Epidemiology (Schneider) Confusión Confusión es una asociación aparente entre la enfermedad y la...
-
Upload
fernando-pizarro -
Category
Documents
-
view
9 -
download
1
Transcript of Epidemiology (Schneider) Confusión Confusión es una asociación aparente entre la enfermedad y la...
Epidemiology (Schneider)
Confusión Confusión es una asociación aparente entre la
enfermedad y la exposición causada por un tercer
factor no tomado en consideración
Un confusor es una variable que está
asociada con la exposición e, independiente
de la exposición, es un factor de riesgo para
la enfermedad
Ejemplos Estudio A encontró una asociación entre
tabaquismo y calvicie El estudio fue confundido por edad
Estudio B encontró un efecto protector entre compañía animal y ataque cardiáco El estudio puede estar confundido por el hecho que las
mascotas requieren cuidado y los dueños de mascotas están más activos o son más aptos físicamente para atenderlos
El estudio también puede estar confundido por el hecho que aquellos que pueden tolerar mascotas son más accesibles (personalidades tipo B)
Epidemiology (Schneider)
Probando para confusión Obtención de una medición cruda del resultado (tasa cruda
de mortalidad, tasa cruda de natalidad, razón de momios o
riesgo relativo)
Repita la medición del resultado controlando por la variable
(tasa ajustada por edad, riesgo relativo o razón de momios
específico a género)
Compare las dos mediciones; la estimación de las dos
mediciones serán diferente si la variable es un confusor
Probando para confusión (cont.)
Edad es un confusor para mortalidad por cáncer
Tasa ajustada por edad = Suma de las esperadas/ Total en la población
estándar = 1.27 / 1,000Tasa cruda= Muertes totales/Población
en riesgo =115 / 45,000 = 2.56 / 1,000
* 1980 Población de USA donde jóven= 0-18; maduro=19-64; viejo=+65
288,039226,500,000XXXX45,000115Total
171,41925,700,0006.6715,000100Viejo
56,120140,300,0000.4025,00010Maduro
60,5001.005,0005Joven
EsperadosPoblación estándar*
ASR/1,000Población en riesgo
Muertes por cáncer
Edad
60,500,000
Controles para confusión Controles para confusión pueden ser diseñados en los estadios de
planeación del estudio o en la planeación de un estudio
Estadio de planeación Aleatorización (para estudios experimentales) Restricción (Permite ingresar al estudio a aquellos que queden en
una banda estrecha de una variable potencialmente confusora) Pareando (Parear casos y controles sobre las bases de las
variables potencialmente confusoras, especialmente edad y género)
Casos y controles pueden ser individualmente pareados para una o más variables, o pueden ser pareados en grupo
Pareando es caro y requiere técnicas analíticas especiales Sobrepareando o pareando en forma innecesaria puede enmascarar hechos
Estadio de análisis
Estratificación
Análisis multivariado – Regresión
linear múltiple, Regresión logística,
Modelo de Riesgos proporcionales
Controles para confusión (cont)
Probando para efecto modificador (Interacción entre variables)
Cuando la tasa de incidencia de la enfermedad en la
presencia de dos o más factores de riesgo difiere de
la tasa de incidencia esperada como resultado de sus
efectos individuales.
El efecto puede ser mayor que lo esperado
(interacción positiva o sinergismo) o menor
a lo esperado (interacción negativa o antagonismo)
Epidemiology (Schneider)
Efecto modificador (Interacción), cont. Para evaluar interacción:
¿Hay una asociación?
Si es así, ¿es debido a confusión?
Si no, ¿hay diferencias entre los estratos formados sobre las bases de una tercera variable?
Si es así, interacción o efecto modificador está presente
Si no, no hay interacción o efecto modificador
Epidemiology (Schneider)
La prevalencia de osteoartritis es de 50% entre mujeres a la edad de 65. ¿Iniciar suplementos de calcio a los 50 años es de utilidad?
Aquellas con tratamiento tienen 84% menos enfermedad a los 65 años
RR=0.16
1000600400
500150350Ca-
50045050Ca+
No enfermasEnfermas
¿Tabaquismo confunde el tratamiento con calcio?
500200300
RR=0.2434070270Ca-
Fumadores16013030Ca+
No EnfermedadEnfermedad
500400100
RR=0.121608080Ca-
No fumadores34032020Ca+
No EnfermedadEnfermedad
El tratamiento con calcio de la osteoartritis es confundida por tabaquismo
¿El tratamiento para fumadores fue modificado por alcohol?
Fumadores que no beben
1007525
RR=0.17402020Ca-
60555Ca+
No EnfermedadEnfermedad
Fumadores que beben400125275
RR=0.3030050250Ca-
1007525Ca+
No EnfermedadEnfermedad
El tratamiento con calcio de los fumadores fue modificado por alcohol
Evaluando la relación entre una causa posible y el resultado
Asociación observada
1. ¿Podría ser debido a sesgo de
selección o de información?
2. ¿Podría ser debido a confusión o efecto
modificador?
3. ¿Podría ser un resultado por el azar? 4. ¿Podría ser
causal?
No
No
Probablemente no
Aplique guías y haga juicio
Evaluando una asociación ¿Cómo podemos estar seguros que lo encontrado es una
asociación verdadera - para contruir un caso para la
causa?
Epidemiólogos van a través de un proceso de tres pasos:
Examina la metodología buscando sesgos
Examina el análisis para confusión y modificador de efecto
(interacción)
Examina los resultados para significancia estadística
Epidemiology (Schneider)
Estadística inferencial
Ayuda a realizar predicciones,
estimaciones o inferencias,acerca
de lo no observado basado en lo
que fue observado (de una muestra)
a través de la prueba de hipótesis.
Epidemiology (Schneider)
Estadística inferencial
Requiere probar una hipótesis
Ho: hipótesis nula
No hay efecto o no hay diferencia
Ha: hipótesis de invstigación (alternativa)
Hay un efecto o una diferencia
Epidemiology (Schneider)
Significancia estadística Creo que el tratamiento A es mejor que el tratamiento
B. ¿Por qué no pruebo mi hipótesis de investigación?¿Por qué prueba la hipótesis nula?
H0 : Tratamiento A = Tratamiento B
La hipótesis de investigación requiere un número infinito de pruebas estadísticas
Si probamos la hipótesis nula, tenemos que realizar un solo test, de no diferencia
Epidemiology (Schneider)
Pasos en las pruebas de hipótesis(cont.) Una asociación estadística nos dice la probabilidad de que el
resultado obtenido sucedad por azar.
Una fuerte asociación estadística no significa causalidad!
Cada que rechazamos la hipótesis nula, tenemos el riesgo de
estar equivocados
Cada que que fracasamos en rechazar la hipótesis nula tenemos
el riesgo de estar equivocados
Epidemiology (Schneider)
Ejemplos de probando hipótesis
Calculamos la tasas ajustadas por edad para San Francisco y San Jose y se compararon
Ho: AAR1 = AAR2
Ha: Hay una diferencia estadísticamente
significativa entre las tasas ajustadas por edad
de San Francisco y San José
Epidemiology (Schneider)
Probando hipótesis (cont.)
Calculamos razón de momios y riesgos
relativos
Ho: OR = 1 (o RR = 1)
Ha: Hay una diferencia estadísticamente
significativa entre casos y controles (o
entre los expuestos y los no expuestos)
Epidemiology (Schneider)
Probando hipótesis (cont.)
Calculamos la SMR para rancheros
Ho: SMR = 100%
Ha: Hay una diferencia estadísticamente
significativa entre la población cohorte y
la población control.
Epidemiology (Schneider)
Pasos para probar hipótesis Asumir que la hipótesis nula es verdadera
Reunir los datos y probar si hay diferencia entre
grupos
La probabilidad de que se obtengan esos
resultados sólo por azar, es el valor de p.
Si el valor de p es bajo (azar es improbable que sea
la causa del resultado), se rechaza la hipótesis nula
Epidemiology (Schneider)
Hipótesis nula H0: Tratamiento A (tratamiento de dosis única en infección de
vías urinarias (IVU)= tratamiento B (tratamiento multidosis de IVU). Situe alpha en 0.05 (1 en 20 de posibilidad de un error tipo 1)
Calcule un valor de p (la probabilidad de que los resultados sea por azar) de 0.07
Fracaso para rechazar la hipótesis nula
La diferencia entre los grupos no fue estadísticamanete significativa
¿Son los hallazgos clínicamente importantes?
Hipótesis nula No hay nada mágico en un valor de alfa de 0.05 o 0.01
Hay situaciones donde un alfa de 0.2 es aceptable
El tamaño del valor de p no nos indica la importancia de los resultados El valor de p nos dice la probabilidad de que hayamos cometido
un error-que rechazamos la hipótesis nula y señalamos una diferencia cuando no hay ninguna
Resultados pueden ser estadísticamente significativos pero clínicamente sin importancia
Resultados sin significancia estadística pueden ser clínicamente importantes
Intervalos de confianza Algunas veces estamos más interesados con la estimación de la
verdadera diferencia que la probabilidad de que estamos haciendo la decisión correcta (valor de p)
El intervalo de conafianza 0.95 provee el intervalo en el cual los verdaderos valores es probable que se encuentren en el 95% de las veces.
Si el intervalo de confianza contiene 0 o 1 (el valor de no diferencia) no podemos rechazar la hipótesis nula
Tamaños de muestra más grandes producen intervalos de confianza pequeños- más confianza en los resultados
¿Son estas tasas estadisticamente significativas diferentes entre
ellas?
Los intervalos de confianza al 95% lo dicen.
AAR1 = 346.9 (ES 2.5) (344.4, 349.4)
AAR2 = 327.8 (ES 14) (313.8, 341.8)
AAR1 fue estadísticamente significativa más alta que AAR2
¿Qué acerca de estas?
SMR = 112% (99, 125)
RR = 3.4 (1.2, 5.6)
Epidemiology (Schneider)
Cada vez que usamos estadística
inferencial, estamos en riesgo de
estar equivocados
Hipótesis nula H0: Tratamiento A = Tratamiento B
Correcto
(Poder)
1-
Error tipo I
(Nivel de significancia)
Rechazar
Error tipo II
Correcto
1-
Fracaso para rechazar
Falsa
diferencia
Verdad
No diferencia
Decisión sobre H0
Epidemiology (Schneider)
Formas de estar equivocado
Error tipo I – rechazando la hipótesis nula cuando ella es verdad- no hay diferencia
Error tipo II – fracasando en rechazar la hipótesis nula cuando ella es falsa - hay una diferencia
Epidemiology (Schneider)
Poder de la prueba Beta (la probabilidad de un error tipo II) es
importante si no queremos que se encubra un
efecto
Podemos reducir el riesgo de error tipo II mejorando
el poder de la prueba
Poder: La probabilidad de que se detecte un efecto
de un particular tamaño basado en un número
particular de sujetos
Epidemiology (Schneider)
Poder de la prueba Poder es influenciado por:
El nivel de significancia (probabilidad de un
error tipo I) se sitúa para la prueba de hipótesis;
El tamaño de la diferencia que se desea detectar
El número de sujetos en el estudio
Epidemiology (Schneider)
Sujetos en el estudio Más sujetos permiten determinar pequeñas
diferencias
Más sujetos producen más pequeños intervalos de
confianza
Más sujetos cuestan más dinero
Más sujetos incrementan la complejidad del proyecto
¿Se necesitan más sujetos?
¡Puede ser! Equilibre lo siguiente: Diferencia no significativa en un estudio pequeño no nos dice nada
Encontrar una diferencia significativa en un estudio pequeño podría no ser reproducido debido a variación de la muestra
Encontrar una diferencia no significativa en un estudio grande nos dice que los tratamientos o resultados son esencialmente equivalentes
Encontrar una diferencia significativa en un estudio grande revela una diferencia verdadera, pero los hallazgos pueden no ser clínicamente importantes
¿Cómo me imagino qué hacer? Revise la literatura para estimar la incidencia o la prevalencia de la
enfermedad ( o tasa de recuperación)en la población control, o Estime la exposición (tratamiento, monitoreo) en la población control Determine que diferencia desea detectar entre la población del
estudio y los controles Seleccione alfa – el riesgo de encontrar un efecto cuando realmente
no hay uno (usualmente 0.05 o 0.01) Seleccione el nivel de poder – la probabilidad de encontrar un efecto
cuando realmente hay uno (usualmente 0.90 o 0.90) Calcule o use tablas de tamaño de muestra para determinar cuantos
sujetos se necesita
Epidemiology (Schneider)
Finalmente, ¿puede tener muchos
sujetos con el presupuesto, tiempo
y limitaciones logísticas?
Si no, el estudio es probablemente no
útil realizarlo, a menos que se acepte
un bajo poder o un alfa grande
Tamaño de muestra para un estudio clínico
356.8010% incremento o disminución
30%.05
Dos colas
92.8020%incremento o disminución
30%.05
Dos colas
73.8020% incremento o dimsinución
30%.05
Una cola
280.8010% incremento o disminución
30%.05
Una cola
Tamaño de muestra requerido
en cada grupo
Poder
Sobrevida con tratamiento B
Sobrevida con tratamiento A
Nivel de significancia
(Prueba de una cola vs dos colas, por la cual queremos probar el incremento o disminución de sobrevida con tratamiento B)
H0 : Tratamiento A = Tratamiento B
15320% de diferencia
590.9010% de diferencia
30%.01
10120% de diferencia
7320% de diferencia388.9010% de diferencia30%.05
11820% de diferencia
455.8010% de diferencia30%.01
280.8010% de diferencia30%.05
Tamaño de muestra requerido para cada
grupo
Poder
Sobrevida con tratamiento B
Sobrevida con tratamiento ANivel de
significancia
(prueba de una cola, variando el nivel de significancia, poder y diferencia que deseamos detectar)
H0 : Tratamiento A = Tratamiento BTamaño de muestra para un estudio clínico