difference-in-differences, análise de dados, John Snow
- Excerpt: Em 1854, John Snow não tinha computadores nem testes modernos. Tinha um mapa, alguns dados e uma hipótese. Sua investigação ajudou a mudar a maneira como a ciência procura causas.
Links internos futuros: diferença-em-diferenças; avaliação de políticas públicas; inferência causal; estatística aplicada; ciência de dados.
Fontes: Ministério da Saúde do Brasil; John Snow, On the Mode of Communication of Cholera (estudo histórico sobre causalidade e John Snow).