Al revisar las preguntas anteriores de los comités, los principios epidemiológicos y bioestadísticos importantes que se abordan con más frecuencia incluyen la detección para el control de enfermedades (incluida la sensibilidad, la especificidad y el valor predictivo de una prueba de detección y el sesgo en la interpretación de los resultados); la medición de datos (incluidas las medidas de frecuencia de la enfermedad [incidencia, prevalencia] y las medidas de asociación [riesgo relativo {RR}, riesgo atribuible {AR}, número necesario a tratar]); y la interpretación de los datos (incluidos los tipos de estudios epidemiológicos y los roles del azar, el sesgo y los factores de confusión en la interpretación de los hallazgos). En este capítulo, revisamos estos temas en el contexto de preguntas clínicas específicas. Los principios resumidos se extraen en gran medida del libro de texto Epidemiología en medicina, y este libro debe consultarse para obtener más ejemplos. Hay muchas otras fuentes de epidemiología y estadística de nivel introductorio que también se pueden utilizar, y se enumeran al final de este capítulo.
Pruebas de
detección para el control de enfermedades
Pregunta
1:
Cien
mujeres mayores de 50 años se sometieron a mamografías en una unidad móvil de
detección del cáncer de mama. Veintisiete mujeres presentaron hallazgos
sospechosos de malignidad en la mamografía; 19 de estas mujeres fueron
confirmadas con una biopsia de cáncer de mama. Una mujer tuvo una mamografía
negativa pero al año siguiente desarrolló cáncer de mama y se supone que tenía
la enfermedad en el momento de la prueba de detección. ¿Cuál es la sensibilidad
de la mamografía? ¿La especificidad? ¿Y el valor predictivo de una prueba de
detección positiva?
VALIDEZ Y
RENDIMIENTO DE UNA PRUEBA DE DETECCIÓN
La
detección se refiere a la aplicación de una prueba simple y económica a
individuos asintomáticos para clasificarlos como probables o improbables de
tener una enfermedad en particular. Una enfermedad es apropiada para la
detección si (1) es grave; (2) su prevalencia preclínica es alta entre la
población examinada; y (3) el tratamiento administrado mientras la enfermedad
es asintomática es más beneficioso que el tratamiento administrado después de
que aparecen los síntomas. Además, debe estar disponible una prueba de
detección válida. La validez de una prueba de detección se define por su capacidad
de clasificar correctamente a quienes tienen una enfermedad preclínica como
positivos en la prueba de detección (medida por la sensibilidad de una prueba
de detección) y a quienes no tienen una enfermedad preclínica como negativos en
la prueba de detección (medida por la especificidad de la prueba de detección).
Finalmente, el rendimiento, o el número de casos detectados por el programa de
detección, se considera utilizando el valor predictivo positivo o la
probabilidad de que una persona realmente tenga la enfermedad si da positivo en
la prueba de detección. La figura 99.1 presenta los datos de la pregunta 1 en
forma de una tabla de 2 × 2, que resume la relación entre los resultados de la
prueba de detección (mamografía) y la presencia "real" de la enfermedad
según se evalúa por los resultados de la prueba diagnóstica posterior adecuada
(biopsia de mama). La sensibilidad se puede calcular entonces como la
probabilidad de un resultado positivo en la prueba de detección si la
enfermedad está realmente presente y la especificidad como la probabilidad de
un resultado negativo en la prueba de detección si la enfermedad está realmente
ausente. En este ejemplo, la sensibilidad de la mamografía es de 19/20 o 95%,
lo que significa que de aquellas en las que se detectó cáncer de mama en la
biopsia, el 95% de ellas dieron positivo en la mamografía, y la especificidad,
72/80 o 90%, lo que significa que de aquellas que dieron negativo en la biopsia
para cáncer de mama, el 90% dieron negativo en la mamografía de detección.
Finalmente, de aquellas que dieron positivo en la mamografía, su valor
predictivo de una prueba positiva, o su probabilidad de ser diagnosticadas con
cáncer de mama en la biopsia, fue de 19/27 o 70%.
Figura 1. Características de una prueba de detección: sensibilidad, especificidad y valor
predictivo.
¿QUÉ
INFLUYE EN LA SENSIBILIDAD, ESPECIFICIDAD Y VALOR PREDICTIVO?
La
sensibilidad y especificidad de una prueba de detección determinada dependen en
parte de nuestra capacidad biológica para identificar los estadios preclínicos
de una enfermedad determinada y de nuestra capacidad tecnológica para
desarrollar una buena prueba de detección, pero también pueden verse afectadas
por lo que se denomina criterio de positividad, es decir, el valor de corte que
se utiliza para definir una prueba de detección “anormal”. Reducir este
criterio o hacerlo menos estricto (es decir, establecer el criterio de
positividad para una prueba de detección de hipertensión, por ejemplo, como una
presión arterial sistólica única de 120 mmHg) aumentará la sensibilidad de la
prueba de detección y disminuirá los falsos negativos, ya que todas las
personas con hipertensión serán detectadas por la prueba. Pero también reducirá
la especificidad de la prueba y aumentará los falsos positivos, ya que muchas
personas normotensas darán positivo en la prueba utilizando este criterio. De
manera similar, elevar el criterio o hacerlo más estricto (es decir, fijar el
criterio de positividad en 160 mmHg) significará que una mayor proporción de
personas con hipertensión darán negativo en la prueba de detección (menor
sensibilidad y mayor cantidad de falsos negativos), pero más personas que son
verdaderamente normotensas darán negativo en la prueba de detección (mayor
especificidad y menor cantidad de falsos positivos). El valor predictivo de una
prueba positiva se ve afectado solo levemente por los cambios en la
sensibilidad y especificidad de la prueba, pero puede aumentarse principalmente
al producir un aumento en la prevalencia subyacente de la enfermedad preclínica
en la población examinada, por ejemplo, dirigiendo el programa de detección a
un grupo con mayor riesgo de desarrollar la enfermedad por la naturaleza de su
perfil de factores de riesgo (como en el caso anterior, la detección de mujeres
mayores o aquellas con antecedentes familiares positivos de cáncer de mama o
antecedentes personales de enfermedad mamaria benigna).
SESGO EN
LA INTERPRETACIÓN DE LOS RESULTADOS DE LOS CRIBADOS
Al evaluar
la eficacia de un programa de cribado (es decir, si el programa de cribado es
eficaz o no para reducir la morbilidad o la mortalidad por la enfermedad), las
poblaciones sometidas a cribado y las no sometidas a cribado deben ser
comparables con respecto a todos los demás factores que afectan al curso de la
enfermedad, además del propio programa de cribado. Una fuente de sesgo de
particular importancia en la interpretación de los resultados de un programa de
cribado es el “sesgo de anticipación”, relacionado con el tiempo que se ha
adelantado al diagnóstico de la enfermedad como resultado directo del programa
de cribado. Como el cribado se aplica a individuos asintomáticos, cada caso
detectado mediante cribado se diagnostica antes que si el diagnóstico se
hubiera basado en esperar a que se desarrollaran los síntomas clínicos. Si esa
estimación del tiempo de anticipación no se considera al comparar los
resultados de mortalidad entre los grupos sometidos a cribado y los no
sometidos a cribado, la supervivencia a partir del diagnóstico puede parecer
más larga para el grupo sometido a cribado sólo porque el diagnóstico se
realizó en una etapa más temprana del curso de la enfermedad. El sesgo de
anticipación puede abordarse comparando las tasas de mortalidad específicas por
edad en los grupos examinados y no examinados en lugar de comparar la duración
de la supervivencia desde el diagnóstico hasta la muerte.
Medición de datos: medidas de frecuencia de enfermedades y medidas de asociación.
Pregunta 2: Para cada afirmación subsiguiente, elija la medida de frecuencia de enfermedades que mejor describa cada frecuencia de enfermedades:
Prevalencia
Incidencia
Razón de
morbilidad estandarizada
Medida
específica por edad
Medida
ajustada por edad
1. En el
examen inicial del estudio, 17 personas por cada 1000 tenían evidencia de
enfermedad cardíaca coronaria.
2. En el
examen inicial del estudio, 31 personas de 45 a 62 años tenían evidencia de
enfermedad cardíaca coronaria por cada 1000 personas examinadas en este grupo
de edad.
3. En el examen inicial del estudio, los hombres y las mujeres tenían la misma prevalencia de enfermedad cardíaca coronaria, después de controlar las diferencias de edad entre los grupos.
4. Durante los primeros 8 años del
estudio, 45 personas desarrollaron enfermedad coronaria por cada 1000 personas
que ingresaron al estudio sin la enfermedad.
5. Durante
los primeros 8 años del estudio, la frecuencia observada de angina de pecho en
fumadores empedernidos fue 1,6 veces mayor que la frecuencia esperada en
función de los no fumadores.
MEDIDAS DE
FRECUENCIA DE ENFERMEDADES
Es
necesario que cualquier investigación epidemiológica pueda cuantificar la
aparición de enfermedades midiendo el número de individuos afectados dado el
tamaño de la población de origen y el período durante el cual se recopilaron los
datos, lo que permite la comparación directa de las frecuencias de enfermedades
en dos o más grupos de individuos. Las medidas de frecuencia de enfermedades
que se utilizan con más frecuencia son la incidencia y la prevalencia. Como se
muestra en el Cuadro 1, la prevalencia representa una instantánea del estado
de la población en un momento determinado y se calcula como el número de casos
existentes de una enfermedad dividido por el tamaño de la población total en
ese momento específico. La incidencia, por otro lado, representa el desarrollo
de la enfermedad y se calcula como el número de casos nuevos de una enfermedad
que se desarrollaron durante un período de tiempo específico dividido por la
población en riesgo de ser un nuevo caso de la enfermedad.
Cuadro 1. Medidas de frecuencia de enfermedades en estudios epidemiológicos
Las
medidas de frecuencia de enfermedades pueden calcularse para la población en su
conjunto o pueden ser específicas para una categoría o subgrupo particular de
la población, como una frecuencia específica por edad o por género. Cuando se
comparan dos o más poblaciones, estas medidas también pueden ajustarse para las
diferencias iniciales entre las poblaciones, como una frecuencia ajustada por
edad o por género, o los casos observados en una población pueden compararse
con el número de casos que se esperaría en función de la experiencia previa o
de otra población (cociente de morbilidad estandarizado).
Por lo
tanto, las respuestas correctas para la pregunta 2 serían:
1. En el
examen inicial del estudio, 17 personas por cada 1000 tenían evidencia de
enfermedad cardíaca coronaria: prevalencia.
2. En el
examen inicial del estudio, 31 personas de 45 a 62 años tenían enfermedad
cardíaca coronaria por cada 1000 personas examinadas en este grupo de edad:
prevalencia específica por edad.
3. En el
examen inicial del estudio, los hombres y las mujeres del estudio tenían la
misma prevalencia de enfermedad cardíaca coronaria, controlando las diferencias
entre los grupos con respecto a la edad: Prevalencia ajustada por edad.
4. Durante
los primeros 8 años del estudio, 45 personas desarrollaron enfermedad cardíaca
coronaria por cada 1000 personas que ingresaron al estudio libres de
enfermedad: Incidencia.
5. Durante
los primeros 8 años del estudio, la frecuencia observada de angina de pecho en
fumadores empedernidos fue 1,6 veces mayor que la frecuencia esperada en
función de los no fumadores: Índice de morbilidad estandarizado.
Cálculo de
las medidas de frecuencia de la enfermedad
Pregunta
3:
A
principios de 2012, 800 personas diagnosticadas con diabetes vivían en una
ciudad que tenía una población estimada a mitad de año de 10 000 habitantes.
Durante ese año, se diagnosticaron 200 nuevos casos de diabetes en la ciudad y
40 personas murieron por complicaciones de la diabetes. 1. ¿Cuál fue la
incidencia de diabetes por 1000 habitantes durante 2012?
2. ¿Cuál
fue la prevalencia de diabetes por 1000 habitantes el 1 de enero de 2012?
3. ¿Cuál
fue la prevalencia de diabetes por 1000 habitantes el 31 de diciembre de 2012?
4. ¿Cuál
fue la mortalidad por 1000 habitantes por diabetes durante 2012?
5. Si la
prevalencia de diabetes en 2012 fue menor que la prevalencia de diabetes en
2010, ¿podría deberse a un cambio en la tasa de incidencia, a un cambio en la
duración de la enfermedad o a ambos?
Las
definiciones que se dan en el Cuadro 1 proporcionan la información necesaria
para calcular cada una de las medidas individuales de incidencia y prevalencia.
A menudo, la población se proporciona como una estimación a mitad de año y, en
ese caso, la “población en riesgo” es la misma que la población total. En
cuanto a su interrelación, la prevalencia (la proporción de la población que
padece una enfermedad en un momento determinado) depende tanto de la tasa de
desarrollo de una nueva enfermedad durante el período de tiempo (incidencia)
como de la duración de la enfermedad desde su aparición hasta su terminación
(por ejemplo, la curación o la muerte). Por lo tanto, un cambio en la
prevalencia de una población a otra o de un período de tiempo a otro puede
reflejar un cambio en la incidencia, un cambio en la duración de la enfermedad
o ambos.
Por lo
tanto, las respuestas a la pregunta 3 serían:
1.
Incidencia de diabetes durante 2012 = 200/10.000 = 20/1.000
2. Prevalencia
de diabetes el 1 de enero de 2012 = 800/10.000 = 80/1.000
3.
Prevalencia de diabetes el 31 de diciembre de 2012 = (800 + 200 – 40)/10.000 =
96/1.000
4.
Mortalidad por diabetes en la población durante 2012 = 40/10.000 = 4/1.000
5. Si la
prevalencia de diabetes en 2012 fue menor que la prevalencia de diabetes en
2010, esto podría deberse a un cambio en la tasa de incidencia, un cambio en la
duración de la enfermedad o cambios en ambos.
MEDIDAS DE
ASOCIACIÓN
Mientras
que el cálculo de medidas apropiadas de frecuencia de enfermedad es la base
para la descripción y la comparación de poblaciones, también es eficiente e
informativo combinar las dos frecuencias que se comparan en un único parámetro
resumen que estima la asociación entre la exposición y el riesgo de desarrollar
el resultado. Esto se puede lograr calculando la razón de las medidas de
frecuencia de enfermedad para las dos poblaciones, que indica cuánta mayor
probabilidad en una escala relativa tiene un grupo de desarrollar una
enfermedad que otro, o la diferencia entre las dos medidas de frecuencia de
enfermedad, que indica en una escala absoluta cuánto mayor es la frecuencia de
la enfermedad en un grupo en comparación con el otro. Estas dos medidas de
asociación se conocen en términos generales como RR y RA.
El RR
estima la magnitud de la asociación entre la exposición y la enfermedad y
representa la probabilidad de desarrollar el resultado en el grupo expuesto en
relación con aquellos que no están expuestos. En un estudio de cohorte o ensayo
aleatorizado, esto se define como la razón de la incidencia en el grupo
expuesto (Ie) dividida por la incidencia correspondiente de la enfermedad en el
grupo no expuesto (Io); El RR es una medida de la fuerza de la asociación entre
la exposición y la enfermedad. Si no hay asociación entre la exposición y la
enfermedad, es decir, bajo la hipótesis nula, el RR será igual a 1. Los valores
>1 indican que quienes están expuestos tienen un mayor riesgo de desarrollar
el resultado y los valores <1, un riesgo menor.
El RA entre los expuestos proporciona información sobre el efecto absoluto de la
exposición o el exceso de riesgo de enfermedad en los expuestos en comparación
con los no expuestos. Nuevamente, en un estudio de cohorte o ensayo aleatorio,
esta medida se define como la diferencia entre las tasas de incidencia en los
grupos expuestos y no expuestos, calculada como Ie – Io. Si no hay asociación
entre la exposición y la enfermedad, es decir, bajo la hipótesis nula, el RA será igual a 0. Suponiendo que existe una relación causal entre la exposición y
la enfermedad y que el RA es >0, su valor indica el número de casos de la
enfermedad entre los expuestos que se pueden atribuir a la exposición en sí o,
alternativamente, el número de casos de la enfermedad entre los expuestos que
podrían eliminarse si se eliminara la exposición. Como tal, la RA entre los
expuestos es útil como una medida del impacto en la salud pública de una
exposición particular.
El RA entre los expuestos también se puede expresar como un porcentaje, calculado
como RA% = RA/Ie × 100, para estimar la proporción de la enfermedad entre los
expuestos que es atribuible a la exposición o la proporción de la enfermedad en
ese grupo que podría prevenirse eliminando la exposición. Además, para fines
clínicos, el número necesario a tratar (NNT) para prevenir un caso del
resultado se puede calcular, como el inverso del valor absoluto de la RA entre
los expuestos, o NNT = 1/RA.
El RR y la RA proporcionan tipos de información muy diferentes pero complementarios. El RR
es una medida de la fuerza de la asociación entre una exposición y una
enfermedad y proporciona información que se puede utilizar para juzgar si es
probable que una asociación observada válida sea causal. En contraste, la AR
proporciona una medida del impacto en la salud pública de una exposición,
suponiendo que la asociación es de causa y efecto.
Cálculo de
las medidas de asociación
Pregunta
4:
Se realizó
un ensayo aleatorizado de un nuevo fármaco de estatinas para evaluar su posible
beneficio en la muerte por enfermedad cardíaca coronaria. Se ingresó en el
estudio un total de 4000 pacientes, 2000 asignados a la estatina activa y 2000
a placebo. De los 2000 asignados a la estatina, 200 de ellos murieron por
enfermedad cardíaca coronaria en la duración media de seguimiento de 5 años; de
los 2000 asignados a placebo, 300 murieron por enfermedad cardíaca coronaria.
¿Cuál es la magnitud de la asociación entre la estatina y la muerte por
enfermedad cardíaca coronaria? ¿Cuál es el posible impacto en la salud pública
de este fármaco? ¿Cuál es el número necesario de pacientes a tratar para
prevenir una muerte por enfermedad cardíaca coronaria?
La figura 2 presenta la tabla 2 × 2 que resume los datos del ensayo aleatorizado de la
pregunta 4. El RR, calculado como la incidencia del resultado (morir por
enfermedad coronaria) en los expuestos (aquellos asignados a la estatina)
dividido por la incidencia en los no expuestos (aquellos asignados al placebo),
es 200/2000 dividido por 300/2000 o 0,67. Esto significa que aquellos asignados
a la estatina tuvieron un 67% del riesgo, o un 33% menos de riesgo (1 – 0,67),
de morir por enfermedad coronaria durante este período que aquellos asignados
al placebo. La AR, calculada como la incidencia en los expuestos menos la
incidencia en los no expuestos, es 200/2000 – 300/2000 o –0,05. Esto significa
que si las estatinas están causalmente relacionadas con la prevención de la
mortalidad por enfermedad cardíaca coronaria, 5 de cada 100 de las muertes por
enfermedad cardíaca coronaria en el grupo placebo podrían haberse evitado con
el uso de esta estatina. Tomando la inversa de esta AR, 1/0,05, se obtiene el
número necesario para tratar, o 20, lo que indica que necesitaríamos tratar a
20 pacientes con esta estatina durante 5 años (la duración media del
seguimiento) para prevenir 1 muerte por enfermedad cardíaca coronaria.
Fig. 2
Medidas de asociación en un estudio de cohorte o ensayo aleatorizado: riesgo
relativo, riesgo atribuible y número necesario para tratar.
Resumen del estudio epidemiológico. Diseños e interpretación de los resultados del estudio
Pregunta
5:
Se realizó
un estudio para evaluar la relación entre el tabaquismo materno durante el
embarazo y el bajo peso al nacer. Se entrevistó a un total de 350 madres de bebés
con bajo peso al nacer y 400 madres de bebés con peso normal al nacer. De las
madres de bebés con bajo peso al nacer, 200 informaron haber fumado durante el
embarazo, y 200 de las madres de bebés con peso normal al nacer también
informaron de este antecedente. ¿Qué tipo de diseño de estudio fue este? ¿Cuál
es la magnitud observada de la asociación entre el tabaquismo y el peso al
nacer? ¿Es válida la asociación observada?
¿QUÉ TIPO
DE DISEÑO DE ESTUDIO FUE ESTE?
Existen
varios diseños de estudios analíticos específicos que se pueden utilizar para
evaluar una asociación entre una exposición y una enfermedad; la elección
depende de la pregunta de investigación en particular, así como de la logística
y la viabilidad. La primera clasificación amplia es si la investigación es un
estudio observacional o de intervención, y esto depende del papel del
investigador en el estudio. En los estudios observacionales (ya sea de casos y
controles o de cohorte), como sugiere el nombre, el investigador observa el
curso natural de los acontecimientos en términos de quién está expuesto o no y
quién desarrolla el resultado del estudio, sin intervenir de ninguna manera. En
un estudio de intervención, los propios investigadores asignan la exposición;
no hay autoselección de la exposición por parte de los participantes. Existen
dos tipos básicos de estudios observacionales: de casos y controles y de
cohortes. Como se muestra en la figura 3, en un estudio de casos y
controles, los participantes se seleccionan para el estudio en función de su
estado de resultado: un grupo de personas con la enfermedad (casos) se compara
con aquellos sin la enfermedad (controles) con respecto a las proporciones en
cada grupo con la exposición de interés. Por el contrario, en un estudio de
cohortes, los participantes se seleccionan para el estudio en función de la
presencia o ausencia de la exposición de interés y se realiza un seguimiento
del desarrollo del resultado en cada grupo de exposición.
Un estudio
de intervención, también llamado ensayo clínico, es un tipo de estudio de
cohortes en el que los participantes se identifican por su estado de exposición
y se realiza un seguimiento del desarrollo del resultado, pero la
característica distintiva del ensayo es que la exposición de cada participante es
asignada por el investigador. En una encuesta transversal, la presencia o
ausencia tanto de exposición como de enfermedad se evalúa en el mismo momento,
por lo que a menudo resulta difícil distinguir si la exposición precedió al
desarrollo de la enfermedad o si la presencia de las etapas preclínicas o
tempranas de la enfermedad afectó el nivel de exposición del individuo. En un
estudio observacional o de intervención, la secuencia temporal es más
claramente identificable.
Figura 3. Descripción general de los diseños de estudios epidemiológicos.
Con base
en estas definiciones, la pregunta 5 describe un estudio de casos y controles:
se compara a madres de bebés con bajo peso al nacer (casos) con madres de bebés
con peso normal al nacer (controles) con respecto a la exposición de interés
(tabaquismo materno durante el embarazo). Si se hubiera estudiado la asociación
entre el bajo peso al nacer y el tabaquismo materno durante el embarazo
clasificando a las mujeres como fumadoras o no fumadoras en el momento de su
primera visita prenatal y correlacionando los antecedentes de tabaquismo con el
peso al nacer posterior, este habría sido un diseño de estudio de cohorte. No
se puede realizar éticamente un estudio de intervención que asigne a los
individuos a una exposición dañina como el tabaquismo, pero se podría haber
diseñado un ensayo asignando a los participantes a dos enfoques diferentes para
dejar de fumar durante el embarazo, por ejemplo, y luego comparando los pesos
al nacer posteriores. En un estudio transversal, los investigadores habrían
evaluado los pesos al nacer de los recién nacidos y los patrones de tabaquismo
de las madres en el mismo momento, es decir, en el momento del nacimiento. Sin
embargo, no habría forma de evaluar si el patrón de tabaquismo en el momento
del nacimiento reflejaba el patrón de tabaquismo en momentos anteriores del
embarazo, que podría tener mayor interés etiológico.
¿CUÁL ES
LA MAGNITUD DE LA ASOCIACIÓN ENTRE LA EXPOSICIÓN Y EL RESULTADO?
La figura 4 presenta la tabla 2 × 2 que resume los datos de la pregunta 5.
Figura 4. Medidas de asociación en un estudio de casos y controles: razón de
probabilidades y porcentaje de riesgo atribuible.
En un
estudio de casos y controles, los participantes se seleccionan en función del
resultado en estudio. Por lo tanto, no es posible calcular directamente la tasa
de desarrollo del resultado dada la presencia o ausencia de la exposición, y
las fórmulas presentadas anteriormente en la Figura 2 para el cálculo del RR
y RA en un estudio de cohorte o ensayo aleatorio no se pueden utilizar en un
estudio de casos y controles. Sin embargo, se puede hacer una estimación del RR
mediante el cálculo de la razón de probabilidades (OR), que es la relación
entre las probabilidades de exposición entre los casos y las de los controles
(OR = ad/bc). En este caso, la OR sería 1,3, que se interpreta como un RR e
indica que las madres que fumaron durante el embarazo tuvieron un riesgo 30%
mayor de tener bebés con bajo peso al nacer en comparación con las madres que
no fumaron durante el embarazo. Además, debido a que las tasas de incidencia no
se pueden calcular directamente, la RA entre los expuestos tampoco se puede
calcular en un estudio de casos y controles. Sin embargo, se puede hacer una
estimación del RA% entre los expuestos, calculado como: RA% = (OR – 1)/ OR. En
el ejemplo, esto sería RA% = (1,3 – 1)/1,3 o 23,1%, lo que indica que si fumar
causa bajo peso al nacer, el 23% de los bebés con bajo peso al nacer entre
madres fumadoras (las expuestas) sería causado por el hecho de que las madres
fumaran, o el 23% de los bebés con bajo peso al nacer nacidos de madres
fumadoras podrían evitarse si se eliminara el hábito de fumar de las madres.
¿ES VÁLIDA
ESTA ASOCIACIÓN OBSERVADA?
Para
determinar si una asociación observada en un estudio es válida, debemos
descartar tres explicaciones alternativas para los hallazgos: el papel del
azar, el papel del sesgo y el papel de los factores de confusión (Cuadro2).
Cuadro 2. Evaluación de la validez de un estudio epidemiológico
El azar se
refiere al hecho de que cualquier asociación observada puede ser causada por la
variabilidad del muestreo o la suerte del sorteo porque se extraen inferencias
sobre toda la población a partir de los resultados de una muestra. Esto se mide
mediante una prueba de significación estadística y su valor P resultante.
También se puede juzgar que un resultado surge de un sesgo o un error
sistemático en la medición de la asociación entre la exposición y la
enfermedad. Y finalmente, los resultados pueden ser causados por factores de
confusión, diferencias iniciales entre los grupos que están asociados con la
exposición y están asociados independientemente con la enfermedad y en sí
mismos podrían ser responsables total o parcialmente de la asociación
observada. Estas tres explicaciones deben examinarse siempre antes de poder
concluir que la asociación observada en un estudio representa una relación
válida o verdadera entre la exposición y la enfermedad.
Pregunta
5a:
Al
comparar la diferencia en el porcentaje de tabaquismo materno entre madres con
y sin un bebé de bajo peso al nacer, se encuentra que el valor P es 0,2. La
interpretación correcta del resultado es:
1. Se
rechaza la hipótesis nula.
2. La
diferencia es estadísticamente significativa.
3. La
diferencia se produjo por casualidad.
4. La
diferencia es compatible con la hipótesis nula.
5. La
variabilidad del muestreo es una explicación improbable de la diferencia.
El valor P
es la probabilidad de que los datos observados, o datos más extremos, se
produzcan debido a los efectos del azar únicamente, dado que realmente no hay
diferencia o asociación entre los dos grupos (la hipótesis nula). Por
convención en la literatura médica, el límite para la significación estadística
está en el nivel P = 0,05. Por lo tanto, si P < .05 (es decir, veríamos los
resultados que observamos en nuestro estudio solo por casualidad, dada la
hipótesis nula de que realmente no hay asociación entre la exposición y la
enfermedad, <1 de cada 20 veces), rechazamos la hipótesis nula y concluimos
que la diferencia observada es estadísticamente significativa en el nivel de
0.05. Por el contrario, si P ≥ .05 (es decir, veríamos los resultados
observados al menos 1 vez de cada 20 dado que no hay asociación entre la
exposición y la enfermedad), no podemos rechazar la hipótesis nula y concluimos
que la diferencia no es estadísticamente significativa en el nivel de 0.05. El
nivel del valor P no significa que la asociación observada sea causada por la
casualidad o que la casualidad se descarte; es solo una medida de la
probabilidad de que la casualidad sea una explicación de los hallazgos.
Por lo
tanto, en la pregunta 5a, dado que el valor P es ≥ 0,05, no se puede rechazar
la hipótesis nula, la diferencia no es estadísticamente significativa en el
nivel 0,05 y la variación del muestreo no es una explicación improbable de los
datos. Esto no significa que la diferencia observada haya sido causada por el
azar, pero sí significa que la diferencia es compatible con la hipótesis nula
de que no existe asociación (respuesta 4).
Pregunta 5b:
Se sugirió
que las madres de bebés con bajo peso al nacer que fumaban tenderían a negar
esa actividad debido a sentimientos de culpa. Además, también se observó que
las madres de bebés con bajo peso al nacer tendían a ser más jóvenes que las
madres de niños con peso normal al nacer, y se sabe que las tasas de tabaquismo
son más altas en mujeres más jóvenes en esta población. Estos escenarios serían
ejemplos de los efectos de:
1. Azar
2. Sesgo
de selección
3. Sesgo
de recuerdo
4.
Confusión
¿Qué
efecto tendría cada uno de estos escenarios en el RR observado: resultaría en
una subestimación del RR verdadero, una sobreestimación o sería el mismo que el
RR verdadero?
La preocupación de que una madre de un bebé con bajo peso al nacer pueda negar su historial de tabaquismo es un ejemplo de sesgo de recuerdo, donde quienes se ven afectados tienden a recordar sus experiencias de manera diferente a quienes no se ven afectados de manera similar. En este caso, la negación por parte de las madres de niños con bajo peso al nacer de su exposición al tabaco durante el embarazo daría como resultado una subestimación de la verdadera asociación perjudicial entre el tabaco y el peso al nacer. El hecho de que las madres más jóvenes tengan más probabilidades de fumar y que, independientemente del tabaco, las madres más jóvenes tengan más probabilidades de tener bebés con bajo peso al nacer es un ejemplo de una variable de confusión. Si no se controla el efecto de confusión de la edad de la madre, podría parecer que el tabaco es más perjudicial para el peso al nacer del bebé de lo que en realidad puede ser (una sobreestimación del efecto real) debido a la combinación de los efectos del tabaco con la edad joven de la madre, lo que en sí mismo dará como resultado una mayor tasa de bebés con bajo peso al nacer.
En la investigación
epidemiológica, la interpretación de los estudios debe seguir siendo siempre
una cuestión de juicio basado en toda la evidencia disponible. Sin embargo,
este marco de explicaciones alternativas que deben considerarse (evaluando el
papel del azar, el sesgo y la confusión) nos permite una aproximación para
juzgar la validez de un estudio y así comenzar a considerar el siguiente paso,
que es si la asociación observada es de hecho una de causa y efecto.
Bibliogafía
Centers for Disease Control and Prevention
(CDC). U.S. Medical Eligibility Criteria for Contraceptive Use, 2010. MMWR
Recomm Rep. 2010(18);59(RR-4):1–86.
Centers for Disease Control and Prevention
(CDC). U.S. Selected Practice Recommendations for Contraceptive Use, 2013:
adapted from the World Health Organization selected practice recommendations
for contraceptive use, 2nd edition. MMWR Recomm Rep.
2013;62(RR-05):1–60.
Darney P, Patel A, Rosen K, et al. Safety and
eicacy of a single-rod etonogestrel implant (Implanon): results from 11
international clinical trials. Fertil Steril. 2009;91(5):1646–1653. Hatcher RA,
Trussell J, Nelson AL, et al. Contraceptive Technology.
20th ed.
Atlanta: Bridging the Gap Communications; 2011. Isley MM, Kaunitz AM. Update on
hormonal contraception and bone density. Rev Endocr Metab Disor.
2011;12(2):93–106.
Jatlaoui TC, Curtis KM. Safety and efectiveness
data for emergency contraceptive pills among women with obesity: a systematic review.
Contraception. 2016;94(6):605–611.
Mody SK, Han M. Obesity and contraception.
Clin Obstet Gynecol. 2014;57(3):501–507.
Winner B, Peipert JF, Zhao Q, et al.
Efectiveness of long-acting reversible contraception. N Engl J Med.
2012;366(21):1998–2007. White KO. Update on contraception. Semin Reprod Med.
2010; 28(2):93–94.
Zieman M, Hatcher RA, Allen AZ, Lathrop E,
Haddad L. Managing Contraception. Tiger, GA: Bridging the Gap Communications; 2016
FUENTE:
The Brigham
Intensive Review of Internal
Medicine. (2022)
Ajay K.
Singh, MBBS, FRCP, MBA
Joseph
Loscalzo, MD, PhD
