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