Epidemiología

08 Septiembre 2011
Introduccin a la investigacin biomdica

1

EPIMEMIOLOGA
TEMA 1
Fundamentos de la epidemiologa

La epidemiologia estudia fundamentalmente la frecuencia de las enfermedades.
La epidemiologia est basada en dos suposiciones:
- Las enfermedades humanas no ocurren aleatoriamente. No ocurren al azar.
- Existen factores casuales y preventivos que pueden identificarse a partir de la
investigacin. Se trata de investigar la generacin de enfermedades en distintas
poblaciones.
- La investigacin se realiza sobre poblaciones, subgrupos o individuos, en diferentes
sitios y lugares.

Definicin de epidemiolog a
Es el estudio de la distribucin y determinantes de la frecuencia de las diferentes
enfermedades.
Componentes
1- Medir la frecuencia de enfermedades.
2- Distribucin de la enfermedad y comparacin con otras poblaciones, en un mismo
tiempo y lugar.
3- Los determinantes de la enfermedad, deben contrastarse en funcin de los anteriores.

Hay que tener en cuenta que lo que vamos buscando son todos aquellos factores que
provocan la enfermedad y los que la pueden prevenir. Y para descubrir estos factores hay que
investigar sobre poblaciones.
Razonamiento
El razonamiento es el siguiente:
- Se sospecha de la influencia de un factor en la ocurrencia de la enfermedad.
- Formulacin de una hiptesis especfica. Ejemplo: Si un determinado factor est
presente aumenta la frecuencia de la enfermedad.
- Contraste de la hiptesis mediante un estudio epidemiolgico. Estos estudios tienen
diferentes diseos como veremos a continuacin.
- El anlisis del estudio incluye el anlisis estadstico del contraste de la hiptesis que
hemos formulado.
08 Septiembre 2011
2

Historia de la epidemiologa
- Hipcrates (100 antes de cristo). Se plantea que algunos factores como las diferentes
estaciones del ao estaciones del ao, los vientos, el calor y el frio tenan cierta
relacin con las enfermedades que observaba. Ejemplo: Se dio cuenta de que en
invierno los catarros eran ms frecuentes que en verano. Lo peculiar de un
determinado lugar, la comida y el agua, eran tambin factores que influan sobre las
enfermedades que l observaba.

- John Graunt (1662) estudia la Naturaleza y Observacin Poltica de los partes de
nacimiento y defuncin. En su estudio se da cuenta de que hay ms muertes y
nacimientos de hombres que de mujeres. Tambin observa que hay una variacin
estacional de la mortalidad (ms muertes en invierno que en verano). Por ltimo,
realiza un informe numrico del impacto de plagas. Hace un informe de cuantas bajas
hay en distintas empresas por las distintas plagas y ve como en algunas empresas
haba ms o menos muertes. Por lo tanto, lo que se est haciendo en esas fbricas
poda tener relacin con la mortalidad.

- William Farr (1839) Hace la estadstica mdica y la comparacin de mortalidad entre
solteros y casados. Se da cuenta que los que estn casados tienen menor mortalidad
que los que estn solteros. (Hay estudios actuales que lo corroboran).

- John Snow (1854) Epidemia de clera. Con l nace oficialmente la epidemiologa.
Snow era un mdico londinense y se dedica a estudiar la epidemia de clera. Contraste
de hiptesis Se da cuenta de que en Londres, en algunas zonas hay mayor nmero
de muertes por clera que en otras y este hecho estaba relacionado con las empresas
que cogan agua de los depsitos.

Para saber ms
John Snow (York, 15 de marzo de 1813 Londres, 16 de junio de 1858) fue un mdico ingls precursor
de la epidemiologa, hasta el punto de ser considerado padre de la epidemiologa moderna. Demostr que
el clera era causado por el consumo de aguas contaminadas con materias fecales, al comprobar que los
casos de esta enfermedad se agrupaban en las zonas donde el agua consumida estaba contaminada
con heces, en la ciudad de Londres en el ao de 1854. Ese ao cartografi en un plano del distrito
de Soho los pozos de agua, localizando como culpable el existente en Broad Street, en pleno corazn de
la epidemia. Snow recomend a la comunidad clausurar la Bomba de Agua, con lo que fueron
disminuyendo los casos de la enfermedad. Este episodio est considerado como uno de los ejemplos ms
tempranos en el uso del mtodo geogrfico para la descripcin de casos de una epidemia.
08 Septiembre 2011
3

RECORDATORIO Qu es una variable?
Una variable es un elemento de una frmula, proposicin o algoritmo que puede adquirir o ser
sustituido por un valor cualquiera (siempre dentro de su universo).

Variables de inters en epidemi ologa
- Variables de Lugar
Dnde vive la poblacin
Caractersticas del lugar donde viven, geografa, clima, etc.
- Variables de tiempo:
En qu momento estamos midiendo la frecuencia de la enfermedad. No es lo
mismo medir la incidencia de la sfilis en el momento actual que su incidencia
hace 100 aos.
Tiempo personal y cronolgico.
- Variables de persona:
Edad
Sexo
Antecedentes
Introduccin a la epidemiologa

El objeto del estudio epidemiolgico son las poblaciones humanas. No es para animales. Nace
para estudiar poblaciones humanas.
08 Septiembre 2011
4

Los objetivos de la epidemiologa son describir los determinantes y la frecuencia de las
enfermedades y analizar la asociacin entre ambos para, posteriormente, estudiar los factores
de riesgo. La asociacin de variables es fundamental para el estudio de factores de riesgo.
Ejemplo: Una persona que padece hipertensin puede desarrollar con mayor facilidad un
infarto de miocardio. La hipertensin es un factor de riesgo para padecer el infarto de
miocardio.

Estudios
Los estudios pueden tener diferentes diseos

Diseo transversal
Cuando se muestrea (escoge) entre todos los individuos de la poblacin, sin conocimiento
previo de la exposicin ni de su estado de salud. En otras palabras, en este tipo de diseos, al
escoger, nos da igual si la persona tiene la enfermedad o no, o si ha estado expuesto al factor
de riesgo o no. Se muestrea sin analizar previamente la situacin. Siempre teniendo en cuenta
que la muestra sea representativa. Una vez ya muestreado miramos si se ha estado expuesto
al factor de riesgo y si se tiene la enfermedad o no. Se mide la exposicin y su efecto en un
mismo momento de la escala temporal.
Cuando se estudia causalidad en medicina, la causa debe ser anterior al efecto. En este tipo de
estudios transversales no podemos determinar si la causa fue anterior al efecto.

TRANSVERSAL
DE SEGUIMIENTO
CASO-CONTROL
08 Septiembre 2011
5

Diseo de seguimiento (de cohortes)
Cuando partimos del conocimiento de la exposicin, muestreamos (escogemos) entre los
individuos expuestos y no expuestos. En otras palabras, se trata de un estudio entre
individuos que sabemos que algunos han estado expuestos al factor de riesgo y otros no. Les
estudiamos a lo largo del tiempo para ver quien desarrolla la enfermedad y quien no, pero
siempre teniendo en cuenta que en este caso partimos del conocimiento de exposicin. Habr
algunos que desarrollen la enfermedad y estuvieron expuestos, otros que no desarrollen la
enfermedad y estuvieron expuestos, otros que no desarrollaron la enfermedad y no estuvieron
expuestos y por ltimo, otros que desarrollaron la enfermedad y no estuvieron expuestos.
Sabemos que la exposicin se ha producido antes del desarrollo de la enfermedad. Este es el
diseo de los ensayos clnicos.
Destacar que un ensayo clnico es un experimento, en el que controlamos el factor de riesgo,
pero en los estudios con diseo de seguimiento no controlamos el factor riesgo. Por ejemplo
sabemos que los fumadores han estado expuestos al humo del tabaco, pero nosotros no les
hemos metido humo dentro de los pulmones de manera controlada. Por tanto es un estudio
observacional, no experimental.

Diseo caso-control
Cuando partimos del conocimiento del estado del individuo (enfermo o no), muestreando
entre los individuos que padecen la enfermedad (casos) y entre los que no la padecen
(controles). Escogemos una poblacin de casos y otra de controles. Los casos son las personas
que sabemos que ya padecen la enfermedad y los controles son las personas que sabemos que
no tienen la enfermedad. A continuacin les preguntamos sobre su exposicin a distintos
factores de riesgo y posteriormente planteamos el anlisis del diseo caso-control. Este diseo
es siempre observacional, no experimental.

08 Septiembre 2011
6

En resumen, podemos tener estudios de seguimiento experimentales y observacionales y por
otro lado estudios caso-control que son siempre observacionales.

Terminologa y diseo

Observacional vs experimental
Estudio observacional Solo nos limitamos a observar que existe exposicin. El investigador
no les est provocando el factor de riesgo. Solo se observa.
Estudio experimental El factor de riesgo est siendo provocado por nosotros mismos,
mediante frmacos por ejemplo. Es un estudio en el cual nosotros los investigadores tenemos
el control. Se observa y se hace un control de la exposicin. Similar a los casos clnicos.

Transversal vs Longitudinal (o de seguimiento)
Diseo transversal Muestreamos directamente ya que en este caso nos da igual si la
persona tiene la enfermedad o no, o si ha estado expuesto al factor de riesgo o no.
Posteriormente, tras haber realizado el muestreo es cuando miramos a ver si la persona est
enferma o no, y si ha estado expuesta al factor de riesgo o no.
Diseo longitudinal Partimos de un conocimiento. Del conocimiento de exposicin al factor
de riesgo.

08 Septiembre 2011
7

Estos estudios longitudinales pueden ser de dos tipos y se refieren a donde se encuentra el
investigador cuando plantea el diseo del estudio:
- Prospectivo Cuando la persona ha sido expuesta al factor de riesgo y padece la
enfermedad. Estudio de cohortes prospectivo.
- Retrospectivo Cuando sabemos que ha habido exposicin al factor de riesgo pero
no sabemos si padece la enfermedad o no. Estudio de cohortes retrospectivo.

Prospectivo vs Retrospectivo

Tambin puede haber estudios de caso controles prospectivos. Por ejemplo, seguimos en el
tiempo y vamos incluyendo en l casos de la enfermedad. En cambio, en los estudios de caso
controles retrospectivos, se cogen todos los casos que ha habido antes, de esa enfermedad y se
cogen tambin controles del pasado.
Tipos de estudios
Dentro de la epidemiologa observacional puede haber estudios de dos tipos:
1- Estudios descriptivos: Estudios de correlacin en poblaciones. Estudiamos la
correlacin entre variables. Informes de casos y series de casos. A su vez pueden ser
transversales o de prevalencia. (En probabilidad y estadstica, la correlacin indica la
fuerza y la direccin de una relacin lineal entre dos variables aleatorias.)
2- Estudios analticos: Tratan de estudiar la asociacin entre factor de riesgo y
enfermedad. A su vez pueden ser de seguimiento o caso- control. Los estudios de
seguimiento son de dos tipos: prospectivos o retrospectivos y los estudios caso-control
pueden tener base poblacional, hospitalaria o registral. Adems pueden ser apareados
o no (Ya veremos ms adelante qu significa esto).

La epidemiologa experimental estudia factores potenciales y protectores. Dentro de la
epidemiologa experimental estn los estudios de intervencin y los ensayos clnicos. Son
08 Septiembre 2011
8

experimentales porque nosotros controlamos la exposicin. (Un ejemplo comn es la
fluoracin de las aguas. Echamos fluor al agua para evaluar el nmero de caries dentales entre
la poblacin abastecida con esa agua).

Investigacin epidemiolgica
Hay dos fases: Fase descriptiva y fase analtica.

- Fase descriptiva Descripcin de determinantes y enfermedades en las poblaciones
y formulacin de hiptesis de asociacin entre ambos.
- Fase analtica Contraste de las hiptesis formuladas en la fase descriptiva.

Estudios descriptivos (Fase descriptiva)

08 Septiembre 2011
9

Estudios analticos (fase analtica)

Qu diseo escojo? Cmo saber si escoger casos-control o de seguimiento?
Suele haber dudas a la hora de tener que escoger un diseo. La eleccin depende de la
enfermedad estudiada, el tipo de exposicin, los recursos disponibles (dinero,
investigadores).
Generalmente para los estudios de casos-control, se emplean enfermedades raras, con
mltiples exposiciones y suelen ser ms baratos. En cambio en los de seguimiento se tratan
enfermedades ms frecuentes, con exposiciones raras y sin ms caros.

15 Septiembre 2011
Introduccin a la Investigacin Biomdica
1

EPIDEMIOLOGA
TEMA 2
Anova para un factor o Anova para una va
Cundo se utiliza el anlisis de varianza? Cuando se trabaja con animales no son necesarios el
permiso informado y otra serie de medidas de las que hablbamos el ao pasado y por lo tanto
se puede experimentar, en laboratorios de farmacologa en los que se hacen trabajos y
controlamos el efecto de distintos factores.
En esta clase vamos a ver cmo se controla un factor, vamos a hacer un repaso para que
quede claro lo que es el anlisis de varianza, porque es este anlisis de varianza el que se aplica
a todos los experimentos/trabajos en farmacologa.
En relacin a las prcticas 1 y 2 de ordenador Si recordamos, tenamos 4 tratamientos que
eran tratamientos contra la hipertensin y los datos que nos daban era la diferencia de presin
arterial antes y despus. Por lo tanto, lo importante de este estudio es ver la variacin de
presin arterial antes y despus del tratamiento, y cuando hacemos la diferencia de presin
arterial antes y despus lo que tenemos es una variable continua. Si el resultado de la
diferencia es positivo, sabemos que el tratamiento es efectivo, si es negativo sabemos que es
un tratamiento no eficaz para los que estamos intentando tratar, y si es igual a 0, concluimos
que el tratamiento no tiene efecto alguno.
Hiptesis general para un anlisis de varianza de un factor: En primer lugar vamos a considerar
que las medias de la diferencia de presin arterial son igual en todos los tratamientos. Esa
1
la
vamos a considerar
A
relacionada con el tratamiento A,
B
estar relacionada con el
tratamiento B,
P
relacionada con el placebo y
A-B
relacionada con el tratamiento AB.
Estas medias son las medias de las poblaciones, no son medias de las muestras. Tenemos 4
poblaciones independientes porque segn el diseo del estudio as lo hemos decidido. Estas
poblaciones estn cogidas al azar, ya que esto nos asegura que todas las variables, los factores,
etc., son similares en los distintos grupos (evitamos que todos los hipertensos caigan en un
solo grupo por ejemplo). Mediante el azar se obtiene un reparto similar.
Todos los grupos y poblaciones van a ser similares salvo en una cuestin: el tratamiento.

Nos interesa comparar los tratamientos para saber cul de ellos es ms efectivo y para ellos
realizamos dos hiptesis: la hiptesis general o nula, y la hiptesis alternativa.

15 Septiembre 2011
2

- Hiptesis general para un estudio de anlisis de varianza: Como decamos, vamos a
considerar en primer lugar que las medias de la diferencia de presin arterial son igual
en todos los tratamientos, teniendo en cuenta las medias aritmticas de todas las
poblaciones (no muestras) ya que ellas son independientes entre s porque han sido
seleccionadas al azar para que todas las poblaciones sean iguales. Esto es
A
=
B
=
P
=
A-B
Hiptesis nula (que todos los tratamientos son iguales).

- Hiptesis alternativa para un estudio de anlisis de varianza: Nos interesa contrastar
esta hiptesis, ya que si todos los tratamientos son iguales no va a haber ninguno que
haga un efecto ms positivo que los dems. La hiptesis alternativa a esto es que
todos los tratamientos no son iguales, es decir, que hay algn tratamiento que es
diferente a los dems.

Para aplicar un modelo ANOVA (anlisis de varianza) tenemos que saber lo siguiente, ya que si
no, no podremos aplicar el modelo Anova:
Todas las poblaciones son normales, por lo que van a tener una distribucin de la
variable es normal dentro de cada una de las poblaciones(ej. no va a haber
ningn grupo que sea tan nervioso que el frmaco no les haga efecto)

15 Septiembre 2011
3

Todas las poblaciones tienen la misma varianza sea cual sea el tratamiento que
estamos utilizando. Por eso, para poder realizar un anlisis de varianza
contrastamos las varianzas.
Los errores son independientes (porque las poblaciones como hemos dicho antes
son independientes) con distribucin normal de media cero.
La varianza se mantiene constante para todos los niveles del factor. Esto es lo
que se denomina homocedasticidad.
*Cmo aseguramos que todas las varianzas se mantienen en el mismo valor? Lo
comprobaramos mediante el test que compara varianzas F de Snedecor.*

Ejemplo: Imaginamos que tenemos una poblacin en la que queremos estudiar una variable y
tomamos una muestra aleatoria de 40 personas. No consideramos el tratamiento y les
medimos la diferencia de presin arterial en una semana. Podemos calcular la media de
diferencia de presiones y la varianza total de esa muestra, sin tener en cuenta el tratamiento
que estamos administrando. En este caso tendramos un media general (gran media). Esto
ocurrira si consideramos que tenemos una gran poblacin de hipertensos. Consideramos que
la poblacin tiene una distribucin normal N (
X
,
2
).

15 Septiembre 2011
4

Imaginamos que entra un paciente en la consulta preguntando por la eficacia de su
tratamiento. Al preguntar un paciente cunto le va a bajar la presin arterial le podramos dar
la media o mejor an un intervalo de confianza con un grado de confianza que queramos (ej.
95%). Esto es, le respondo basndome en la media de la poblacin. Para ello es necesario
establecer un intervalo de confianza para la media. Por eso, al paciente le diramos que su
tensin con el tratamiento disminuir aproximadamente entre, por ejemplo, 2 y 4 mmHg. Le
damos los lmites del intervalo de confianza, no un dato en concreto. Predeciramos lo que le
va a pasar al paciente a lo largo de la semana a partir de la media general.
Ahora vamos a tener en cuenta el tratamiento de cada paciente. A la poblacin total de
hipertensos, la vamos a dividir entre los tratados con el tratamiento A, B, AB o P. Ahora vamos
a tener ms de una media. Ya no solo tenemos la media general, sino que vamos a tener una
media para cada tratamiento (X
A
, X
B
, X
AB
, X
P
).
Ahora bien, imaginamos que en vez de tener 40 pacientes, vamos a tener 20 y todos ellos
tratados con el tratamiento B. Por tanto, si ahora el paciente nos dice Me has recomendado el
tratamiento B, Cunto me va a reducir la tensin arterial de media este tratamiento?. Le
daramos el resultado de la media con en tratamiento B X
B
. El tratamiento B va a tener
tambin una distribucin normal N (
B
,
2
B
). La varianza en este caso se calculara mediante
la frmula de varianza pero aplicada al tratamiento B (Sigma
B
es igual al sumatorio desde 1
hasta n
B
de (X
Bi
X
B
)
2
dividido entre (n
B
1)).
Por tanto, le daramos una respuesta al paciente basndonos en la media del tratamiento B. Y
cul sera el error que podramos cometer? Este sera el error para este
paciente en concreto. Se trata de un error dentro de la poblacion (en este caso la poblacion B)
para un paciente. Se llama tambien error intratratamiento.
15 Septiembre 2011
5

Cuando hablamos de errores entre poblaciones (relacionando la poblacion A con la B con la AB
y con la P), estamos refirindonos a errores intertratamientos.

Estamos por tanto trabajando con dos tipos de errores:
- Intratratamiento error dentro de una misma poblacin.
- Intratratamiento error entre poblaciones diferentes.

Por lo tanto, nos encontramos con tres errores posibles:
Error total: cuando para cada uno de los individuos de la muestra utilizamos la
media total: SCT (suma de cuadrados total). En este error total estn incluidos los
otros dos errores.

Error intratratamiento: dentro de cada poblacin, comparar la media de un
individuo en concreto con la media del tratamiento concreto al que pertenece:
SCTr (suma de cuadrados de tratamientos).

Error intertratamiento: comparar las medias de cada tratamiento con la global:
SCE (suma de cuadrados entre tratamientos).

15 Septiembre 2011
6

Lo que tratan de medir estos errores es saber si considerando el tratamiento cometemos
menos error que si no lo consideramos.
SCT=SCE+SCTr A esto se denomina descomposicin de la varianza en dos partes (una
relacionada con la variabilidad entre distintos tratamiento y otra relacionada con la
variabilidad de un determinado paciente respecto a su tratamiento concreto) o
descomposicin de la variabilidad de la variable.
Comparando los errores o la varianza, lo que queremos saber es si los tratamientos son
efectivos o no y si son diferentes unos de otros. Diremos que los tratamientos son diferentes
entre s cuando el error intratratamiento es menor que el error intertratamiento. Esto quiere
decir que entre diferentes tratamientos hay diferencias significativas.
Dicho de otra manera, si el error intertratamiento es mayor que el error intratratamiento, el
test va a ser significativo, es decir, que podremos determinar qu tratamiento es mejor que
los dems o cual de ellos es el peor tratamiento.
Esta comparativa la hacemos con la F de Snedecor o F de Fisher-Snedecor que compara la
suma de cuadrados (varianzas) entre los grados de libertad (gl.) para darnos una razn.

MCT, MCTr, MCE Son estimaciones de la varianza, su resultado nos da el valor de la
varianza.
Cuanto ms grande sea este cociente Fc nuestro test ms significativo es.
La Fc es una razn que hay que trasladar al cuadro de F de Snedecor. Como vemos en la
frmula, tiene los grados de libertad del numerador y los grados de libertad del denominador
Su significacin debe ser menor del 0,05 para que consideremos nula la hiptesis general. Si
es menor a 0,05 significa podemos rechazar la hiptesis general y esto significa que al menos
una de las medias va a ser diferente, por lo que no se cumple la hiptesis general (que dice
que todas las medias son iguales).
Considerando
tratamientos
No considerando
tratamientos
15 Septiembre 2011
7

Por ltimo, en el anlisis de varianza siempre se renen los datos en una tabla de varianza que
nos dar la suma de cuadrados total, inter e intra, los grados de libertad y la F de Fisher

22 Septiembre 2011
1

EPIDEMIOLOGA
TEMA 3
Repaso de Bioestadstica: Tema 4 Medidas epidemiolgicas

Vamos a hacer un breve repaso de lo del ao pasado. Tenemos que recordar cuales eran las
medidas epidemiolgicas.

Recordamos que todas las distintas medidas epidemiolgicas eran razones y haba diversos
tipos de razones.

22 Septiembre 2011
2

22 Septiembre 2011
3

Algunas razones son muy importantes como las proporciones por ejemplo cuya caracterstica
fundamental es que lo que ponemos en el numerador est tambin incluido en el
denominador. Observamos que en este caso n es igual a cero, y por tanto el resultado es una
proporcin.

En los porcentajes observamos como n es igual a dos, por tanto se multiplica por 100 y el
resultado es un porcentaje.
22 Septiembre 2011
4

Tambin vimos el ao pasado otras razones especiales los ODDS. Un odds era una razn
entre la probabilidad de que ocurriera un suceso y 1 menos la probabilidad de que ocurriera
ese mismo suceso.
Incidencia

Tenemos tambin medidas de incidencia de una enfermedad.
Hay que tener en cuenta que cuando la enfermedad no es tan solo una enfermedad, sino la
misma muerte, estamos hablando de la tasa de incidencia de la muerte.
22 Septiembre 2011
5

Incidencia acumulada

La incidencia acumulada se da cuando tenemos un periodo de tiempo cerrado (desde 0 a 9
aos por ejemplo) y en este periodo vemos lo que ha pasado con toda la poblacin inicial, es
decir, vemos que se producen una serie de casos (en este caso se producen 4 casos).
La incidencia acumulado es la razn o el cociente entre casos nuevos de la enfermedad que se
han producido en un periodo determinado de tiempo (en este caso son 4), dividido entre el
nmero de personas sanas al comienzo del seguimiento (en el tiempo 0).
De la poblacin total al inicio (barra en vertical que equivale al tiempo 0), los que estn en
rojo, ya son enfermos, y por lo tanto no cuentan, porque lo que nos interesa son los casos
nuevos. Es decir, en este ejercicio tenemos 4 casos nuevos (cruces rojas a lo largo de los 9
aos), de 6 personas sanas (cruces negras) que haba al inicio del seguimiento 4/6
El resultado de la incidencia acumulada es una proporcin 0,67
Si multiplicamos el resultado x10
0
lo que obtenemos en una proporcin. Si lo multiplicamos
x10
2
lo que obtenemos en un porcentaje.
Conclusin El 67% de los pacientes sanos del seguimiento se transforman en enfermos a lo
largo de 9 aos.

La incidencia en las poblaciones se puede medir de dos maneras: como incidencia acumulada,
o como densidad de incidencia.
22 Septiembre 2011
6

Densidad de incidencia

La densidad de incidencia en una poblacin precisa del seguimiento de cada individuo desde
que entra en el estudio hasta que se produce su salida. Por salida podemos entender su
muerte o porque contrae alguna enfermedad.
En este caso hay que tener en cuenta el tiempo. De qu manera? Definicin de tasa o
densidad de incidencia.
En referencia a la grfica:
1- El primer individuo ha permanecido a riesgo los nueve aos del seguimiento pero no
ha padecido la enfermedad. As que aporta nueve aos de experiencia sin la
enfermedad.
2- El segundo aporta aproximadamente unos tres aos, ya que entro en el cuarto y sali
en el sptimo ao.
3- El tercero entr en el punto cero, y sali al de tres aos aproximadamente, bien
porque contrajo la enfermedad o bien porque muri. Aporta tres aos de experiencia.
4- Este ltimo aportara siete aos de experiencia.

Qu hacemos aqu para calcular la tasa de incidencia?
Casos nuevos que se producen de la enfermedad o de la muerte (4) dividido entre el tiempo
que han permanecido a riego todos los individuos (Nueve aos del primero + cuatro aos del
segundo + + Siete aos del ltimo).
Para calcular la tasa de incidencia
4 cuccs o]us
1cmpo totuI quc hun pcmunccdo cn cI cxpcmcnto Ios cuuto

22 Septiembre 2011
7

Conclusin 16 casos por cada 100 personas y cada ao. Solo cuentan los casos que
seguimos.

Y por qu es 10
2
? Qu valores puede tomar n en el 10
n
de la frmula? Se puede escoger el
valor que se quiera para n, pero luego hay que saber interpretarlo correctamente.
Por ejemplo, si le damos a n un valor de 6, es decir 10
6
(un milln), la interpretacin de los
resultados sera de 160.000 casos por cada milln de personas que se siguen en el
experimento, en un ao. En densidad de incidencia se puede dar el valor que se quiera a n.

Como regla podemos concluir que, cuando multiplicamos por 10
0
, es decir, que n toma un valor
de 0, estamos hablando de una proporcin, y cuando multiplicamos por 10
2
, es decir, que n
toma el valor de 2, estamos hablando de un porcentaje.

En las proporciones n=0
En los porcentajes n=2

E
22 Septiembre 2011
8

Razones de densidad de incidencia cuando estamos hablando de una poblacin en estado
estacionario. Recordamos que, una poblacin en estado estacionario se da cuando cada vez
que hay una salida tambin hay una entrada. Con otras palabras, cada vez que hay una muerte
hay un nacimiento. Por tanto, el tamao de la poblacin siempre es constante a lo largo del
tiempo. En realidad es una situacin nicamente terica ya que no hay ninguna poblacin
estacionaria, no existe ninguna poblacin que no vare.
Qu pasa en el Pas Vasco si cojo un segundo de tiempo? Lo ms seguro es que no pase nada,
en un segundo no da tiempo a que suceda nada. Por tanto, este estado estacionario depende
del tiempo que consideremos y del tamao de la poblacin. Pero no existe ninguna poblacin
que est en estado estacionario permanente.
Cuanto menor sea el tiempo que consideremos y mayor sea el tamao de la poblacin, mejor
podremos considerar una poblacin en estado estacionario, porque en poco tiempo no puede
variar, y si hay una muerte en una poblacin muy grande apenas se nota la variacin.
Cuando la poblacin est en estado estacionario, el clculo de la densidad de incidencia son los
casos nuevos divididos entre N (que es la poblacin a riesgo a mitad del periodo) por el
nmero de aos que hemos considerado (9 en este caso).
N Es la poblacin a riesgo que hay a mitad del periodo de tiempo del seguimiento. Podemos
considerar que N no vara, que se trata de una poblacin estacionaria y que la poblacin a
riesgo a lo largo del tiempo es constante. Es decir, consideramos que cada vez que se produce
una salida tambin se produce una entrada y como no vara la poblacin tomamos el valor de
N como constante.
Hay que tener en cuenta que no siempre podemos asumir que todas las poblaciones estn en
estado estacionario.
22 Septiembre 2011
9

En sta grfica ha habido cuatro casos nuevos (cruces rojas), los cuales incluimos en el
numerador. En el denominador ponemos 10 como valor de N (ya que hay 10 personas al inicio
del experimento y hemos dicho que tombamos a esta poblacin como estacionaria; Por lo
tanto no vara el nmero de individuos) multiplicado por 9 (aos del seguimiento).
Solucin: Por tanto, en esta grfica, la densidad de incidencia sera de 44 casos nuevos de la
enfermedad por cada 1000 personas (hemos multiplicado por 10
3
) y ao riesgo.

Incidencia y prevalencia

La prevalencia de una enfermedad es la probabilidad de que una persona est enferma en la
poblacin. Cogemos toda la poblacin, miramos quienes tienen la enfermedad (numerador) y
el total de individuos en la poblacin (denominador) y as calculamos la prevalencia.
Son estas las dos medidas (Incidencia y Prevalencia) de frecuencia que vamos a usar en
epidemiologa y medicina.
La prevalencia de una poblacin puede calcularse multiplicando la densidad de incidencia de
una enfermedad por la duracin media de la enfermedad:

22 Septiembre 2011
10

Duracin media de la enfermedad hay personas que una misma enfermedad
les dura 10 das y a otras personas 5 das. Sumamos todos los das y lo dividimos
entre el nmero de personas que han tenido la enfermedad, y as sacamos la duracin media.

Si nos dan en un problema los datos de prevalencia y de duracin media de la enfermedad
podemos hallar por tanto la densidad de incidencia y as hacernos una idea de con qu
frecuencia se produce la enfermedad en esa poblacin.
Hay que tener en cuenta que cambios en la prevalencia se pueden deber a cambios en la
incidencia. Es decir, si nosotros mediamos la prevalencia de una enfermedad este ao, y al ao
siguiente, y en la segunda medicin nos da un resultado mucho mayor a la primera, Qu
puede estar ocurriendo? Esto se debe bien porque aumenta la densidad de incidencia, es
decir, que haya ms casos lo cual puede indicar que haya una posible epidemia, o bien porque
la duracin de la enfermedad se ha vuelto ms larga, o bien porque los sistemas de curacin
no son tan efectivos como el ao anterior
Generalmente todas las prevalencias son bajas. Por ejemplo, las enfermedades ms comunes
en la actualidad son trastornos en depresin y ansiedad, y an as poseen una prevalencia baja
en la poblacin (20-25%).
Comparar medidas de frecuencia

Tenemos dos centros de salud, A y B.
22 Septiembre 2011
11

Vemos que se han producido 50 casos nuevos en el A y 35 en el B. Solo comparando casos, en
el A hay ms casos, pero esto no tiene en cuenta el tiempo ni poblacin que hay en cada uno
de los centros de salud.
Hay que tener todo en cuenta. El total de la poblacin que va al centro de salud A es mucho
mayor que el que va al centro de salud B. En el A el estudio ha durado dos aos, mientras que
en el B solamente ha durado un ao.
Principales variables a tener en cuenta epidemiologa
Variables de lugar: En qu lugar se producen enfermedades, dnde viven las
poblaciones.
Variables de tiempo: Durante cunto tiempo estoy midiendo la ocurrencia de las
enfermedades
Variables de persona: Sexo, edad, diferencias entre ciudades.
Por tanto, es necesario mirar el espacio- tiempo y las caractersticas personales.
Para comparar la frecuencia de la enfermedad o mortalidad entre ambos centros de salud,
podemos utilizar:
Frecuencia absoluta Solo tiene en cuenta casos nuevos (50, 35). Supone un
problema porque no estamos teniendo en cuenta el total de la poblacin.
Incidencia acumulada Tiene en cuenta toda la poblacin. Observamos que hay un
poco mas de frecuencia de enfermedad en B. Solo tiene en cuenta el total de la
poblacin y los casos nuevos, pero no el tiempo de duracin.
Tasa o densidad de incidencia Tiene en cuenta todo: los casos nuevos, el total de la
poblacin y los aos de seguimiento. Vemos que teniendo en cuenta todo, el B tiene
una incidencia mayor (y tan solo con 15 casos de diferencia observados a simple vista).
Suponemos que la poblacin est en estado estacionario, y como si fuese un conjunto, tomo
como valor de tiempo del seguimiento de toda la poblacin, dos y un ao respectivamente.

Epidemiologa Tema 3

En este tema se trata de resumir experiencia de las poblaciones. Entonces, lo primero que hay
que tener en cuenta cules son las variables de inters en epidemiologa. En epidemiologa,
como ya sabemos, nos interesan diferentes caractersticas, y nos interesa medir la experiencia
de las poblaciones segn dichas caractersticas. Las ms importantes son variables de lugar,
tiempo y persona.
Cules son las variables de lugar? Nos interesa considerar dnde reside la poblacin que voy
a estudiar. Tambin debemos considerar el hospital o centro de salud que atiende a esa
poblacin y en ocasiones, tambin debemos tener en cuenta dnde trabaja esa poblacin (til
22 Septiembre 2011
12

para poder evaluar si la contaminacin que puede producir la fbrica dnde trabajan est
incrementando el nmero de casos que observamos en los trabajadores).
Por qu nos interesa controlar el tiempo? Es interesante tener en cuenta el tiempo porque la
incidencia de las enfermedades vara de un tiempo a otro. Hay que aprender a estudiar qu es
lo que pasa con las enfermedades en un tiempo determinado, para saber cundo hay una
epidemia. Si no controlamos la incidencia de la enfermedad en el tiempo nunca podremos
saber cuando ha habido un pico, una posible epidemia y debemos hacer estudios de manera
que podamos prever esas epidemias. Por ejemplo, la gripe A, ya se prevea que iba a haber un
pico de esa enfermedad porque ya se estaba estudiando la incidencia ao a ao y en varias
poblaciones en diferentes lugares.
Son importantes las variables de persona? S, porque tambin debemos estudiar una
enfermedad teniendo en cuenta las caractersticas de cada persona. Debemos tener en
cuenta, por ejemplo, la edad, para saber en qu edades es ms frecuente que se d una
determinada epidemia y poder vacunar a las personas.

22 Septiembre 2011
13

Tiempo y demografa en epidemiologa

Qu es el tiempo? Es importante saber qu es lo que se considera como tiempo en
epidemiologa y demografa. Vamos a intentar entender la relacin entre poblacin y tiempo y
utilizar el tiempo-persona como unidad de experiencia. Vamos a clasificar las poblaciones de
inters en epidemiologa y demografa en relacin con el tiempo y a utilizar mtodos
epidemiolgicos para resumir y analizar la experiencia de ciertas poblaciones.

22 Septiembre 2011
14

22 Septiembre 2011
15

En las grficas, por tanto, vamos a tener siempre en un eje el tiempo (en aos) y en el otro eje
las poblaciones, para as ver cuando se producen los distintos sucesos en la poblacin.
Escalas de tiempo

Tiempo de seguimiento Si seguimos clnicamente a una serie de pacientes, tengo que
macar un suceso que inicia el seguimiento, por ejemplo, el diagnostico. En el mismo momento
que tenga un diagnstico de la enfermedad, ah comienza el seguimiento del paciente, el
instante 0. Le sigo en el tiempo, le hacemos varias revisiones, hasta que conseguimos la
No son iguales las
enfermedades de antes que
las de ahora. La sfilis hace
unos aos no era como ahora:
tiene distintas caractersticas,
distinta agresividad
Hay que tener en cuenta que la
incidencia de las enfermedades
cambia con la edad. Algunas son
ms frecuentes en unas edades
que en otras.
22 Septiembre 2011
16

curacin, que es lo que consideramos como salida del seguimiento. Est curado, por tanto ya
no nos interesa estudiarle. Este tiempo de seguimiento es diferente para cada paciente.
Tiempo de supervivencia y tiempo a riesgo A veces coinciden el tiempo de supervivencia y
riesgo con el tiempo de seguimiento. Otras veces no coinciden (Por ejemplo, si no se verifica el
suceso que estamos esperando, en ese individuo tendremos tiempo de seguimiento, pero no
tendremos tiempo de supervivencia o tiempo a riesgo).
Hay que saber medir los acontecimientos de la enfermedad, tanto en el tiempo cronolgico
como en el tiempo de seguimiento.

En la primera grfica observamos la entrada en el estudio de tres pacientes que se produce
escalonadamente (tiempo cronolgico). Tenemos tres pacientes y cada uno de ellos entra en
una fecha diferente. En la segunda grfica, tenemos la escala del tiempo de seguimiento. A los
mismos tres pacientes les medimos a todos a partir del instante 0, que es la entrada en el
estudio. La diferencia es que en la grfica de arriba tenemos las fechas concretas, la fecha
concreta de entrada del individuo, y la grfica est hecha a medida que se realiza el estudio. Es
el tiempo cronolgico. Pero en la grfica de abajo hay un tiempo de seguimiento, no hay
fechas concretas. Importante distinguir entre tiempo cronolgico y tiempo de seguimiento.

22 Septiembre 2011
17

Otra escala de tiempo es la edad. Estos son los mismo tres pacientes pero colocados de
acuerdo a la edad que tenan al comienzo del seguimiento.

Los diagramas de Lexis nos permiten representar tanto tiempo cronolgico como la edad.

22 Septiembre 2011
18

Aqu est representada la edad, en el eje Y, y el tiempo cronolgico en el eje X. Contamos
tambin con la experiencia del 4 individuos (A, B, C y D).

22 Septiembre 2011
19

29 Septiembre 2011
1

Repaso de clases anteriores y
continuacin de Tema 3
Repaso y aclaraciones puntuales
Como ya sabemos, la prevalencia est relacionada con la incidencia y duracin de la
enfermedad. La prevalencia se mide en una poblacin en un instante de tiempo. Tenemos el
tiempo, y en la escala de tiempo podemos medir la prevalencia en distintos instantes.

ESCALA DE TIEMPO

Medimos la prevalencia en un instante T
0
y podemos medir la prevalencia en un instante T
1
. El
instante T
1
es posterior en el tiempo, y por tanto la prevalencia en un instante T
1
se est
refiriendo a una prevalencia posterior.
Sabemos que la prevalencia es igual a la incidencia multiplicada por la duracin media de la
enfermedad.

Esta prevalencia se refiere a un prevalencia medida en una situacin
posterior y puede haber aumentado o disminuido comparada con la
prevalencia inicial en el instante T
0
.
Suponemos que la densidad de incidencia es una constante (k), por tanto, si la duracin
media de la enfermedad aumenta, la prevalencia en el instante T
1
aumenta tambin, y si la
duracin de la enfermedad disminuye (bien porque mejoran los tratamientos o por cualquier
razn), la prevalencia tambin disminuir.
La duda que se plante en clase fue: Teniendo en cuenta todo esto, la prevalencia en el
instante T
0
va a estar o no relacionada con la densidad de incidencia y la duracin de la
enfermedad? Ya que en el instante T
0
no hay duracin de la enfermedad como tal ni densidad
de incidencia, porque partimos de un instante 0. La respuesta fue, que s est relacionada
porque aunque nosotros medimos la prevalencia en ese instante 0, antes de ese instante
aunque no se nos digan datos en el enunciado, tambin ha habido duracin de la enfermedad,
etc. As que podemos decir que la prevalencia en el instante 0, en ese instante en concreto, est
T
0
T
1
29 Septiembre 2011
2

relacionada con una incidencia y duracin de la enfermedad que han tenido lugar hasta ese
instante. El T
0
de nuestro estudio, tal vez sea el T
1
de otro estudio anterior y por eso NO se
puede decir que en el instante T
0
la prevalencia no est relacionada con la incidencia y la
duracin, porque S lo est.
En resumen:

Habamos visto en clases anteriores, la densidad de incidencia para dos situaciones:
Poblaciones dinmicas en estado estacionario y otras poblaciones dinmicas que no podemos
considerar que estn en estado estacionario. Para calcular la densidad de incidencia, solo
podemos aplicar lo de poblacin a mitad del periodo multiplicado por tiempo, cuando se trata
de una poblacin en estado estacionario. Si no asumimos que est en estado estacionario no
podemos podremos calcular la densidad de incidencia, no podremos coger la poblacin a
mitad del tiempo y multiplicarla por el nmero de aos de seguimiento.
Siempre que nosotros tengamos dos poblaciones, para comparar medidas de frecuencia no
podemos hacer comparaciones basndonos exclusivamente en los casos nuevos. Hay que
tener en cuenta el tiempo y el tamao de la poblacin total.

Si comparamos nicamente los casos nuevos, parece que la incidencia es mayor en el centro
de salud A. Pero es esto correcto? Si comparamos solo que en el centro de salud A hay 50
muertos y en el centro de salud B tan solo hay 35, est claro que en el centro de salud A hay
La prevalencia en un instante depende de la incidencia y de la duracin media en
instantes anteriores a ese momento. Por lo tanto, si nos piden que midamos una
prevalencia ser una prevalencia futura.
29 Septiembre 2011
3

una mortalidad mayor. No es correcto realizar de esta manera el clculo, porque esos 50 casos
se han producido en el centro de salud A durante dos aos, mientras que los 35 casos nuevos
se han producido a lo largo de un solo ao. Por tanto, tambin es importante tener en cuenta
el tiempo, para poder comparar bien los dos centros de salud. Por otro lado, tambin hay que
tener en cuenta el tamao de la poblacin. El centro de salud A atiende una poblacin de unos
23500 habitantes, mientras que el centro de salud B tan solo atiende a unos 12200 habitantes.
Visto esto, es normal que haya ms enfermos o muertes en el centro de salud A, ya que
adems de ser un estudio de mayor duracin hay una mayor poblacin total.
Por tanto, hay que establecer una medida que tenga en cuenta todas estas cuestiones.
Para comparar la frecuencia de la enfermedad o mortalidad entre ambos centros de salud
podemos utilizar:
La frecuencia absoluta: Ya hemos visto que esta comparacin es un poco imprecisa.
No tiene en cuenta ni el tiempo ni la poblacin.
La incidencia acumulada: Esta medida incluye el nmero de casos entre el nmero de
individuos que estaban sanos al inicio del seguimiento. Esto ltimo es un poco relativo,
ya que entre la poblacin puede haber individuos que estn sanos y otros que no, pero
para hacernos una idea aproximada, imaginamos que los enfermos de la poblacin
total al inicio del seguimiento son muy pocos, y no va a afectar al resultado global
porque es una variacin insignificante en este caso. El resultado no tiene unidades, es
una razn que podemos expresar en tanto por uno, tanto por ciento,etc. En el ejemplo
obtenemos 2,13 casos por cada 1000 personas y 2,86 casos por cada 1000 personas.
Esta medida, teniendo en cuenta la poblacin, nos dice que la incidencia sera muy
similar en ambos centros de salud. No tiene en cuenta el tiempo.
La densidad de incidencia: tenemos en cuenta todo: los casos, la poblacin y el tiempo
en aos. Vemos que en los resultados que hay una mayor tasa, una mayor incidencia
de enfermedad o mortalidad en el centro B. Esto s tiene unidades personas-ao.

Tasa de incidencia = Densidad de incidencia
29 Septiembre 2011
4

Cuando hablamos de densidad de incidencia y de tasa de incidencia nos referimos a lo mismo.
Hay dos situaciones en las que podemos medir la tasa de incidencia:
Cuando conocemos los tiempos que hemos seguido a todos los individuos tasa de
incidencia verdadera.
Cuando no conocemos los tiempos asumimos que la poblacin est en estado
estacionario.
Aun as, las dos son tasas de incidencia porque tienen en cuenta tanto la poblacin como el
tiempo en el denominador.

Continuacin Tema 3
Esta parte del tema no se mencion en clase, pero est incluida para tener todas las
diapositivas en los apuntes.
Tipos de poblaciones en epidemiologa y demografa

29 Septiembre 2011
5

29 Septiembre 2011
6

Tasas (Relacionado con la prctica 4 de ordenador)
Las tasas se pueden medir en distintas poblaciones o lugares. Por ejemplo, aqu tenemos la
poblacin de Michigan y de Pensilvania.

29 Septiembre 2011
7

Vamos a calcular la tasa de incidencia para el caso de Michigan. Suponemos que la poblacin
en estado estacionario.
N de casos de cncer de vescula (Tanto nuevos como antiguos, nos interesa el
nmero total de personas con cncer) 44.520 personas
Poblacin total 10.500.000 personas
Tiempo 1 ao (sabemos que el estudio se ha realizado a lo largo de un ao, no
tenemos los tiempos de seguimiento individuales pero suponemos que la poblacin
est en estado estacionario).

Cmo calcularamos aqu una densidad de incidencia?
Tasa de incidencia = 44.520 / (10.500.000 * 1) = 42,4 casos nuevos de cncer de vescula por
cada 10.000 personas y ao de seguimiento. ESTO ES LO QUE SE DENOMINA TASA BRUTA.
Esta sera la tasa bruta para Michigan.

Y en el caso de Pensilvania?
Nmero de casos (nuevos y antiguos) 80.605 personas
Poblacin total 8.000.000 personas
Tiempo 1 ao
Tasa Bruta = 80.605 / (8.000.000 *1) = 100,8 casos de cncer de vescula por cada 10.000
personas y ao de seguimiento.

Ahora vamos a comparar las tasas de incidencia. Para ello compararamos las tasas brutas. En
este caso, hay que tener en cuenta que no se pueden comparar las tasas brutas de Michigan y
Pensilvania ya que, por ejemplo, la poblacin de Michigan mayor de 75 aos es de 1.700.000, y
eso es menor poblacin que la de Pensilvania que es 3.500.000, por lo tanto es una poblacin
ms anciana. Esto nos podra llevar a concluir que el cncer est influido por la edad.

La cantidad de personas en los distintos grupos de edades es diferente y es por eso que no
podemos comparar de una manera concisa ambas tasas brutas en este caso. Por eso, el ajuste
de tasas es importante. Vamos a buscar siempre tasas ajustadas.

Cuando hablamos de tasas ajustadas decimos que hemos quitado el efecto de una o ms
variables. En este caso concreto, el efecto que nos interesara quitar es el efecto de la edad.
Hay dos mtodos de ajuste de tasas: directo e indirecto. (Se vern en prctica de ordenador)

Entonces, hemos visto ya las tasas brutas (abarcan el total de la poblacin). Pero tambin
podemos calcular las tasas especficas. Las tasas especficas en este caso con las calculadas
por grupos de edad (solo abarcan a la poblacin entre edades determinadas).

En resumen, tasas especficas son las definidas para una variable, por ejemplo tasas por
grupos de edad, es decir tasas especficas por edad.

29 Septiembre 2011
8

Por tanto, tenemos tres tipos de tasas:

Brutas Cuando no tenemos en cuenta ninguna variable. Casos totales entre
la poblacin a mitad de periodo multiplicada por el tiempo.
Ajustadas Cuando quitamos el efecto de una o ms variables.
Especficas Pueden darse por diferentes variables: edad, gnero. Se pueden
comparar.

S se pueden comparar las tasas especficas, porque estaremos hablando por ejemplo, de
comparar tasas de personas que se encuentran en un mismo intervalo de edad, o de un mismo
sexo. No se deben comparar tasas brutas, porque se pierde la informacin de la composicin
de las variables (edad, gnero).

TASAS
ESPECFICAS
TASAS
BRUTAS
29 Septiembre 2011
9

EPIDEMIOLOGA
Tema 4

Como ya vimos en la primera clase, sabemos que hay varios tipos de estudios:
Observacionales: En este tipo de estudios no se controla el factor de riesgo. Puede que
conozcamos cual es ese factor de riesgo pero no lo controlamos.
De seguimiento en poblaciones dinmicas
Casos-control: En este tipo de estudios necesitamos saber quin tiene la
enfermedad (casos) y quin no tiene la enfermedad (controles).
Experimentales: Utilizados en ensayos clnicos. En este tipo de estudios controlas el
factor de riesgo, la dosis del tratamiento por ejemplo.

Ejemplo de estudio casos-control.
Cmo se diseaba un estudio casos-control? Como ya sabemos, se debe conocer quien tiene
y quien no la enfermedad. Es decir, conocer los casos de una enfermedad y los controles (que
pueden tener alguna enfermedad pero no exactamente la que estamos estudiando).
Estudio acerca de los hbitos de fumar entre los pacientes
hospitalizados en Londres entre 1948 y 1952 con cncer de pulmn y
otras enfermedades. Autores Doll y Hill - ao 1957.

29 Septiembre 2011
10

Por tanto, sabemos que nuestros casos van a tener cncer de pulmn y los controles, no van a
tener cncer de pulmn, pero pueden tener otras enfermedades.
Se incluyeron en el estudio 1357 varones con cncer de pulmn. (Esto es lo que nosotros
controlamos en este caso. El hecho de que hemos ido al hospital y hemos cogido 1357
individuos que sabemos que padecen cncer de pulmn). Y los hemos cogido sin mirar si
fumaban o no, simplemente sabiendo que padecen cncer de pulmn, sin mirar la exposicin
al tabaco. CASOS
Y posteriormente, hemos cogido otros 1357 varones que no padecen cncer de pulmn pero
pueden padecer otras enfermedades. CONTROLES
*1357 casos y controles cogemos el mismo nmero de casos y controles. No siempre se
puede coger lo mismo nmero (si la enfermedad es muy rara por ejemplo, ya que habr pocos
casos y mucho controles) pero coger el mismo nmero siempre que se pueda es lo ms
conveniente, ya que de esta manera vamos a tener la mxima potencia en el anlisis que
vamos a realizar.
Tras haber seleccionado los casos y controles de nuestro estudio, debemos estudiar cul es su
exposicin al tabaco.

Vemos que entre las personas con cncer, solamente 7 individuos no fuman ningn cigarro y
1350 si fuman al menos algn cigarro, y entre las personas con otras enfermedades tan solo 61
personas de 1735 no fuman tabaco y 1296 personas s fuman.

29 Septiembre 2011
11

Calculamos la razn de ODDS o la razn de razones.
Es una manera de estudiar la asociacin entre el cncer de pulmn y el tabaco (estudio del
riesgo atribuible a estos dos factores). Si no hay asociacin el tabaco no ser una posible causa
del cncer. Si encontramos asociacin podemos llegar a pensar que el tabaco es una posible
causa de cncer.
Podemos comparar el grupo de los que no fuman ningn cigarrillo con el grupo de los que
fuman algn cigarrillo. Adems, si subdividimos el grupo de fumadores en varios subgrupos
(que fumen de 1-4 cigarros, que fumen de 4-20 cigarros, etc.) podremos comparar ms
concretamente a los fumadores de cada uno de estos subgrupos con aquellos que no fuman
ningn cigarro.
Razn de Odds = (a*d) / (c*b)
Es decir (1350 * 61) / (7 * 1296) = 9.08
Cul es aqu la medida de frecuencia de la enfermedad? Cmo llegamos a esta conclusin
para calcular la razn de Odds?
Recordamos que la razn de fumadores a no fumadores dentro de los que tienen cncer de
pulmn es el Odds.
La razn de enfermemos a no enfermos se denomina Odds.
Odds de exposicin entre los que tienen cncer de pulmn CASOS
Odds de exposicin entre los que tienen cncer de pulmn y estn expuestos al tabaco
dividido entre el Odds de exposicin entre los que tienen cncer de pulmn y no estn
expuestos al tabaco es decir 1350/7 a/c
Odds de exposicin entre los que tienen otras enfermedades CONTROLES
Odds de exposicin entre los que tienen otras enfermedades y estn expuestos al tabaco
dividido entre el Odds de exposicin entre los que tienen otras enfermedades y no estn
expuestos al tabaco es decir 1296/61 b/d
Por tanto, tenemos dos razones y lo que vamos a hacer para calcular la razn de Odds es
dividir una razn entre otra:

*Esto es lo mismo que multiplicar a*d y dividirlo entre b*c.
Por lo tanto, para calcular la razn de Odds:
=

=

29 Septiembre 2011
12

Para calcular una medida de asociacin como es el Odds ratio o razn de Odds, primero
debemos calcular una medida de frecuencia, el Odds. Necesitamos dos medidas de
frecuencia en este caso para poder calcular la medida de asociacin.
Adems, como con todas las medidas podemos calcular intervalos de confianza para el Odds
ratio.
Cmo? Con la siguiente frmula:
=
_z__
1
u
+
1
b
+
1
c
+
1
d
_

[1_
z
x

E Es una constante
Recordamos que Z poda tomar varios valores en los intervalos de confianza. Por ejemplo:
Z 1,95 si queremos un intervalo al 95%
Z 1,78 si queremos un intervalo al 90%
A, b, c, y d toman los valores de la tabla que hemos creado antes.

06 Octubre 2011
1

EPIDEMIOLOGA
Tema 4 (continuacin)
Medidas de asociacin e impacto

Breve repaso de lo anterior:
Hasta ahora hemos visto cmo hacamos un anlisis de varianza para ver si exista asociacin
entre distintos factores.
En epidemiologa nos interesa estudiar si hay factores que estn asociados a algunas
enfermedades concretas. Por eso, vamos a ver cmo podemos aplicar las medidas de
frecuencia que hemos estado estudiando hasta ahora (prevalencia, densidad de incidencia
(medida que s tiene unidades: personas-tiempo) e incidencia acumulada (proporcin que no
tiene unidades)) y estudiaremos tambin las medidas de asociacin.
Tenemos que recordar que las medidas de frecuencia se pueden dar en grupo (incidencia que
abarca toda la poblacin medidas de frecuencia brutas) o para un subgrupo de la poblacin
total (incidencia que solo abarca a un determinado grupo, es decir, que se clasifica a la
poblacin por edad, sexo, etc. medidas de frecuencia especficas). Por ejemplo, si hablamos
de tasas de incidencia en personas de 50-60 aos, esto sera la tasa especfica por edad. Nos
estaramos refiriendo solamente a una parte de la poblacin, la poblacin comprendida en ese
inrvalo de edad.
Tambin debemos saber cmo se ajustan las tasas de incidencia. Tenemos tasas brutas y tasas
ajustadas (explicado en prcticas de ordenador).
Lo que vamos a hacer ahora, es, utilizando las medidas de frecuencia de la enfermedad que
hemos visto hasta ahora, vamos a ver si existe una asociacin entre diferentes factores y la
enfermedad. De esta manera podremos identificar factores de riesgo para padecer
enfermedades, factores pronstico que nos indiquen cual va a ser la vida de nuestros
pacientes (duracin, complicaciones que pueden tener).
Vamos a identificar estos factores pronstico y de riesgo simplemente comparando las
medidas de frecuencia y buscando si existe o no asociacin.
Cmo podemos comparar dos nmeros, es decir, dos medidas de frecuencia?
Con la resta
Con la razn (divisin)

06 Octubre 2011
2

Hay que tener en cuenta que todas las medidas de frecuencia son razones. Si yo comparo dos
medidas de frecuencia diferentes mediante una razn, vamos a tener razn de razones.
Qu queremos aprender en este tema?
Vamos a aprender los conceptos de medida de asociacin y de impacto. Cmo calcular el
riesgo relativo, el odds ratio y la razn de prevalencia que son medidas de asociacin. Tambin
vamos a aprender a calcular el riesgo atribuible o exceso de riesgo y la fraccin etiolgica que
son medidas de impacto.

Tabla de anlisis bsico de asociacin.
Esta va a ser la tabla de anlisis bsica. Se deben resumir los datos obtenidos de nuestros
experimentos o estudios en tablas como la siguiente:
Enfermedad
Exposicin a F E
e+ A B N
1
(A+B)
e- C D N
2
(C+D)

M
1

(A+B)
M
2
(B+D)
Total (T)

Tenemos dos poblaciones, unos que tienen la enfermedad y otros que no tienen la
enfermedad. Tambin vamos a tener un factor (F) que puede ser un factor protector o de
riesgo. Por tanto tambin vamos a tener una poblacin de individuos que estn expuestos a
ese factor y otra poblacin de individuos que no estn expuestos a ese factor, entre los cuales
habr enfermos y no enfermos.
Si estamos trabajando con medicamentos los expuestos sern los que toman el medicamento y
los no expuestos los que no toman el medicamento. Si estamos trabajando con el medio
ambiente, los expuestos sern los individuos que estn cerca de la fbrica que contamina y los
no expuestos los que estn lejos de la fbrica.
Tenemos por tanto cuatro sub-poblaciones diferentes:
Una poblacin de individuos (A) que tienen la enfermedad (E) y han estado expuestos
al factor.
Una poblacin de individuos (B) que no tienen la enfermedad y han estado expuestos
al factor.
Una poblacin de individuos (C) que tienen la enfermedad y no han estado expuestos
al factor.
Una poblacin de individuos (D) que no tienen la enfermedad y no han estado
expuestos al factor.
06 Octubre 2011
3

Medidas de asociacin e impacto.

Son medidas que cuantifican la asociacin entre diferentes variables, es decir medidas que
expresan la fuerza de la asociacin entre variables, la magnitud con la que dos fenmenos se
relacionan. Recordamos que por asociacin entendemos a la dependencia estadstica entre
dos sucesos o variables.
Pueden ser:
Diferencias absolutas: Comparar las frecuencias de enfermedad entre las distintas
poblaciones (en expuestos y no expuestos; y enfermos y no enfermos) mediante
diferencias. Esas diferencias pueden ser absolutas, cuando se trata de evaluar
actividades preventivas o de salud pblica. Si tenemos los datos de incidencia de
enfermos de cncer entre individuos expuestos al humo de una fbrica y los que no
estn expuestos, al hacer la diferencia lo que nos da es el exceso de riesgo o la
disminucin de riesgo. Las diferencias absolutas son medidas de impacto.
Diferencias relativas: Adems de la diferencia hay razones de por medio. Son medidas
de asociacin.

06 Octubre 2011
4

Las medidas de asociacin intentan establecer:
Si existe una asociacin o no entre una variable y un factor. Por tanto, vamos a tener
una variable de exposicin. Hay que tener en cuenta que la exposicin y el grado de
exposicin son dos cosas diferentes. Esta variable puede medirse en que los individuos
estn expuestos y no expuestos o profundizando ms y teniendo en cuenta el grado de
exposicin, es decir, que fumen 5 cigarros al da o que fumen 10 no es lo mismo.
La direccin de la asociacin Dependiendo del orden, es decir, segn si de da el
primero la exposicin al factor y luego la enfermedad o al revs. En otras palabras,
Qu es primero el factor de exposicin o la enfermedad? Si la enfermedad es
primero y la exposicin es despus el factor causal ser la enfermedad, y si la
exposicin es primero y la enfermedad despus el factor causal ser la exposicin. Es
importante determinar qu se produce antes.
La magnitud de la asociacin: determinar si la asociacin es fuerte o dbil. Si tenemos
una asociacin fuerte, es posible que esa asociacin sea causal criterios de
causalidad (Se vern en temas posteriores).

No debemos confundir las medidas de asociacin con las medidas de impacto.

En este caso, vemos la direccin
de la asociacin, por lo tanto
sabemos que esta variable de
exposicin es el factor causal.
06 Octubre 2011
5

RIESGO RELATIVO (RR)
Es la razn entre la incidencia de la enfermedad en el grupo de los expuestos (Ie+) y la
incidencia de la enfermedad en el en el grupo de los no expuestos (Ie-). Puede ser la razn de
las incidencias acumuladas o de las densidades de incidencia, es igual qu medida usemos.

RECORDATORIO Cmo puede calcularse la incidencia?
En este caso A/N1 es la incidencia entre los expuestos. Es una incidencia acumulada, una
proporcin. No una densidad de incidencia porque no disponemos del tiempo-persona. Nos
indica: del total de individuos que estaban expuestos, qu proporcin desarrollan la
enfermedad. Esta incidencia entre los expuestos es el numerador de la razn y lo dividimos
entre la incidencia de no expuestos. Nos fijamos que el numerador de la razn es tambin una
razn y el denominador lo mismo.
Por tanto, para calcular el riesgo relativo (RR) utilizamos incidencias:
Incidencia del grupo de expuestos (e
+
) = A/N
1
= A/(A+B) = Ie+
Incidencia del grupo de no expuestos (e
-
) = C/N
2
= C/(C+D) = Ie-
Conociendo esos datos, el riesgo relativo ser:
RR =
Ie
Ie

Puede tomar valores entre (0, infinito):
Cuando ambas incidencias acumuladas sean iguales a 0 RR= infinito.
Cuando la incidencia entre los expuestos (Ie+) sea 0 el valor del RR ser 0.
Cuando el valor del RR sea 1 ambas incidencias (expuestos y no expuestos) son
iguales. En este caso, no hay asociacin. No hay relacin entre los expuestos y la
enfermedad.
As pues, el riesgo relativo indica cuantas veces es ms frecuente, la enfermedad entre
expuestos respecto a los no expuestos. Es decir, cuntas veces ms de incidencia hay entre
expuestos y no expuestos.
06 Octubre 2011
6

Interpretacin:
RR = 1 Indica que la incidencia entre los expuestos es igual a la incidencia entre los
no expuestos. En este caso no hay asociacin. Se trata de un valor nulo.

RR > 1 Indica que la incidencia entre expuestos (e
+
) es mayor que entre no
expuestos (e
-
). Por lo tanto, el factor de exposicin es un factor de riesgo, ya que su
presencia incrementa la probabilidad de padecer la enfermedad asociacin positiva
o directa.

RR < 1 Indica que la incidencia entre no expuestos (e
-
) es mayor que entre
expuestos (e
+
). De este modo, el factor de exposicin es un factor protector, es decir,
si se est expuesto se tiene menor probabilidad de padecer la enfermedad
asociacin negativa o inversa (Por ejemplo, las personas tratadas con hipertensivos
(factor protector) tienen menos infartos que las personas que no estn tratadas).

06 Octubre 2011
7

Ejemplo:
Sabiendo que la incidencia acumulada de mortalidad de las personas fumadoras que han
padecido un infarto de miocardio y han seguido fumando es de 036 y la de las personas que lo
dejaron tras el infarto es de 017, Qu tipo de factor es el tabaco en relacin al infarto de
miocardio?

RR = 0,36/0,17 = 208
Por lo tanto, como el riesgo relativo es mayor que 1, el tabaco ser un factor de riesgo.

Intervalos de confianza:
Podemos hacer un intervalo de confianza para el RR:
Si los lmites del intervalo de confianza contienen al valor nulo (valor 1), esto indica
que no hay diferencia significativa por lo que no podemos rechazar la hiptesis nula
(H
0
Ie
+
= Ie
-
), es decir, no podemos rechazar que la incidencia de la enfermedad sea
igual entre las personas expuestas a un determinado factor y las que no han estado
expuestas. Puede ser la misma o puede que no.

Tenemos el valor 1,8. Calculamos el intervalo de confianza al 95% (el ms comn) y nos
sale que los lmites superior e inferior son 2,9 y 0,6 respectivamente. Por tanto, el valor
nulo, el 1, est incluido en este intervalo. Por eso podemos decir que no podemos
rechazar la hiptesis nula.
06 Octubre 2011
8

Dicho con otras palabras La hiptesis nula nos dice que el riesgo relativo es igual a 1
(ya que suponemos las incidencias entre expuestos y no expuestos son iguales, al dividir
una entre la otra sale 1), y cuando el RR es igual a 1 decimos que no hay asociacin
entre el factor y la enfermedad. Es esta teora la que no podemos rechazar cuando
el valor 1 est contenido en el intervalo. No la podemos rechazar porque cabe la
posibilidad de que no exista asociacin entre el factor y la enfermedad.

Si los lmites del intervalo de confianza no contienen el valor nulo (valor 1), esto
indica que hay una diferencia significativa y podemos rechazar H
0
(afirmamos H
1
), por
lo que:
La incidencia entre los expuestos es mayor Ie
+
> Ie
-
, si el factor analizado es un
factor de riesgo.
La incidencia entre los no expuestos es mayor Ie
-
> Ie
+
, si se trata de un factor
protector.

Otras denominaciones de Riesgo Relativo:

*Recordad* No importa utilizar incidencia acumulada o densidad de incidencia. Las dos son
incidencias y eso es lo importante.
06 Octubre 2011
9

Los estudios de seguimiento (longitudinales, cohortes) se analizan con esta medida de
asociacin, el Riesgo Relativo.
Riesgo relativo a partir de incidencias acumuladas

A partir de incidencias acumuladas podemos calcular intervalos de confianza (IC) para
la estimacin del riesgo. Con las frmulas de esta diapositiva podemos calcular el IC y
los lmites superior e inferior del RR.

A tener en cuenta:
- Al calcular el RR siempre debemos expresar si dicho riesgo es diferente de 1.
- Hay que tener en cuenta que si al construir un intervalo de confianza al 95%
(percentil 97,5), no incluye el valor 1, el riesgo es estadsticamente significativo
(p<0.05) y podemos rechazar la hiptesis nula. Si lo incluye no ser
estadsticamente significativo y no podremos rechazar la hiptesis nula. Por otra
parte si realizamos un intervalo de confianza al 99% y no incluye el valor 1, el
riesgo relativo es estadsticamente significativo y podremos rechazar la hiptesis
nula (p<0.01).

A, b, c y d
representan los
valores numricos de
la tabla de
contingencia de 2 x 2
del ejercicio

06 Octubre 2011
10

Ejemplos a partir de incidencias acumuladas:

Interpretacin de la tabla En este caso tenemos un estudio que se ha hecho a personas
fumadoras y no fumadoras tras padecer un infarto de miocardio. Algunos han seguido
fumando tras el infarto y han muerto (27) mientras que otros han seguido fumando y siguen
vivos (48). Por otro lado, los que han dejado de fumar y han muerto tras el infarto de
miocardio son 14 mientras que los que siguen vivos tras el infarto y han dejado de fumar son
67 individuos.
La estimacin del riesgo relativo es 2,08, por tanto podemos determinar que el tabaco es un
factor de riesgo (es el mismo ejemplo de antes).
Sabiendo el RR podramos pasar en este punto a determinar los intervalos de confianza.

Aqu tenemos otro ejemplo, esta vez un estudio realizado a sanitarios vacunados y no
vacunados. Calculamos el riesgo relativo de la misma manera que en el ejercicio anterior y
vemos que nos da un valor 0,16. Este valor es menor a 1, por lo tanto podemos determinar
que vacunarse es un factor protector.

06 Octubre 2011
11

Riesgo relativo a partir de densidad de incidencias

Ejemplos a partir de densidades de incidencia:

En este caso
nos dan el
tiempo que
cada persona
ha estado
expuesta al
factor para
poder calcular
la DI.
Esta frmula es
la nica que
cambia con
respecto a
cuando
calculamos con
incidencias
acumuladas.
06 Octubre 2011
12

Se considera que los que tienen ms de 180 estn expuestos a un colesterol elevado. Hay que
tener en cuenta que 26 han aportado experiencia a este experimento desde que tienen el
colesterol alto y entran en el estudio hasta que mueren. Pero habr otros, que teniendo el
colesterol alto, no han muerto, y por tanto no estn entre esos 26. Lo que hacen entonces es
simplemente aportar experiencia al estudio desde que entran en l, hasta que se acaba el
estudio, ya que no mueren.
El riesgo relativo es de 3,46 por tanto determinamos que el colesterol elevado es un factor de
riesgo para sufrir una muerte coronaria.

En este otro ejemplo el riesgo relativo es de 1,43 por tanto determinamos que el factor de
exposicin (DES) es un factor de riesgo para sufrir cncer de mama.

ODDS RATIO
Es una medida de asociacin que se obtiene dividiendo el odds de la enfermedad en
expuestos entre el odds de enfermedad entre los no expuestos.

Indica cuanto es ms probable que las personas expuestas desarrollen la enfermedad respecto
a las no expuestas, es decir, es otra forma de estimar el riesgo relativo y su interpretacin es la
misma.
06 Octubre 2011
13

Si nos dicen que el Odds Ratio (OR) es de 3, la manera de interpretarlo es la misma que para el
RR, por tanto diremos que estamos ante un factor de riesgo ya que es mayor a 1. Si tuviese un
valor de 0,7 sera un factor protector ya que es menor a 1.
El Odds Ratio es por tanto el cociente entre dos razones Es una razn de razones.

Cuando el suceso o la enfermedad son frecuentes se recomienda usar el riesgo relativo. Sin
embargo, si la enfermedad es rara o poco frecuente, los valores de el OR y del RR se
prcticamente iguales.
Mientras que el OR se puede calcular siempre (se usa en estudios casos controles pero
tambin en estudios de seguimiento) y de la misma manera; el RR no se puede utilizar en los
diseos casos-control.
Ahora vamos a ver cmo se calcula el Odds Ratio:
Podemos calcularlo tanto para estudios de cohortes o casos control.

*Recordatorio de conceptos de la primera clase*
Estudios de cohortes: es un estudio epidemiolgico, observacional, analtico,
longitudinal prospectivo o retrospectivo, en el que se hace una comparacin de la
frecuencia de enfermedad entre dos poblaciones, una de las cuales est expuesta a un
determinado factor de exposicin o factor de riesgo al que no est expuesta la otra.
Estudios casos-control: es un estudio epidemiolgico, observacional, analtico, en el
que los sujetos son seleccionados en funcin de que tengan (casos) o no tengan
(control) una determinada enfermedad. En los diseos caso-control no se puede
calcular el riesgo relativo, pero s el odds ratio.

Importante tener en cuenta que
aunque es propia de los estudios
de casos controles tambin
puede utilizarse en estudios de
cohortes y prevalencia.
06 Octubre 2011
14

En el estudio de cohortes tenemos unos individuos que estn expuestos, en este caso se
refiere a que tienen hipertensin arterial y otro grupo de individuos que no estn expuestos,
es decir que no tienen hipertensin arterial.
Se han cogido en el estudio 1000 individuos con hipertensin arterial y otros 10000 que no
tienen hipertensin arterial y se han seguido en el tiempo para ver si desarrollan la
enfermedad (en este caso infarto de miocardio).
Para calcular el Odds ratio, tenemos que buscar en primer lugar el Odds de enfermos a no
enfermos (numerador), es decir, dividimos el nmero de personas enfermas entre los que nos
estn enfermos, todos ellos pertenecientes al grupo de los expuestos. Dicho con otras
palabras, todos los del numerador son los expuestos (que tienen hipertensin arterial) y lo que
hacemos es dividir los que han sufrido un infarto de miocardio entre los que no han tenido tal
infarto. El denominador del Odds ratio sigue el mismo procedimiento del numerador, solo que
en este caso se utilizan los datos de los no expuestos (los que no tienen hipertensin arterial).
Al hacer la razn de Odds vemos que el resultado es 6,09 por tanto la hipertensin es un factor
de riesgo para padecer un infarto de miocardio. Este es el Odds de enfermedad.

En los estudio de casos-control no sabemos quin tiene la exposicin y quin no cuando
elegimos a los pacientes. En este caso conocemos los casos de la enfermedad y los controles
que son aquellos que no padecen la enfermedad. Hay casos y no-casos (controles). En este
ejemplo tenemos 210 casos (180 + 30) de infarto de miocardio y 19790 controles (9820 +
9970).
Para calcularlo vamos a hacer el Odds de expuestos a no expuestos (en vez de enfermos a no
enfermos como hacamos en el ejemplo anterior) dentro del grupo de los casos en el
numerador, y el Odds de expuestos a no expuestos todos ellos pertenecientes al grupo de los
controles en el denominador.
Vemos que el Odds ratio es de 6,09, nos sale el mismo Odds rato en ambos casos aunque
hayamos hecho clculos distintos. Este es el Odds de exposicin.
06 Octubre 2011
15

Tambin se pueden calcular intervalos de confianza para el OR:

En la prxima clase acabaremos de ver las medidas de asociacin, que an nos falta por
explicar la razn de prevalencias y veremos las medidas de impacto. Dos de las medidas de
impacto ms importantes son las siguientes:
- A la diferencia de incidencias (incidencia de expuestos menos la incidencia entre
no expuestos) se le denomina exceso de riesgo o riesgo atribuible y es una
medida de impacto.
- A la incidencia de los expuestos menos la de los no expuestos, todo ello dividido
entre la incidencia de los expuestos se le llama proporcin de riesgo atribuible o
fraccin etiolgica en los expuestos. Esta tambin es una medida de impacto.

17 Octubre 2011
1

EPIDEMIOLOGA
Tema 4(continuacin)

17 Octubre 2011
2

Hasta esta clase lo que ya hemos visto son las medidas de asociacin, cuando se trata de
valorar las asociaciones causales lo que hacemos son diferencias relativas o razones. Las
medidas de asociacin que ya hemos visto son el riesgo relativo y el Odds ratio. Nos queda por
explicar an la razn de prevalencias dentro de las medidas de asociacin y las medidas de
impacto.
Medidas de asociacin (RR, OR y RP)

17 Octubre 2011
3

Recordatorio:
Riesgo relativo Se define como la razn entre la incidencia de enfermedad en el grupo de
expuestos y la Incidencia de enfermedad en el grupo de no expuestos.

Vemos que es una tabla de anlisis bsico de la asociacin en la que podemos ver la relacin
entre la incidencia entre expuestos y no expuestos.

Para interpretar el riesgo relativo:

Si el RR adopta el valor de 1, que es el valor nulo, significa que la incidencia entre los
expuestos y los no expuestos es la misma.
17 Octubre 2011
4

Si el valor de RR es mayor de 1, se trata de un factor de riesgo, dado que la incidencia de la
enfermedad es mayor entre los expuestos al mismo ASOCIACIN POSITIVA O DIRECTA

Si el valor de RR es menor de 1, estaremos ante un factor protector, puesto que la incidencia
es menor entre los expuestos y mayor entre los no expuestos ASOCIACIN NEGATIVA O
INVERSA

17 Octubre 2011
5

Para el clculo de intervalos de confianza:

Cuando tenemos un riesgo relativo de 1,8 por ejemplo, el factor sera un factor de riesgo y
estableceramos un intervalo de confianza al 95% (el ms comn) calculando los lmites inferior
y superior que seran 0,6 y 2,9 respectivamente. En este caso como este intervalo contiene al
valor nulo (=1), no podemos descartar la hiptesis nula que indicara que la incidencia de la
enfermedad es la misma en el grupo de expuestos y no expuestos al factor. Si pudisemos
rechazar la hiptesis nula determinaramos no existe asociacin entre la exposicin al factor y
el desarrollo de la enfermedad, pero como no es as, puede que haya asociacin.

En este caso, teniendo en cuenta que el riesgo relativo es de 1,6, al realizar un intervalo de
confianza al 95% tendramos como lmite inferir 1,1 y como lmite superior 3,2, por lo tanto el
valor nulo (1) no est contenido en el intervalo de confianza. Como el intervalo no contiene el
valor nulo, por lo que podemos rechazar la hiptesis nula, es decir, existe asociacin entre la
exposicin al factor y el desarrollo de la enfermedad.
17 Octubre 2011
6

Podemos utilizar tablas de contingencia, que sirven para resumir los resultados de los distintos
estudios, a partir de incidencias acumuladas y densidad de incidencia.

RR partir de incidencias acumuladas:

17 Octubre 2011
7

Ejemplos:

RR a partir de densidades de incidencia (la situacin sera la misma con la diferencia
de que nos dan los tiempo-persona)

17 Octubre 2011
8

Ejemplos:

Odds Ratio o razn de Odds Se define como la medida de asociacin que se obtiene
dividiendo la odds enfermos/no enfermos de los expuestos por la odds de enfermos/no
enfermos en los no expuestos.

17 Octubre 2011
9

El Odds ratio:
Se puede calcular en cualquier tabla de contingencia.
Es la medida de asociacin propia de los estudios de casos y controles.
Tambin se puede calcular en estudios de cohortes (de seguimiento), pero no es muy
habitual hacerlo, ya que en estos se calcula el RR.

Recordatorio

Qu era un ODDS? Se denomina ODDS a la razn de la probabilidad de que un suceso ocurra
partido de la probabilidad de que no ocurra.

Se puede calcular el Odds ratio tanto en un estudio de casos controles como de seguimiento, y
aqu tenemos un ejemplo:

De seguimiento
Casos-control
17 Octubre 2011
10

En uno de los estudios tenemos expuestos y no expuestos, mientras que en el otro estudio
tenemos casos y controles. Tal y como se muestra en la imagen anterior, ambos resultados, OR
de enfermedad y OR exposicin son iguales, es decir, la razn de Odds es equivalente, por lo
que ambas formas de clculo para ambos estudios son validas. Tambin se puede calcular por
medio de la razn del producto cruzado.

Para el clculo de intervalos de confianza:
Primero se calcula la estimacin puntual, y despus, en base a este, calculamos los lmites
inferior y superior del intervalo de confianza (siguiendo las frmulas de las diapositivas).

OR
OR
17 Octubre 2011
11

Interpretacin del Odds ratio:

17 Octubre 2011
12

El OR es buen estimador del RR, es decir, que ambos clculos son equivalentes. Por lo tanto,
aplicaremos las mismas deducciones que aplicbamos al riesgo relativo para interpretar el
Odds ratio:

Si el OR=1, decimos que se trata de un valor nulo y que no hay asociacin entre el
factor y la enfermedad.
Si el OR>1, decimos que se trata de un factor de riesgo y por tanto existe asociacin.
Si el OR<1, decimos que se trata de un factor protector y por tanto existe asociacin.

Hasta aqu lo visto en clases anteriores. Ahora vamos a explicar una nueva medida de
asociacin que es la razn de prevalencias.

17 Octubre 2011
13

RAZN DE PREVALENCIAS (nueva medida de asociacin)
Se puede utilizar como medida de asociacin en estudios transversales. (Si recordamos son
aquellos en los que muestreamos toda la poblacin, en un momento determinado, sin tener
en cuenta de antemano quin ha estado expuesto y quin no). Tambin pueden llamarse
estudios de prevalencia.

Indica cuantas veces es ms probable que los individuos expuestos presenten la enfermedad
respecto a los no expuestos. Por qu? Porque una vez que ya hemos hecho la muestra,
preguntamos a los individuos para saber quin tiene la enfermedad y quin no la tiene, y quin
ha estado expuesto y quin no. Se pregunta una vez hecha la muestra.
Indica asociacin pero no necesariamente causalidad. Los estudios transversales tienen la
ventaja de ser fciles y rpidos de hacer, y sirven para sacar hiptesis para el futuro. Sin
embargo, como desventaja, no podemos saber que se ha producido antes, si la exposicin al
factor de riesgo del individuo o la aparicin de la enfermedad, por lo que no podemos
garantizar que el factor sea la causa de la enfermedad. Solo podremos afirmar que el factor
de riesgo se ha producido antes que la enfermedad mediante un estudio de seguimiento.

Para calcular la razn de prevalencias:
La razn entre la prevalencia de la enfermedad en el grupo de expuestos entre la razn de la
prevalencia de la enfermedad en el grupo de los no expuestos.

Tal y como hemos hecho con el resto de medidas, en este caso tambin podremos calcular
intervalos de confianza y la varianza del logaritmo de la RP siguiendo las frmulas de la
diapositiva.
17 Octubre 2011
14

La interpretacin de la razn de prevalencias sigue siendo igual que las anteriores
interpretaciones:

No hay asociacin RP=1 Valor nulo
Asociacin negativa RP<1 Factor Protector
Asociacin positiva RP>1 Factor de Riesgo

Importante para
tener en cuenta.
17 Octubre 2011
15

Las medidas de impacto informan de la cantidad de enfermedad que es atribuible a la
exposicin. En cambio, el RR y la OR dan una idea relativa de la fuerza y sentido de la
asociacin entre la exposicin y la enfermedad. Estas ltimas son medidas de asociacin
mientras que el riesgo atribuible, fraccin etiolgica y NNT son medidas de impacto.
RIESGO ATRIBUIBLE EN LOS EXPUESTOS

Se define como la diferencia entre las tasas de incidencia (riesgo absoluto) en el grupo de
expuestos entre el grupo de no expuestos. Es el riesgo de tener el efecto en los sujetos
expuestos que se debe a la exposicin.

Mide, en escala absoluta, en qu cantidad es mayor la frecuencia de enfermedad en el grupo
de expuestos comparado con el grupo de no expuestos, o dicho de otra manera, el riesgo de
desarrollar la enfermedad que se le atribuye a la exposicin al factor.

Tras calcular la incidencia (tasa de incidencia o incidencia acumulada, no importa cual de las
dos utilicemos) en los grupos de expuestos y no expuestos, calculamos la diferencia
restndolos esto es el riesgo atribuible en los expuestos.

17 Octubre 2011
16

Incidencia entre
los que tienen un
colesterol mayor
a 180
Clculo del riesgo atribuible a expuestos a partir de incidencias acumuladas:

Vemos que entre los que fuman, tras el seguimiento, 27 siguen vivos y 48 mueren. Por tanto,
la incidencia acumulada de muerte entre los que siguen fumando en este caso sera 27 entre
75(27+48). Por otro lado, la incidencia acumulada de muerte entre los que no siguen fumando
sera 14 entre 81(14+67). Ya tenemos las dos incidencias. Si hacemos la diferencia, la resta de
ambas incidencias obtendremos el riesgo atribuible o exceso de riesgo 0,19.

Clculo del riesgo atribuible a expuestos a partir de la densidad de incidencia:

Ejemplo a partir de densidad de incidencia:

Incidencia entre
los que tienen
un colesterol
menor a 180
17 Octubre 2011
17

Se calcula igual que el ejemplo anterior de incidencias acumuladas, pero hallando las
densidades de incidencia, que para eso nos dan el tiempo persona.
El riesgo atribuible no se utiliza mucho porque la interpretacin depende de cada uno de los
estudios.
FRACCIN ETIOLOGICA EN LOS EXPUESTOS (FEe)

La interpretacion de esta medida es un poco diferente si estamos ante un factor de riesgo o
ante un factor protector.
- Si estamos ante un factor de riesgo indica la proporcion de enfermedad en los
expuestos que se podra prevenir eliminando la exposicion. (Porcentaje de casos que
eviaramos si evitasemos la exposicin al factor de riesgo).
- Si por el contrario estamos ante un factor protector, indica la proporcin de
enfermedad en los no expuestos que se podra prevenir gracias a la exposicion
(Porcentaje de casos que evitaramos si expusiramos a la poblacion al factor
protector) Administracion del tratamiento o programa preventivo.

Clculo de FEe a partir de incidencias acumuladas:

17 Octubre 2011
18

Vemos que se trata del mismo ejemplo de antes. Ahora lo que vamos a calcular es la fraccion
etiolgica utilizando las incidencias acumuladas que ya hemos explicado cmo calcularlas
antes. Si no multiplicamos por 100 el resultado sera la proporcin de casos que evitaramos, y
si a la proporcin le multiplicamos por 100 tenemos el porcentaje de riesgo atribuible. Por
tanto el clculo de la fraccin etiolgica nos da como resultado el porcentaje de riesgo
atribuible.

Lo que estamos haciendo para calcular esta fraccin, es dividir el exceso de riesgo (riesgo
atribuible) entre la incidencia de los expuestos.

Porqu dividimos entre los expuestos?Estamos viendo qu parte de la enfermedad es debida
a la exposicin, porque aunque la enfermedad tambien se produce entre los no expuestos, lo
que a nosotros nos interesa son los expuestos. Por eso, al dividir entre los expuestos
calculamos la cantidad de enfermedad que se debe a la exposicion al factor, es decir, qu
porcentaje de la enfermedad se debe al factor.

En este ejemplo Tenemos un factor de riesgo, puesto que la incidencia entre los expuestos
es mayor a la de los no expuestos.La interpretacion en este ejemplo sera que el 52,77% de los
casos de muerte coronaria podran ser evitados si evitasemos el factor de riesgo, que en este
caso es el hecho de que los pacientes continuen fumando tras un infarto de miocardio.

La situacin es completamente diferente si nos encontramos ante un estudio de cohortes o
seguimiento, o si estamos ante un estudio de casos y controles.
Aqu se ven las distintas maneras de calcular la fraccin etiolgica para los distintos tipos de
estudios.

El riesgo atribuible a la poblacin no lo vamos a ver a pesar de que se encuentra incluido entre
las diapositivas. Os dejo aqu las diapositivas que Carlos incluy en la presentacion a pesar de
que en clase no las explic, por si queris echarlas un vistazo.
En este caso se hace 1
menos el RR porque al
ser un factor
protector de entiende
que va a ser menor a 1
17 Octubre 2011
19

17 Octubre 2011
20

17 Octubre 2011
21

Resumen de medidas de impacto

RESUMEN medidas de asociacin e impacto

1-MEDIDAS DE ASOCIACIN
Riesgo relativo (RR) Incidencia de enfermedad expuestos / Incidencia de enfermedad no
expuestos. Se puede calcular en estudios de cohortes, bien con datos de incidencia acumulada
o con densidades de incidencia.
Odds ratio (OR):
- odds enfermos entre los expuestos / odds enfermos entre los no expuestos en
estudios de cohortes
- odds expuestos-no expuestos entre los enfermos / odds expuestos-no expuestos entre
los no enfermos en estudios de casos control

Razn de prevalencias (RP) Prevalencia enfermos expuestos / Prevalencia enfermos no
expuestos. Se utiliza en estudios de prevalencia o de diseo transversal.
17 Octubre 2011
22

La interpretacin es siempre la misma:

La asociacin directa corresponde a un factor de riesgo y la asociacin inversa a un factor
protector, y adems tenemos un valor nulo que correspone al valor 1.
2- MEDIDAS DE IMPACTO

17 Octubre 2011
23

NNT (Nmero de personas que es necesario tratar para evitar un caso)

El NNT se calcula dividiendo 1 entre el exceso de riesgo ( que es la incidencia entre los nos
expuestos menos la incidencia entre los expuestos). Es muy utilizado en los ensayos clnicos,
donde el tratamiento es una medida preventiva, es decir, un factor protector.
20 Octubre 2011
1

EPIDEMIOLOGA
Tema 5
En este tema vamos a hablar de la causalidad en Medicina. Es decir, siempre vamos a intentar
averiguar cul es la causa de que se produzca una determinada enfermedad. En este tema, por
tanto, vamos a ver lo qu es la causalidad en medicina, los tipos de causas, qu son factores
de riesgo y qu son factores de confusin.
Introduccin
Imaginamos que un beb recin nacido mueve el interruptor y se enciende la luz. Entonces el
beb formula una hiptesis causal: siempre que voy a dar al interruptor de va a encender la
luz. La causa de que se encienda la luz es que da al interruptor. A continuacin el beb, para
asegurarse, volver a repetir el experimento para contrastar la hiptesis. Lo que har es
encender y apagar la luz muchas veces simplemente para comprobar que siempre que mueva
en interruptor de va a encender la luz. Esto es lo que se llama experimento para contrastar la
hiptesis. Pero de pronto, le da al interruptor y no se enciende la luz Qu ha pasado
hablando en trminos estadsticos? Que ha habido un fallo en la teora. Los fallos en la teora
son muy interesantes porque implican que nos tenemos que replantear todo. El beb se
pregunta cul es la verdadera razn de que casi siempre se encienda la luz.
En resumen si repetimos el experimento muchas veces y funciona (la luz se enciende)
podremos formular una teora cientfica (siempre que doy al interruptor la luz se enciende,
por tanto la causa de que se encienda la luz es que doy al interruptor). Pero cuando llega un
momento en el que la luz no se enciende hay que buscar por qu ocurre eso y cul es la
verdadera causa de que se encienda la luz (que haya suministro elctrico, etc.).

20 Octubre 2011
2

La epidemiologa es, por tanto, una ciencia inductiva: observamos un fenmeno y buscamos
una justificacin de ese fenmeno (Por qu se ha producido?). Y lo hacemos formulando
hiptesis (test de hiptesis) y mediante la experimentacin y posterior contraste de dichas
hiptesis. Si la experimentacin confirma las hiptesis que hemos realizado, no las
cambiaremos, pero en el momento en el que la experimentacin rechace las hiptesis que
hemos realizado, entonces deberemos cambiar dichas hiptesis.
Ejemplos de hiptesis causales:
Percival Pott (1775), mdico de los deshollinadores de Londres, relaciona el cncer de
piel en el escroto con el trabajo como deshollinador. Hay que tener en cuenta que en
esa poca las condiciones de higiene eran muy malas y se usaban nios para limpiar las
chimeneas de carbn ya que stos eran pequeitos. Hizo en primer lugar una hiptesis
causal, y relacion el holln con el desarrollo de cncer. Posteriormente, realiz el
experimento con nios deshollinadores: a un grupo de ellos los limpiaba tras terminar
el trabajo, y a otro grupo no lo limpi. En el primer grupo no se desarroll el cncer,
mientras que en el segundo s.
Creech (1974) era mdico de trabajadores de PVC. Relacion el cloruro de vinilo
(monmero componente del PVC) con un cncer muy raro (angiosarcoma de hgado).
Este cncer nicamente se produce en el hgado y en trabajadores con PVC, por tanto
se encontr con un suceso muy especfico en una poblacin muy concreta.
Qu es una causa?

Podemos definir una causa como un suceso seguido de otro donde si
el primero no hubiese existido, el segundo nunca hubiera ocurrido
(David Hume)

Hume defini 3 propiedades de una causa:
Asociacin (causa y efecto ocurren juntas) La causa tiene que estar asociada con el
efecto. As que toda causa de la enfermedad, lo primero que debe ocurrir es que est
asociada con el efecto, con la enfermedad. Por eso hemos estado estudiando hasta
ahora medidas de asociacin (OR, RR), para poder contrastar si hay asociacin entre
los factores que estudiamos y las enfermedades. Este es tan solo el primer paso para
determinar una causa.
Orden temporal (la causa precede al efecto) La causa de la enfermedad tiene que
preceder al efecto.
Conexin o direccin (unin predecible entre causa y efecto) Que la causa siempre
produzca el mismo efecto, la misma enfermedad.

20 Octubre 2011
3

Qu es la causa de una enfermedad?
Definicin: Todo acontecimiento, condicin, caracterstica o factor que juega un papel
en el desarrollo de la enfermedad.
Inters: En epidemiologa nos interesa descubrir aquellas causas que pueden ser
evitadas o prevenidas, de manera que no se contraiga la enfermedad. Por tanto
podemos decir que en epidemiologa no nos interesan todas las causas, nos interesan
aquellos factores o causas que nosotros podemos prevenir o evitar para disminuir la
incidencia de las enfermedades.
Teoras Causales de Enfermedad.
Teora Unicausal Una causa conduce a la enfermedad. Se utiliz principalmente
para enfermedades transmisibles. Se pensaba que cada virus produca una
enfermedad diferente. Esta teora estuvo vigente durante mucho tiempo.
Teora Multicausal Esta es la teora vigente en la actualidad. Ahora se piensa que
para que se d una enfermedad, incluidas las enfermedades transmisibles existe una
constelacin de causas. Estas causas interaccionan entre s, para producir la
enfermedad. Se cree que es la combinacin de todos las causas, la que crea la causa
desencadenante o suficiente (que es la que desencadena la enfermedad).

The cause of any effect consists of a constellation of components that
act in concert (J.S. Mill)

Tipos de Causas
Causa Necesaria Aquella sin la cual no se desencadena la enfermedad Virus
Ejemplo: Detectamos que una persona tiene el virus de la gripe A. Va a desarrollar la
enfermedad? El virus de la gripe es causa necesaria para padecerla, pero puede no ser
suficiente, si las defensas del organismo estn en buen estado (vacunacin previa por
ejemplo). Tiene por tanto lo que se denomina la causa necesaria, aquella sin la cual no se
desencadena una enfermedad, pero puede que no se desencadene la enfermedad porque
tambin depende de ms factores. Tambin hay que tener en cuenta que no es lo mismo
padecer la gripe A aqu, donde tenemos el hospital al lado con vacunas preparadas, etc.
que padecer esa misma gripe en el tercer mundo. El ambiente donde se est dando esa
interaccin entre el virus y la anatoma del cuerpo humano es diferente. Por eso, decimos
que hay, adems de la causa necesaria, otra serie de causas a favor o en contra de que se
produzca una determinada enfermedad.

Causa Suficiente Aquella que provoca o desencadena la enfermedad de manera
inevitable Virus + defensas bajas
Ejemplo: Si el individuo del ejemplo anterior tiene el virus y adems una inmunodeficiencia
la enfermedad se desencadenara inevitablemente. Como vemos la causa suficiente es un
conjunto de factores: debe haber una causa necesaria junto con otra serie de factores que
provoquen que se desencadene la enfermedad.
20 Octubre 2011
4

Otro ejemplo: Fumar no es causa suficiente de cncer de pulmn. Depende de otras
causas predisponentes etc. Sin embargo un gran fumador tiene ms probabilidades de
desarrollar un cncer de pulmn a lo largo de su vida.

Modelo causal de Rothman

Rothman dice que cada una de las enfermedades puede tener distintos conjuntos de factores
que juntos son la causa suficicente para que se desarrolle una enfermedad.
En esta enfermedad del dibujo, Cul sera la causa necesaria? Vemos que la causa necesaria
sera la A, ya que se encuentra en los tres casos y sin ella no podra desencadenarse la
enfermedad. Este factor A, necesita asociarse con los dems factores para poder ser causa
suficiente y as desarrollar la enfermedad. Por lo tanto, el modelo causal de Rothman:
Es un modelo causal Multi-factorial
Cada crculo es un mecanismo causal (causa suficiente) para la misma enfermedad.
Una misma enfermedad tiene varios mecanismos causales (conjunto de factores
causales) que es causa suficiente para desencadenar la enfermedad.
Un mecanismo causal requiere la accin conjunta de varios factores (A, B...). Nunca
vamos a encontrar un mecanismo causal que es formado por un solo factor. Siempre
hay varios factores en juego.
Cada letra representa un factor causal que forma parte del mecanismo causal.
El factor causal A es una causa necesaria en el ejemplo representado, ya que est
presente en todos los mecanismos causales de la enfermedad.
Implicaciones del modelo de Rothman
La fuerza de un factor causal para producir la enfermedad, depende de la prevalencia o
frecuencia en la poblacin del resto de los factores que componen el mecanismo causal. Es
decir, si los factores a los que est asociado el factor causal (causa necesaria) son poco
frecuentes, la enfermedad ser poco frecuente. El factor casual depende por tanto de la
frecuencia que tengan el resto de factores en la poblacin que estemos estudiando.
Un factor puede parecer que tiene un fuerte efecto para producir la enfermedad si el
resto de los factores causales son muy frecuentes o prevalentes en la poblacin.
Aunque el factor A sea poco frecuente en la poblacin, si los dems factores son muy
frecuentes, casi siempre que exista el factor A va a desarrollarse la enfermedad.
20 Octubre 2011
5

Un factor puede parecer que tiene un efecto muy pequeo si el resto de los factores es
poco frecuente en la poblacin.
Ningn factor causal acta slo Cada caso de la enfermedad es el resultado de mltiples
factores causales, que actan de manera conjunta en el mecanismo causal.
Por lo tanto:
Cada caso de la enfermedad puede ser atribuido a cada uno de los factores causales
que forman el mecanismo causal.
Es decir, que si nosotros lo que queremos decir es, estudiamos el factor A con la enfermedad E y
luego estudiamos el factor B con la enfermedad E y luego estudiamos el factor C con la
enfermedad E,etc. Diramos, el riesgo atribuible del A es del 25%. Esto quiere decir que el 25%
de los casos de la enfermedad se evitaran si evitasemos la exposicion al factor A junto a los
factores B,C,D y E.
La suma de las fracciones de casos de una enfermedad atribuibles a cada uno de sus
factores causales no es igual al 100% y, adems, no tiene lmite superior.
Pero si calculamos la fraccion etiologica (sumar el factor B del primer crculo que es un 25% y el
del segundo crculo que es un 50%) del factor B sale que es de un 75%, la del factor C un 50%
etc. Si sumamos todas las fracciones etiologicas vemos que su total suma ms de 100%. Por eso
decimos que no tienen lmite superior.

Algunos de los posibles factores causales que afectan al individuo son: la presin social, la falta
de ejercicio, el tabaco, la dieta, factores genticos y hereditarios, entorno medioambiental

Todos ellos pueden estar favoreciendo o impidiendo que se desarrollen diferentes
enfermedades.
20 Octubre 2011
6

Papel de la Epidemiologa
El papel de la epidemiologa sera estudiar la asociacin entre los distintos factores y la
enfermedad. La primera condicin para que algo sea causa de la enfermedad es que este
asociado con la enfermedad y la segunda condicin es que la causa sea anterior al efecto.
Como ya sabemos, hay diseos en los que podemos garantizar que la causa ha sido anterior al
efecto, y son los diseos de seguimiento. Solo los de seguimiento aseguran que la causa ha sido
anterior al efecto.
Por tanto, dicho con otras palabras, la caracterstica fundamental de los factores causales para
determinada enfermedad es estar asociados con la enfermedad y que la causa sea anterior a la
enfermedad.
La asociacin de un factor con la enfermedad se puede producir de dos formas:
Factores de riesgo Aumentan el riesgo o la frecuencia de la enfermedad.
Factores protectores Disminuyen el riesgo o la frecuencia de la enfermedad.
La epidemiologa pretende identificar factores que se asocian con la enfermedad, teniendo en
cuenta que:
Si el factor es causal implica que existe asociacin con la enfermedad.
La asociacin entre un factor y la enfermedad no implica necesariamente que
sea un factor causal. Podemos encontrar una asociacin entre un factor y la
enfermedad pero esto no garantiza que el factor sea causa de la enfermedad. Se
garantiza que est asociado pero no que sea causa.
Inferencia Causal
La epidemiologa debe responder a dos preguntas, antes de declarar un factor como causal en
una enfermedad:
1. Existe asociacin estadstica entre el factor y la enfermedad? Mediante las medidas
de asociacin que hemos estudiado hasta ahora que nos permiten ver si existe
asociacin entre el factor y la enfermedad.
Pero no vale con decir, tenemos un riesgo relativo de 527 o tenemos un Odds Ratio de
942. No nos vale solo con esos datos. Tenemos que tener en cuenta que esa asociacin
tambin puede ser debida a tres cosas: Sesgos, azar y confusin.
Por tanto es importante descartar falsas asociaciones debidas a:
Sesgos de seleccin o de informacin Bien por errores sistemticos al haber
escogido una muestra sesgada para realizar el estudio (seleccin) o por haber recogido
mal la informacin (informacin). Ambos dos son errores sistemticos y hay que
resolverlos en el diseo del experimento.
20 Octubre 2011
7

Azar Debido a una asociacin que hemos encontrado al azar. El azar es el error
aleatorio. Para controlar el error aleatorio utilizamos test de hiptesis e intervalos de
confianza.
Confusin o interaccin Se puede evitar la confusin mediante una asignacin
aleatoria. Mediante el azar (Explicado ms adelante).

Si hemos descartado que la asociacin sea debido a todo esto, tenemos una asociacin
estadstica valida.

Por otra parte, si desde un primer momento hemos visto que no hay asociacin, diremos que
hay independencia estadstica, es decir, que el factor no es una causa de la enfermedad.

2. El factor cumple los criterios de causalidad enunciados por Bradford Hill en 1965?
No es necesario que cumpla todos, con algunos es suficiente.

Cuadro resumen

20 Octubre 2011
8

Factores de confusin
Qu son factores de confusin?
Imaginamos que estamos estudiando un determinado factor de riesgo, en este caso, fumar,
en relacin con la enfermedad que es el cncer de pulmn. Puede
existir otro factor que puede ser por ejemplo, la edad (Fc) que est
relacionado/asociado con el factor de riesgo que estoy estudiando
(cuanta ms edad, ms fumadores hay). Y este factor de confusin,
tambin est asociado con la enfermedad. Es decir, la edad tambin
est asociada con el cncer (cuanta ms edad, ms probabilidad de
tener cncer).
Por tanto, la asociacin que estamos viendo entre el factor de riesgo
y la enfermedad puede ser debida a un factor de confusin. Estos
factores de confusin pueden ser conocidos o desconocidos.
Hay que intentar evitar siempre estos factores de confusin.

Comparando dos tratamientos por ejemplo, si decimos que el tratamiento A es mejor
que el B, quiere decir que el tratamiento A est asociado con la curacin de
enfermedad. Se podra evitar la confusin haciendo una seleccin aleatoria de los
individuos que vamos a tratar con A y con B. Si aseguramos que ambos grupos son
iguales en todas las caractersticas menos en una que es el tratamiento que van a
recibir, estamos asegurando que la confusin no existe, ya que tenemos el factor en los
dos grupos. Esto se consigue mediante la asignacin aleatoria del tratamiento. El azar
consigue igualar los dos grupos de tratamiento en todas las variables conocidas o
desconocidas menos en el tratamiento que estn recibiendo.

En este caso deberamos igualar a los individuos en todas las variables, salvo en una, que es el
hecho de que fumen o no fumen.
No siempre puede hacerse una asignacin aleatoria, tambin hay otros mtodos de control de
la confusin, pero no son tan buenos como el azar.
En resumen: Cualquier asociacin estadstica entre la exposicin a determinado factor de
riesgo (Fr) y cierta enfermedad (E), puede ser debida a la existencia de una tercera variable
denominada factor de confusin (Fc) que est asociado tanto con la enfermedad E como con
el factor Fr.

20 Octubre 2011
9

Caractersticas
Para que un factor de confusin sea considerado como tal debe estar:
Asociado estadsticamente con la enfermedad E. El factor de
confusin al estar asociado con la enfermedad puede ser un factor
de riesgo o protector.
Cmo consideramos entonces en este ejemplo a la edad, como Fc o Fr?
Pues depende del estudio que estemos realizando. En este caso lo nico
que nos interesa es la asociacin del Fr (fumar) con la enfermedad
(cncer). Por tanto todos los dems son factores de confusin, la edad
ser un factor de confusin. Pero si estuvisemos relacionado la
asociacin entre la edad (Fr) y el cncer (enfermedad) en ese caso el
fumar sera un factor de confusin.
Asociado estadsticamente al factor en estudio.
Tanto Fc como Fr son factores asociados con la enfermedad, decidir cul es el factor de
riesgo en estudio y cul de ellos es el factor de confusin, slo depende del inters,
objetivos y diseo del estudio.
Cmo podemos controlar los factores de confusin?
La confusin no invalida nuestros resultados si se recoge informacin del factor de confusin
para poder controlarlo mediante diseos y anlisis pertinentes. Un estudio que tenga un factor
de confusin no es un estudio invlido, pero hay que intentar evitarlo lo mximo posible
recogiendo la mxima informacin del factor si es que conocemos de su existencia para poder
controlarlo.
Por ejemplo, si estamos estudiando la asociacin entre el tabaco y el cncer, sabemos que la
edad es un factor de confusin porque sabemos que est asociada con el riesgo de padecer
cncer y con el tabaco. Habra que conseguir la mxima informacin sobre la edad en relacin
al fumar y al cncer.
Mtodos para controlar (ajustar) los factores de confusin. Se puede controlar tanto en el
diseo como en el anlisis del estudio:
En el diseo:
Restriccin Seleccionar rangos de edad, sexo, etc. (Si estamos estudiando la
asociacin por ejemplo, entre el fumar y el cncer de pulmn, sabemos que el factor
de confusin es la edad. Por lo tanto, seleccionaramos por ejemplo a todos los
individuos de la misma edad, y de esta manera estaramos haciendo una restriccin de
la muestra. De esta manera la edad deja de ser un factor de confusin. Pero esto tiene
sus problemas, como que por ejemplo, a los 35 aos haya pocos individuos con cncer
de pulmn que fumen para incluir en nuestro estudio).
Apareamiento Hacer un diseo de seguimiento o de casos control apareado.
20 Octubre 2011
10

En el anlisis (las ms utilizadas):
Estandarizacin directa o indirecta de tasas. (Recordad que lo vimos en la
prctica de ordenador, en la que estbamos controlando un factor de confusin que
era la edad. Mirbamos cual era la incidencia de una enfermedad en varias
poblaciones y decamos que esta incidencia poda estar confundida con la edad).
Estratificacin.
Modelos estadsticos de regresin (lineal, logstica, mltiple).
Resumen
Como decamos antes en el apartado de inferencia causal, si podemos descartar que la
asociacin es debida a:
- sesgos (errores sistemticos de seleccin de la muestra o informacin)
- azar (error aleatorio detectado mediante un anlisis estadstico adecuado)
- confusin por otro factor
Tendremos una asociacin estadstica vlida.
Ahora debemos comprobar que cumple los criterios causales de Bradford Hill.

Los criterios de Hill no son una lista rgida. Puede determinarse existencia de asociaciones
causales, incluso si slo se satisfacen algunos pocos criterios de los expuestos al margen. No es
necesario que se cumplan todos los criterios.

No explico los criterios de Hill en clase pero dej estas diapositivas que estn a continuacin en
Moodle para que los leysemos.
20 Octubre 2011
11

20 Octubre 2011
12

20 Octubre 2011
13

20 Octubre 2011
14

27 Octubre 2011
1

EPIDEMIOLOGA
Estudios de casos control y de
seguimiento
Vamos a ver cmo se analizan estudios de casos control y estudios de seguimiento.
ESTUDIOS DE CASOS CONTROL
El anlisis de estos estudios los vamos a hacer mediante la observacin de la relacin entre
cncer de pulmn y la costumbre de fumar a lo largo de la historia. En 1947, Doll y Hill que
eran mdicos en los hospitales de Londres, observaron la relacin entre el cncer de pulmn y
el tabaco en los hospitales en los que trabajaban.
Hay que tener en cuenta que en cmo eran los hospitales en esa poca (en una habitacin
haba muchos pacientes y corran el riesgo de contagiarse) y que mucha gente falleca de
cncer de pulmn. Comenzaron a relacionar esto con el hecho de que la gente en esa poca
fumaba muchsimo y que en las salas de hospital en las que haba muchos pacientes haba
muchsimos fumadores que fallecan de cncer de pulmn. Las salas de los hospitales estaban
repletas de gente que fumaba.
A da de hoy lo que se considera guay es hacer deporte pero en 1947 lo que se consideraba
guay era fumar (o segn Carlos echar un pito con los amigos).
En resumen Doll y Hill pensaban que haba relacin entre el fumar y el cncer de pulmn
basndose en lo que observaban en los hospitales de esa poca.
No fue fcil encontrar financiacin para realizar un estudio cmo el que hicieron porque el
hecho de que socialmente estaba muy bien visto fumar haca que nadie les financiase para que
ellos realizasen un estudio con el fin de probar que el tabaco era cancergeno.
Por qu decidieron realizar un estudio casos-control? Porque era relativamente sencillo
dentro de un hospital escoger casos y controles. Saban quin tena la enfermedad y quin no,
y todos los participantes del estudio eran pacientes del hospital. Los casos seran los individuos
con cncer de pulmn y los controles los que no padecan cncer de pulmn.
Aqu hay que tener en cuenta que aunque los controles no tenan cncer de pulmn eran
tambin pacientes del hospital y es muy probable que padeciesen otras enfermedades que no
fuese cncer de pulmn.
Todos los individuos seleccionados para el estudio eran menores de 75 aos.
Tras seleccionar quienes tenan cncer de pulmn y quienes no, midieron la exposicin, es
decir, quin fumaba y quin no. Midieron la exposicin en relacin a la cantidad de cigarrillos
que fumaba cada uno al da.
27 Octubre 2011
2

Por qu? Qu ventajas tiene esto? Por la relacin dosis-respuesta (Uno de los criterios de
causalidad). Es decir, de esta forma, podan saber si la frecuencia de la enfermedad o la
asociacin aumenta a medida que aumentaba la dosis de cigarrillos o lo que es lo mismo la
exposicin al tabaco.

Cmo se estudia la asociacin entre el cncer de pulmn y el tabaco en un estudio de casos-
control? La medida de asociacin que se utiliza en los estudios casos-control es el Odds ratio.

Para calcular el Odds Ratio lo primero que se hace es escoger la clase de referencia. En este
caso se trata del grupo que no han estado expuestos al humo del tabaco en ningn momento,
es decir, los que no fumaban ningn cigarrillo.

A continuacin, se calculan las medidas de efecto de este diseo mediante una tabla general
de anlisis:

En este caso tenemos m
1
que son los casos y m
2
que son los controles, que son fijos y los
hemos escogido nosotros. Dentro de los casos y de los controles tenemos que determinar
quienes han estado expuestos y quines no dentro de cada grupo.

Si dividimos a/c, estamos calculando una medida de asociacin, en concreto una
razn, el Odds de expuestos entre no expuestos dentro de los casos.
Si dividimos b/d, estamos calculando otra razn, el Odds de expuestos entre no
expuestos, pero ahora dentro de los controles.

Como ya sabemos, para comparar los casos y los controles, utilizamos el Odds ratio.

27 Octubre 2011
3

Recordamos que hay dos opciones para comparar razones: la divisin o la resta. Aqu hemos
escogido la divisin, la razn de Odds o Odds Ratio.

Razn de Odds
0dds dc cxposcon dcnto dc Ios cusos
0dds dc cxposcon dcnto dc Ios cxpucstos

1. Calculamos el Odds de exposicin dentro de los casos:

2. Calculamos el Odds de exposicin dentro de los controles:

3. Y finalmente la razn entre ambos Odds, el Odds Ratio:

Esto es lo mismo que si hacemos el producto cruzado:

Otra posibilidad es realizar comparaciones entre los subgrupos. Comparar los que no fumaban
ningn cigarro con los diferentes niveles de exposicin: de 1 a 4 cigarrillos, 50 cigarrillos o ms,
etc.

27 Octubre 2011
4

Recordatorio
El Odds ratio se interpreta igual que el riesgo relativo:
Si OR > 1 Factor protector.
Si OR = 1 No hay asociacin.
Si OR < 1 Factor de riesgo.

En este estudio el Odds ratio nos da un valor de 9,08, lo que indica que es el tabaco es un
potente factor de riesgo a la hora de padecer cncer de pulmn. Hay asociacin entre el
tabaco y el cncer de pulmn. La incidencia entre los que fuman es 9 veces mayor frente a los
que no fuman.

Ahora vamos a realizar un intervalo de confianza al 95% del Odds Ratio. Se calcula siguiendo
la frmula que se nos da. No tiene ms misterio que sustituir los datos en la frmula. Tambin
se nos dan las frmulas para calcular los lmites superior e inferior del Odds Ratio.
La primera hiptesis es que H
0
del OR = 1, que es lo mismo que decir que hay independencia
entre ambos factores. La segunda hiptesis es que H
1
del OR 1, lo que quiere decir que hay
asociacin entre ambos factores. Este test de hiptesis lo podemos realizar una vez calculado
el OR y sus respectivos intervalos de confianza.
(Segn entend, dijo que esto que voy a explicar a continuacin ya es entrar en demasiado
detalle y no es necesario aprendrselo, porque es otra manera de calcular los intervalos de
confianza, y siempre vamos a poder hacerlo mediante la sustitucin de datos en la formula de
antes, no nos van a obligar a hacerlo de esta manera).

A esto tambin se le
llama error
estndar del OR
27 Octubre 2011
5

*A continuacin vamos a hacer el test de independencia o asociacin Chi cuadrado.
Utilizamos el valor que nos ha dado al realizar el test de la Chi cuadrado. En este caso
supongamos que nos da un valor de 43,98, y su raz cuadrada es 6,63. Nos fijamos en que 43,98
es mayor que 3,841 (el valor que la chi cuadrado que con un grado de libertad deja por encima
una probabilidad de 0,05). De esta forma sabemos que p < 0,05, por lo que rechazamos la
hiptesis nula. Es decir, hay asociacin. El 6,63 lo utilizamos para calcular el intervalo de
confianza mediante una frmula y una vez calculado el intervalo de confianza, ya se puede
decir si el test de hiptesis se va a rechazar o no.*
En este estudio de casos control tambin podemos calcular el porcentaje de riesgo atribuible.
Es decir, el porcentaje de casos que evitaramos si evitsemos la exposicin.

Con este resultado concluimos que podramos evitar el 89% de los casos si evitamos el tabaco.
Tambin podemos calcular el riesgo atribuible o diferencia de riesgos.
Cuando en una tabla de datos nos dan varios subgrupos, aquel que tiene un OR o un RR igual a
1 es aquel que se toma como referencia y se compara con los dems. Solemos siempre
comparar aquellos que estn en el grupo de ningn cigarro con aquellos de mayor
exposicin al factor de riesgo (50 o ms cigarrillos al da).
Doll y Hill eligieron este tipo de estudio porque es mucho ms rpido. Un estudio de
seguimiento hubiese sido mucho ms lento y costoso econmicamente. Los resultados
apoyan y corroboran la relacin entre el cncer de pulmn y el consumo de tabaco, por lo que
pasaron al siguiente paso, a la realizacin de un estudio de seguimiento. La causa siempre
debe ser anterior al efecto (exposicin al tabaco anterior al cncer de pulmn) y esto solo se
puede demostrar mediante un estudio de seguimiento.

ESTUDIOS DE SEGUIMIENTO
Doll y Hill tenan que demostrar que la exposicin al tabaco era anterior a la enfermedad. En
los estudios casos-control no podemos saber con certeza que la causa es anterior al efecto, y
es por eso por lo que se realizan los estudios de seguimiento.
En 1951, remiten a todos los mdicos de Inglaterra y Gales, un cuestionario en el que se
preguntaba por el consumo de tabaco. Por qu cogen a los mdicos y no a la poblacin
general? Porque normalmente ya estn registrados, en los colegios de mdicos a travs del
ttulo de medicina. En Amrica, por ejemplo, para hacer estudios de seguimiento utilizan al
ejrcito ya que ste est registrado de igual manera que los mdicos. Estos cuestionarios
permiten saber quien est expuesto y quien no al tabaco desde un principio y cunto
fumaban. Durante 10 aos, se fueren registrando las causas de muerte de los mdicos que se
moran. Con respecto al cncer de pulmn, las defunciones por esta causa eran confirmadas
mediante biopsias y medios similares. Esto lo hacan para asegurarse de que el que se haba
27 Octubre 2011
6

muerto, lo haba hecho a causa del cncer de pulmn. De esta manera se establecan con
claridad el criterio diagnstico.
Entre los que no fumaban ningn cigarrillo, se produjeron 3 muertes en 10 aos que es el
tiempo que dur el estudio. A los mdicos del estudio se les controla a lo largo del tiempo
hasta desarrollar la enfermedad y los aos-persona se determinan mediante la suma de todos
los tiempos que las personas han permanecido a riesgo antes de desarrollar la enfermedad.
Cada individuo suma una cantidad de tiempo desde que entran en el estudio hasta antes de
desarrollar la enfermedad o muerte, y los que no la llegan a desarrollar suman los 10 aos de
seguimiento.

10 Noviembre 2011
1

EPIDEMIOLOGA
TEMA 6
ANLISIS DE INTERACCIN Y CONFUSIN

Lo que se va a ver en este tema es lo que es interaccin y confusin. Hasta ahora partamos
del estudio de la independencia o asociacin entre un factor de riesgo y la enfermedad.

Para ello hacamos un test de independencia o asociacin. Esto significa que si estamos en un
estudio de seguimiento sera un test para contrastar si el RR es igual a 1, y si estamos en un
estudio de casos controles un test para contrastar si el OR es igual a 1.

Cuando hacemos este contraste, si no hay asociacin (es decir, si hay independencia entre el
factor de riesgo y la enfermedad y por lo tanto el factor de riesgo no puede ser causante de la
enfermedad) ah acabar nuestro estudio. Pero si hay asociacin estadstica, tendremos que
pasar por los siguientes filtros: el filtro de los sesgos, el filtro de los errores sistemticos, el
filtro error aleatorio y el filtro de la confusin, que es en el que nos vamos a centrar en esta
clase.

Vamos a ver qu entendemos por confusin. Recordamos que
un factor de confusin se da cuando la asociacin que estamos
estudiando entre el factor de riesgo o protector y la
enfermedad, no se produce directamente, si no que viene a
travs de un factor que es el factor de confusin.

10 Noviembre 2011
2

Pueden existir dos tipos de interacciones o de modificaciones del efecto:

Si hay una interaccin significa que ambos factores influyen sobre la enfermedad, y se
produce un incremento muy fuerte de la frecuencia de la enfermedad (sinergia o
potenciacin entre los factores asociados a la enfermedad). Ambos factores actan
conjuntamente y producen un aumento muy importante de la incidencia de la
enfermedad.
Por otro lado, puede ser que haya un antagonismo, es decir, que cuando est presente
el factor 1 se incrementa la frecuencia de la enfermedad, pero cuando estn presentes
los dos la frecuencia de la enfermedad disminuye.

En resumen:

Sinergia o potenciacin (ambos factores presentes y aumentan la incidencia de la
enfermedad.
Antagonismo (si un factor est presente la incidencia aumenta pero si los dos
factores estn presentes la incidencia disminuye).

Vemos por tanto, como las causas de las enfermedades no son nicas. Existen otros factores
que interaccin y contribuyen a la causa de las enfermedades. Entre esos factores hay distintas
relaciones y una de estas relaciones principales es la interaccin (sinergia actan juntos para
aumentar incidencia de la enfermedad y antagonismo actan juntos para disminuir la
incidencia de la enfermedad). Esto es lo que se llama interaccin.

Ahora vamos a explicar que es lo que entendemos por confusin. En
primer lugar detectamos una asociacin entre un factor de riesgo y
la enfermedad, pero esa asociacin en lugar de ser directa, tiene
lugar mediante un factor de confusin. Para que un factor sea un
factor de confusin tiene que cumplir con dos caractersticas:
Tiene que estar asociado al factor de riesgo que estamos
estudiando.
Tiene que estar asociado tambin a la enfermedad en forma
de riesgo o proteccin.

Cundo decidimos que uno es factor de riesgo/protector o que es factor de confusin?
Ejemplo Estamos intentando estudiar la asociacin entre el fumar y el cncer de pulmn. La
enfermedad est claro que es el cncer de pulmn y el factor de riesgo que nos interesa
estudiar para saber si est asociado o no con el cncer de pulmn es el tabaco. Ese sera el
factor de riesgo. Y cul sera el factor de confusin? Pues todos aquellos factores que
estuvieran asociados a la enfermedad y tambin al factor de riesgo que estoy estudiando.

Por ejemplo, el gnero. Est asociado a la enfermedad ya que es ms frecuente el cncer de
pulmn en hombres que en mujeres. Por tanto hay asociacin entre el gnero y la
10 Noviembre 2011
3

enfermedad. Esto quiere decir que cumple la primera caracterstica que debe tener un factor
de confusin. Por otro lado, debe estar tambin asociado al fumar. Los hombres y las mujeres
fuman ms unos que otros. Los hombres fuman ms que las mujeres. Por tanto, vemos que
tambin hay asociacin entre el factor de riesgo y el gnero. Cumple la segunda caracterstica
necesaria para ser un factor de confusin. El gnero se asocia a la enfermedad y al factor de
riesgo: es un factor de confusin.

En resumen Tanto el factor de confusin como el factor de riesgo son factores asociados
con la enfermedad. Decidir cul es el factor de riesgo en el estudio y cul de ellos es el factor
de confusin, slo depende del inters, objetivos y diseo del estudio. Los fijamos nosotros
segn nuestro inters.

Qu diferencias hay entre interaccin y confusin? Si hay interaccin nos olvidamos de la
confusin. En la interaccin hay que tener en cuenta los factores que se relacionan con la
enfermedad. Tenemos en cuenta los factores que interaccionan con la enfermedad y se trata
de una interaccin directa. En cambio, si hay confusin, la asociacin que vemos entre el
factor y la enfermedad, no es una asociacin directa, sino indirecta. Se produce la interaccin
a travs del factor de confusin.
Por eso, a la hora de realizar un estudio es importante controlar la confusin. Para que la
confusin no invalide nuestros resultados, hay que controlar los factores de confusin en el
anlisis o en el diseo.
Mtodos para controlar los factores de confusin:
En el diseo:
Restriccin
Apareamiento
En el anlisis:
Estandarizacin (directa o indirecta)
Estratificacin
Modelos estadsticos de regresin (lineal, logstica y mltiple)

Como se ha dicho anteriormente, el factor de confusin tiene que estar asociado con la
enfermedad y al factor de estudio. Por ello, tanto FC como FR son factores asociados con la
enfermedad. Decidir cul es el factor de riesgo y cul es el factor de confusin en nuestro
estudio solo depende de nuestro inters y diseo del estudio.

Hay que tener claro que los factores de confusin no invalidan nuestro estudio. La confusin
no invalidar nuestros resultados si se recoge informacin de los factores de confusin para
poder controlarlos mediante el diseo o anlisis pertinente. No invalidan pero hay que
tenerlos en cuenta a la hora de interpretar los resultados del estudio.

10 Noviembre 2011
4

Recordatorio De los mtodos para controlar factores de confusin, la estandarizacin
directa o indirecta ya la hemos estudiado en clases anteriores. Es un mtodo de ajuste y de
control de la confusin. Recordamos que lo que se haca, era por ejemplo, para evitar la
influencia de la edad en los grupos de un determinado estudio, lo que hacamos era escoger
una poblacin estndar. En este caso estaramos considerando a la edad un factor de
confusin.

Vamos a centrarnos en la estratificacin como mtodo para controlar la confusin.
Ejercicio 1
Supongamos que estudiamos mediante metodologa o diseo casos-control el efecto de la
exposicin laboral del amianto sobre el cncer de pulmn, observando los datos de la tabla
siguiente. Son datos ficticios.

Calculamos el Odds Ratio (OR) para estudiar la asociacin entre amianto y cncer de pulmn:

El Odds ratio es de 9.375 por lo tanto la exposicin al amianto es un factor de riesgo. Esto
sera un anlisis en bruto, ya que no hemos tenido en cuenta los factores de confusin. Solo
tenemos en cuenta el factor que queremos estudiar y la enfermedad.

Otra posible medida del efecto que podemos calcular en un estudio de casos control es el
porcentaje de riesgo atribuible (%RA):

Este dato nos indica que el 89.33% del total de los casos los hubiramos evitado si hubiramos
eliminado el factor de riesgo, es decir, la exposicin al amianto.
10 Noviembre 2011
5

Ahora vamos a tener en cuenta un posible factor de confusin el tabaco. Es un factor de
confusin ya que puede estar asociado con la exposicin al amianto. El amianto es una fibra
presente en los tejados de uralita como aislantes trmicos, en fbricas de frenos en las pastillas
de frenos, trajes ignfugos de bombero Por tanto, est cerca de trabajadores y los
trabajadores en general fuman ms tabaco que otras personas de la sociedad que no son
trabajadores. El tabaco, tambin asociado con el cncer de pulmn ya que contiene sustancias
cancergenas que favorecen la aparicin del tumor.

(En este punto de la clase Carlos dice enfadado por todo lo que charlamos: Os aseguro que esto
entra en el examen, y el que pone las preguntas soy yo)

Calculamos ahora los Odds Ratio en cada uno de los estratos. Uno de los estratos es el de
fumadores y el segundo estrato es el de no fumadores.

Recordamos que el Odds Ratio general tena un valor de 9,375, lo que quiere decir que la
incidencia entre los que estn expuestos al amianto es 9,375 veces mayor a la incidencia de los
no expuestos al amianto. Esto sin tener en cuenta el fumar.

Pero ahora vamos a tener en cuenta los expuestos o no al amianto y los expuestos o no al
tabaco. Esto es un anlisis estratificado. Tenemos un Odds ratio de 30 entre los que fuman y
un Odds Ratio de 1,66 entre los que no fuman. Esto nos indica que cuando estn los dos
factores juntos, el tabaco (factor de confusin) y la exposicin al amianto (factor de riesgo) el
Odds Ratio se dispara, aumenta de 9,375 a 30, es decir, por tanto hay una interaccin con
sinergia. Como hay una interaccin hay que tenerlos en cuenta simultneamente. Hay que
considerarlos a los dos, hay interaccin por tanto no hay confusin. Ambos factores son
factores de riesgo. (Recordamos que siempre que hay interaccin nos olvidamos de la
confusin).

Estrato 1
Estrato 2
10 Noviembre 2011
6

NOTA (No os volvis locos si no os cuadran los datos de una tabla y otra porque los datos de
las tablas se los ha inventado Carlos y no cuadran de una tabla a otra. Lo importante es saber
calcular el OR y realizar bien las interpretaciones en base a los resultados que salen
(estratificacin, sinergia, diferencias entre los Odds Ratio).

Cuando en el anlisis de los estratos aparece una diferencia tan grande entre los Odds Ratio
significar que hay interaccin. Para saber si esa diferencia es significativa haramos un test de
hiptesis.

Por tanto, cuando hay interaccin decimos que hay modificacin del efecto, y puede ser por
sinergia o por antagonismo.

Ejercicio 2
Hacemos el mismo estudio pero considerando el deporte como factor de confusin. Vamos a
realizar dos estratos: los que hacen deporte y los que no hacen deporte.

Calculamos de nuevo los Odds Ratio para cada estrato.

Nos salen en los distintos estratos OR muy diferentes. Como hay grandes diferencias entre los
OR (comparamos el OR general que es 9,375 con el OR de deporte que es 0,3125) decimos que
hay interaccin. Debemos considerar los dos factores simultneamente ya que hay interaccin
y no confusin, consideramos simultneamente el deporte y la exposicin a amianto. En este
caso hay antagonismo, ya que cuando los dos factores actan juntos el OR pasa a ser un factor
protector.

Estrato 1
Estrato 2
10 Noviembre 2011
7

Ejercicio 3
Volvemos otra vez a la situacin de tabaco y exposicin al amianto (ejercicio 1). Volvemos a
considerar al tabaco como posible factor de confusin.

Si calculamos los Odds Ratio para ambos estratos y resulta que ambos OR para los diferentes
estratos son iguales entre s y diferentes al valor del Odds Ratio general (bruto), en este caso
hay confusin. El tabaco sera un factor de confusin y al haber factor de confusin, no hay
interaccin.

Es decir, cuando los OR de los estratos son muy similares y diferentes del OR bruto no hay
interaccin, hay confusin.

Cundo hay confusin con qu Odds Ratio nos quedamos, con el OR bruto o con el OR
ajustado? Siempre con el OR ajustado, ya que para calcularlo ests teniendo en cuenta el
factor de confusin.

En resumen:
- Cuando los OR de los estratos son similares entre s pero muy diferentes al OR bruto
o general CONFUSION
- Cuando los OR de los estratos son muy diferentes entre s y diferentes al OR bruto o
general INTERACCIN

Hay muchas frmulas para calcular el anlisis estratificado, pero no las vamos a ver. Lo
importante es que nos quedemos con los conceptos (interaccin, confusin, sinergia,
antagonismo, OR bruto, OR ajustado).

Frases del da:
*Todo en la vida es un experimento*
*El que solo sabe de medicina, ni medicina sabe*
Carlos Rodrguez

Epidemiología

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Epidemiología

Încărcat de

Drepturi de autor:

Formate disponibile

08 Septiembre 2011

Introduccin a la investigacin biomdica

S-ar putea să vă placă și