Conceptos de validez en investigación epidemiológica y validez de constructo MARÍA TANIA LÓPEZ VILLEGAS.

Presentación del tema: "Conceptos de validez en investigación epidemiológica y validez de constructo MARÍA TANIA LÓPEZ VILLEGAS."— Transcripción de la presentación:

1 Conceptos de validez en investigación epidemiológica y validez de constructo MARÍA TANIA LÓPEZ VILLEGAS

2 Conceptos  La inferencia epidemiológica es el proceso de hacer inferencias de datos epidemiológicos, tales como predicciones de patrones de enfermedades o identificación de causas de enfermedades o epidemias  En general las inferencias dependerán de la evaluación de la validez de los estudios, es decir, el grado en el que los estudios cumplan con los criterios lógicos básicos de la ausencia de sesgos.  Cualquier predicción debe basarse en observaciones de las distribuciones de los tiempos de incubación de SIDA en otra cohorte.

3 Temas de la lectura 1.Problemas de validez en la predicción.- Problema de predicción (de una población a otra). 2.Validez en inferencia causal de estudios de cohorte 3.Problemas de validez especial en casos y controles, y estudios de cohorte retrospectivos C.-Validez de la comparación F.-Validez de seguimiento Sp.-Validez de la especificación M.- Validez de la medición CaCo y cohortes retrospectivas requerirán consideraciones adicionales de la medición del error que las abordadas para cohortes

4 Ejemplos ilustrativos Caso1.- Predicción del riesgo y tiempo de incubación (inducción) de adquirir el SIDA entre personas infectadas con el virus VIH tipo 1 No es un experimento, en donde la exposición es administrada por el investigador La fecha de infección del VIH tipo 1 no puede ser estimada con exactitud El mecanismo biológico por el cual la infección de VIH- 1 progresa a SIDA tampoco se conoce con certidumbre Pero es importante hacer estas predicciones de los datos disponibles si se están preparando un programa efectivo sobre las necesidades de salud en el futuro Caso2.- Estimar el exceso de riesgo de enfermedades coronarias del corazón es producida por beber café ◦No es un experimento, tomar café es una autoselección ◦Los individuos que toman café son proclives a fumar o tener otro tipo de comportamientos ◦Es probable que sea difícil distinguir el efecto del café de los efectos de otros comportamientos ◦Es importante determinar este efecto en salud púbica por al alta prevalencia del uso de café y la alta incidencia de enfermedades del corazón

5 Validez en problemas de predicción 3 Entendiendo por validez para el Caso 1, que si hubiera alguna discrepancia entre nuestras predicciones y las proporciones verdaderas se deben únicamente al azar (no predecible en principio), las siguientes condiciones deberían ser suficientes: Validez de la comparación.- La distribución de los tiempos de incubación en la cohorte objetivo son aproximadamente la misma la distribución de la cohorte de referencia. Validez del seguimiento.- Dentro de la cohorte de referencia, el riesgo de censura no está asociado con el riesgo de SIDA (seguimiento finalizado por otro evento diferente al SIDA). Validez de la especificación.- La distribución de los tiempos de incubación en la cohorte de referencia puede ser aproximada por el modelo estadístico usado para calcular las estimaciones. Por ejemplo, si se emplea una distribución lognormal para modelar la distribución de los tiempos de incubación en la cohorte de referencia, este modelo debería ser aproximadamente correcto. Validez de la medición.- Todas la mediciones de las variables usadas en el análisis se aproximan cercanamente a los valores verdaderos de las variables. En particular, cada tiempo imputado de la infección de VIH-1 se aproxima cercanamente al tiempo de infección verdadero y cada tiempo reportado de la aparición de SIDA se aproxima cercanamente al evento clínico definido con la aparición de SIDA. validez externa Predecir t de la cohorte objetivo de la cohorte de referencias validez interna Predecir los riesgos promedio de la cohorte de referencia sin sesgos

6 Validez de la comparación  Es la condición más fácil de describir pero la más difícil de evaluar  La distribución de los tiempos de incubación en la cohorte objetivo podría ser predicha casi perfectamente de la distribución de los tiempos de incubación en la cohorte de referencia, si los tiempos fueron observados sin error y no hubo pérdidas en el seguimiento.  Otra manera de establecer esta condición es que las dos cohortes son comparables o intercambiables con respecto a los tiempos de incubación o que la experiencia de SIDA puede de la cohorte objetivo puede ser predicha de la experiencia de la cohorte de referencia.

7 Confusión  Sesgo de comparación o confusión.- Si dos cohortes no son comparables (p. ej., la cohorte objetivo y la de referencia), en alguna o todas las estimaciones de riesgo estará sesgada.  Investigar si las dos cohortes difieren en algunos factores que influyen el tiempo de incubación. Si esto es cierto, no podemos esperar que la distribución de los tiempos de incubación sean comparables entre la dos cohortes.  Para ilustrar estos conceptos, suponga que los hombres infectados en edades más jóvenes tienden a tener largos tiempos de incubación y que los miembros de la cohorte de referencia son en promedio más jóvenes que los de la cohorte objetivo. Entonces esperaríamos que los miembros de la cohorte de referencia tendrían tiempos de incubación más largos que los de la cohorte objetivo.  Consecuentemente las predicciones no ajustadas del riesgo para la cohorte objetivo derivadas de la cohorte de referencia estarían sesgadas (confundidas) por la edad e un dirección hacia abajo.  Es decir la edad sería un confusor para la estimación de riesgo en la cohorte objetivo, y la confusión por edad resultaría en una subestimación de la proporción de hombres en el la cohorte objetivo quienes desarrollarían SIDA dentro de los 5 años siguientes.

8 Confusión 2

9 Confusión 3 (confusoras no medidos) Asimismo, existen los métodos de ajuste o control de covariables responsables de uno o varios sesgos para inhibir los sesgos de las estimaciones. Por lo tanto, la validez de la comparación podría alcanzarse por la ajustar los confusores, si las mediciones de todos los confusores son confiables. Sin embargo, en algunos estudios no aleatorizados se podría pensar que algunos confusores no fueron medidos o tuvieron que medirse solamente en una manera poco confiable. En estos casos, podría aun ser posible predecir la dirección de la confusión no controlada a través de examinar la manera en la que las personas fueron seleccionadas en las cohorte de referencia y la objetivo. Si las cohortes son derivadas de poblaciones con distribuciones diferentes de los predictores del efecto, o los predictores por ellos mismos están asociados con la admisión diferencial entre las cohortes, estos predictores serán confusores en el análisis.

10 Validez del seguimiento Datos censurados ◦En un estudio de cohorte algunos sujetos estarán más tiempo en seguimiento antes de termine el estudio, y otros ya no serán seguidos, por la ocurrencia de un evento que excluya la aparición de SIDA (p. ej., muerte antes por un accidente fatal, infarto al miocardio, etc.) ◦Los datos de un miembro de la cohorte de referencia quien no desarrolló SIDA pero fue seguido los 5 años desde la infección, se dice que es un dato censurado por el efecto de interés. ◦Por otra parte, un sujeto muerto en un choque de autos a los dos años después de la infección pero antes de contraer SIDA, se dice que el tiempo de incubación de este sujeto fue censurado a los dos años de seguimiento. La validez de seguimiento significa que sobre cualquier intervalo de tiempo del seguimiento, el riesgo de censura no está asociado con el riesgo del desenlace de interés. ◦En nuestro ejemplo, la validez de seguimiento significa que sobre una lapso de tiempo del seguimiento de la infección, el riesgo de censura (pérdidas, retiros, o muerte antes de SIDA) no está asociado con el riesgo de SIDA. Los métodos comunes para estimar riesgo de situaciones en la cuales pueden ocurrir una censura (ej., años persona, tabla de vida, métodos de Kaplan-Meier) están basados en la validez del seguimiento. Bajo el supuesto de validez de seguimiento esperamos que en cualquier tiempo después de la infección, la distribución de los tiempos de incubación será la misma en sujetos perdidos o retirados que los sujetos quienes continuaron su seguimiento. Generalmente, si el sesgo de seguimiento puede ser rastreado para una variable particular que es un predictor del desenlace de interés y de las censuras, el sesgo en las estimaciones puede ser removidas por ajuste de esa variable. Por lo tanto, algunos formas de sesgos de seguimiento pueden ser tratadas de la misma manera que una confusión.

11 Validez de la especificación Todas las técnicas estadísticas, incluyendo las de “distribución libre” o métodos no paramétricos así como tablas de contingencia básica, son derivadas del supuesto de validez de un modelo de muestreo o distribución del error. Un estimado puede decirse que tiene validez de la especificación si este se deriva usando un método estadístico que es correcto o casi correcto Si el modelo de muestreo o la estructura del modelo usada para un análisis es incorrecto. Los resultados estimados podrían estar sesgados. Tal sesgo llamado sesgo de especificación, mientras el uso de un modelo incorrecto es llamado con mala especificación del modelo o error de especificación. Incluso cuando la mala especificación no deje sesgos, puede invalidar las pruebas estadísticas y los intervalos de confianza La relación estructural verdadera entre las variables de estudio casi nunca se conoce en los estudios de enfermedades humanas. Además, en ausencia de muestreos aleatorios y la aleatorización de los procesos de muestreo verdadero, se espera algún grado de error de especificación en un análisis epidemiológico. Minimizar este error en gran parte consiste de contrastar los modelos estadísticos contra los datos y contra alguna información disponible acerca de los proceso que generaron los datos, tales como información a priori sobre patrones demográficos de incidencia El grado de sesgo en loa métodos tradicionales de análisis epidemiológicos cuando falla la suposición del modelo no ha sido estudiados extensivamente. Afortunadamente, los métodos tradicionales, como comparación estandarizada directa y pruebas de Mantel-Haenszel, permanecen validas bajo una amplia variedad de modelos estructurales.

12 Validez de la medición  Una estimación de un estudio puede decirse que tiene validez de medición si no está sesgada debido a errores en la medición de las variables de estudio.  Desafortunadamente, hay fuentes de error de medición en casi todos los estudios, y casi todas las fuentes de error de medición contribuyen al sesgo en las estimaciones. Por lo tanto, la evaluación de la validez de la medición primariamente se enfoca en identificar las fuentes de error de medición e intentar deducir que dirección y magnitud del sesgo producido por estas fuentes.  Para ayudar en la tarea de identificar fuentes de error de medición, podrían ser útil clasificar tales errores de acuerdo a sus fuentes. Los errores de fuentes específicas puede entonces se Un esquema de clasificación divide los errores en tres categorías principales, de acuerdo a sus fuentes: o Error de procedimiento.- Surge de errores o defectos en los procedimiento de medición (por ejemplo, errores en recordar todos los medicamentos tomados durante el embarazo) o Error de la variable proxy. Surge de usar una variable proxy como sustituto para un variable real de interés o Error de constructo.- Surge de ambigüedades en la definición de las variables  A pesar de sus fuentes, los errores pueden dividirse en dos tipos básicos, diferenciales y no diferenciales, de acuerdo a si la dirección de la magnitud de error depende de valores verdadero en las variables de estudio.  Dos fuentes diferentes de error pueden ser clasificado como dependientes o independientes, de acuerdo a si o no la dirección o magnitud del error de una fuente depende de la dirección o magnitud del erro de la otra fuente  Finalmente, los errores en mediciones continuas pueden ser incluidas dentro de componentes aleatorias y sistemáticas.

13 Otros tipos clasificación del error Error diferencial y no diferencial  Los errores de medición de una variables son no diferenciales con respecto a otras variable si la magnitud del error no tiende a variar con los valores verdaderos de otras variables  Las mediciones usualmente se asumen no diferenciales si ni el sujeto ni la persona tomadas en la medición conoce los valores de otras variables. Errores dependientes y independientes Los errores de medición de dos variables se dicen que son independientes si la dirección o magnitud de los errores se hicieron en una de las variables asociadas con el dirección o magnitud de los errores hechos en la medición del la otra variable. Si no hay asociación de errores, los errores se dicen que son independiente Componente aleatorio y sistemático del error  Para procedimientos de medición de variables continuas, los errores de medición pueden ser subdivididos en aleatorios y sistemáticos.  El componente sistemático (a veces llamado el sesgo de la medición) mide el grado en el que el procedimiento tiende a subestimar o sobreestimar el valor verdadero en una aplicación repetida.  El componente aleatorio es el error residual dejado después de sustraer el componentes sistemático del error total  Cada uno de los componentes de un error (sistemático y aleatorio) pueden ser diferenciales ( esto es, pueden variar con el valor de otra variable) o no diferenciales y puede ser independiente y no independiente de los componente del error de otra variable

14 Validez en inferencia causal  Los conceptos de validez de la comparación, validez del seguimiento, validez de la especificación y validez de la medición deben ser considerados también en la evaluación de estudios de causalidad.  Los problemas de inferencia causal pueden verse como un tipo de problema de predicción, es decir, que podría pasar (o podría haber pasado) a la población si fueran (o hubieran sido) alteradas ciertas características de la población. Es necesario realizar una evaluación cuidadosa de la validez de la estimación bajo una serie de condiciones suficientes para validar los estimados, Caso 2: 1.(C) Validez de la comparación.- Si la distribución de eventos de infarto al miocardio en el tiempo entre los que nunca tomaron café predice con certeza que habría pasado entre los miembros que tomaron de las 5 tasas de café, si nunca hubieran tomado café. Intercambiabilidad con respecto a los tiempos de infarto al miocardio. a)Subcohorte objetivo: bebedores de café, cohorte de referencia: no bebedores de café. Esto depende de como se plantea la hipótesis.

15 Validez en inferencia causal 2 2.(F) Validez de seguimiento.- Dentro de cada subcohorte, el riesgo de censura (seguimiento finalizado por un evento diferente que infarto al miocardio) no está asociado con el riesgo de infarto al miocardio 3.(Sp) Validez de la especificación.- la distribución de los eventos del infarto al miocardio sobre el tiempo y en las subcohortes pueden aproximarse cercanamente por un modelo estadístico en el cual se basen las estimaciones 4.(M) Validez de la medición.- Todas las mediciones de las variables usadas en el análisis se aproximan cercanamente a los valores reales de las variables Estas cuatro condiciones son a veces llamadas condiciones de validez interna, porque parten solamente de estimaciones de efecto dentro del estudio de cohorte, más que la generalización de los resultados a otras cohortes. Estas son suficientes pero no necesarias para la validez, en que ciertas violaciones de las condiciones no producirán sesgos en la estimación de los efectos (aunque la mayoría de las violaciones producirán algún sesgo).

16 Variables intermedias En la estimación de efectos se debe distinguir entre variables intermedias y variables confusoras ◦Las variables intermedias representan etapas en la cadena causal del estudio de la exposición y del evento. El control de estas variables podría incrementar los sesgos de las estimaciones. En el caso de las subestimación de los efectos es también conocida por el sesgo de sobreajuste. ◦Las variables intermedias pueden ser también confusores y representan un gran dilema. Bajo el supuesto de que la variables es tanto intermedia como confusor, es casi imposible determinar tanto la dirección como el cambio en el estimador del efecto que se producirá por el sesgo de sobreajuste y /o la remoción de la confusión. ◦Sin embargo, en algunas situaciones se podrá hacer una evaluación cualitativa. Partiendo de información adicional de la variables se pueden indicar cual será la mejor opción de ajuste en función del menor sesgo.

17 Errores de medición y confusión Si una variable se mide con error, las estimaciones ajustadas por esta variables estarán confundidas por la variable. A este tipo de confusión de se denomina confusión residual En otros casos una variable puede aparentar tener un efecto (o no) solo por la medición pobre de un confusor aparentemente no importante. Esto puede ocurrir cuando un confusor importante se mide con una gran cantidad de error no diferencial. Este error comúnmente reduciría la asociación aparente de la variable con la exposición y haría que la variable pareciera ser un factor de riesgo débil, quizá más débil que la exposición. Se esperaría que el ajuste por un confusor mal clasificado no-diferencial producirá una estimación falsa en algún lugar entre la estimación cruda y la estimación ajustada por los valores verdaderos del confusor. Desafortunadamente, si el confusor verdadero tiene más de dos niveles es posible que al ajustar por un confusor mal clasificado esté más sesgado que la estimación cruda.

18 Error de medición y sus impactos en la separación de efectos y la evaluación de la incidencia Error de medición y separación de efectos.- Debido al impacto que tiene el error de medición sobre la efectividad de los procesos de ajuste, este puede reducir severamente nuestra habilidad para separar diferentes efectos de la variable de estudio. Error en la evaluación de la incidencia.- Una forma particularmente importante del error de medición es la evaluación de la incidencia mal diagnosticada del desenlace. Estos errores serán una preocupación cuando el estudio depende de los sistemas de vigilancia existentes o registros de detección de eventos en la salud. No obstante, hay casos especiales en los que los errores inducirán poca o ningún sesgo e las estimaciones P. ej., si la única forma de mal diagnóstico es el error de los falsos negativos y si la proporción de los eventos del desenlace no considerados de esta manera es la misma a través de las cohortes, y si no hay sesgos de seguimiento, entonces los estimados del riesgo relativo no serán distorsionados por el sub-diagnóstico. De manera análoga, si la única forma de mal diagnóstico es el error de falsos positivos, bajo los supuestos anteriores, las diferencias en las tasas no estarán distorsionados por el sobre-diagnóstico.

19 Modificación del efecto (ME) En la estimación de efectos usualmente se requiere la consideración de modificación del efecto, que también se le conoce como variación del efecto o heterogeneidad del efecto. Esta se define como, la variación en la medida del efecto en los niveles de una tercera variables o factor. En contraste, cuando el efecto permanece constante en los niveles de una tercera variable a esto de le conoce como homogeneidad. P. ej., si tomar 5 tasas de café al día eleva la tasa de infarto en hombres en un factor de 1.4, mientras que en las mujeres es solamente 1.1, se dice que se modifica la razón de tasas por el sexo y, por lo tanto, el sexo debería ser llamado modificador de la razón de tasas de infarto a miocardio y el café. Es importante notar que la modificación del efecto y la homogeneidad no son propiedades absolutas de un efecto, sino son propiedades de la manera en que los efectos son medidos. La ME puede ser analizada por estratificación de datos sobre el potencial modificador, estimado el efecto en cada estrato y comparándolos a través de estos. No obstante este método tiene algunos problemas: El número de sujetos en cada estrato puede ser muy pequeño por lo que podría producir estimaciones inestables de efecto en cada estrato Las estimaciones pueden fluctuar ampliamente de estrato a estrato debido al error aleatorio Las pruebas estadísticas para evaluar heterogeneidad en datos estratificados tiene un poder extremadamente bajo en muchas situaciones Finalmente, la cantidad de sesgo de confusión, error de medición, etc., puede variar en cada estrato, en cuyo caso los patrones de modificación observados estarán sesgados. ME y generalización. Sin se logró obtener estimaciones sin sesgo, podemos entonces confrontar el problema de la generalización (validez externa) de nuestros resultados. Entonces podríamos predecir la fuerza del efecto en una cohorte objetivo. Sin embargo, cuando existe modificación del efecto se dice que hay confusión de la efecto de la predicción por modificadores del efecto. Este sesgo se evitará solamente haciendo predicciones del efecto por sexo o estandarizando los resultados del estudio a la distribución del sexo de la población objetivo

20 Resumen El ejemplo empleado en esta sección proporciona una ilustración de los tratamiento más comunes para validar la estimaciones de los efectos de los estudios de cohorte Los estimados no ajustados del efecto del café sobre el IM estarán confundidos por muchas variables (como fumar), y de sesgo de seguimiento. Como resultado el numero de variables que deben ser controladas en muy grande para permitir un adecuado control usando solamente estratificación La dependencia funcional verdadera delas tasas de IM sobre el café y los confusores es desconocida, así que los estimados basados en modelos multivariados están probablemente sesgados. Incluso si este sesgo es no importante, nuestras estimaciones permanecerán confundidas por nuestra incapacidad para medir confusores clave de manera exacta y precisa. Finalmente, nuestra incapacidad para resumir el consumo de café de manera confiable, más allá de sesgar nuestra estimaciones, haría imposible separar los efectos crónicos de los agudos del uso del café.

21 Condiciones de validez en estudios de casos y controles (CaCo) La ventaja principal de los estudios de CaCo son periodos de tiempo cortos y la gran reducción en el número de sujetos necesarios para alcanzar el mismo poder estadístico que en un estudio de cohorte. La desventaja principal es que más condiciones deben satisfacerse para asegurar su validez (adicionales a las cuatro listadas en el ejemplo del estudio de cohorte). La serie de condiciones siguientes deberían ser suficientes para su validez: (C) Validez de la comparación.- Si los tomadores de 5 tasas al día de café en la población en riesgo, no hubieran tomado café, su distribución de evento de IM sobre el tiempo debería haber sido aproximadamente la misma a la distribución entre los que nunca han tomado.

22 Condiciones de validez en estudios de casos y controles (CaCo), 2 (C) Validez de seguimiento.- Dentro de cada subpoblación definida por el uso de café, el riesgo de censura (esto es, población que terminó su seguimiento por un evento diferente al IM, como emigración o muerte por otra causa) no está asociada con el riesgo de IM. (SP) Validez de especificación.- La distribución de los eventos de IM sobre el tiempo en subpoblaciones puede ser aproximada por un modelo estadístico sobre el que se basarán las estimaciones. (M) Validez de medición.- Todas la mediciones de las variables usadas in el análisis se aproximan cercanamente al valor verdadero de las variables. (Se) Validez de selección.- Tiene dos componentes 1.Validez de la selección de casos.- Si se estudia solo un subconjunto de casos de IM ocurridos en la población sobre el periodo de riesgo (p. ej., por una falla en la detección de todos los casos), este subconjunto proveerá de estimaciones no sesgadas de la prevalencia del uso de café a niveles diferentes entre todos los casos que ocurrieron en la población sobre el periodo de riesgo. 2.Validez de la selección del control.- La muestra control proporciona estimaciones no sesgadas de la prevalencia del uso de café a niveles diferentes in la población en riesgo sobre el periodo de riesgo

23 Comprobación retrospectiva Una clase de errores de medición surge de la verificación retrospectiva de variables dependientes del tiempo, es decir, intentando medir valores pasados de variables. La comprobación retrospectiva está basada en la memoria de los individuos, registros existente de valores pasados, o alguna combinación de estos. Por lo tanto, tales comprobaciones usualmente son susceptibles de recuerdo defectuoso, registros faltantes o erróneos, o huecos de mediciones directas en registros existentes. A menos que los registros de mediciones pasadas estén disponibles para todos los sujetos, las mediciones de casos y controles deben ser realizadas después del periodo de tiempo bajo estudio, ya que los sujetos no seleccionados para el estudio hasta después de ese periodo.

24 Mediciones afectadas por el desenlace Un problema potencial común en estudios de CaCo es el recuerdo afectado por el desenlace, frecuentemente llamado sesgo de recuerdo. Este término se refiere al error de medición diferencial que se origina cuando el evento estudiado afecta el recuerdo de eventos pasados. Un método comúnmente usado para prevenir este sesgo es restringir los controles a un grupo que se cree tiene un similar recuerdo a los casos. Desafortunadamente, uno usualmente no puede decir a que grado esta selección corrige este sesgo. Todavía más desafortunado es no poder decir si el sesgo de selección es producido por esta restricción es peor que el sesgo de recordatorio que se intenta corregir. Un problema similar de recuerdo afectado por el desenlace puede ocurrir cuando el evento estudiado afecta la medición fisiológica o psicológica. Esto es una preocupación particular en estudios de CaCo de niveles de nutrientes y enfermedades crónicas. Los errores de este tipo pueden ser vistos como errores de variable proxy en las que los valores del desenlace post es un pobre proxy de los valores del desenlace pre de los valores de interés.

25 Validez de la selección de casos  Las selección no sesgada de casos puede ser asegurada si se puede identificar cada caso que ocurre in la población en riesgo sobre el periodo de riesgo.  Para ello se requiere un sistema de vigilancia para el desenlace de interés, como los registros de enfermedad basados en la población.  Incluso si todos los casos de interés pueden ser identificados, el riesgo de selección puede surgir de fallas en la obtención de información de todos los casos. En esta situación, hay dos alternativas: 1.Intentar obtener información de alguna otra fuente, como un pariente cercano o compañero de trabajo 2.Excluir esos casos del estudio.  La primera alternativa se incrementa el error de medición en el estudio; la segunda alternativa introducirá sesgo si el café afecta el riesgo de IM fatal o no fatal diferencialmente, o si el café afecta el riesgo de sobrevivir el IM  Desafortunadamente, la exclusión es la única alternativa para los casos que se niegan a participar o no pueden ser localizados.  El sesgo que surge de la falla de detectar ciertos casos es llamados sesgo de detección. Si el sistema de vigilancia usado solamente son las admisiones hospitalarias, muchas muertes de IM fuera del hospital serán excluidas, y el sesgo de detección podría presentarse.

26 Validez de la selección de controles La selección no sesgada del grupo de control podría asegurarse mejor si uno puede potencialmente identificar cada miembro de la población en riesgo en cada tiempo del periodo en riesgo. En tal situación se pueden seleccionar los controles con una o muchas técnicas de muestreo probabilístico, usando la población entera en riesgo como un marco muestreal. Desafortunadamente, esta situación es excepcional. En muchos estudios se intenta aproximar la situación ideal de muestreo mediante el uso de una lista de población existente. Sin embargo, tiene el problema de que la población sea distinta en su exposición a la población general (ej. Población con teléfono). Cabe notar que en tal situación se podría redefinir la población en riesgo restringiendo el estudio a las personas con teléfono, en consecuencia el riesgo se selección no existiría. La única penalización bajo este supuesto es que los resultados solo se podrían aplicar a las personas con teléfono, sin embargo esto es un problema de generalización más que de validez de selección. En general, es posible prevenir la confusión o el sesgo de selección colocando restricciones en la población en riesgo (y por lo tanto en el grupo control). No obstante, se debe tener cuidado al aplicar la restricción a los casos y evitar usar restricciones basadas en los eventos que ocurrieron después de la exposición. Al igual que en la selección de casos, incluso si todos los miembro de la población en riesgo puede ser identificados el sesgo de selección puede surgir de la falla de obtener información de toda la gente seleccionada como controles.

27 Pareando casos y controles  En los estudios de CaCo, parear se refiere a forzar la selección de sujetos de manera que la distribución de ciertos factores sean similares en los casos y los controles.  Debido a que la población en riesgo no cambia por parear casos y controles, tal apareamiento no previene confusión. De hecho, ahora se reconoce ampliamente que parear CaCo es una forma de sesgo de selección que puede ser removida ajustando por el factor de apareamiento, en la medida que el factor ha sido pareado cercanamente y medido correctamente, este ajuste también controla la confusión.  En conclusión, el apareamiento puede requerir controlar el factor de pareo. Por lo tanto, para evitar incrementar el número de factores que no requieren control, se debe limitar a parear por factores que de cualquier forma es necesario controlar.  Se parea usualmente por los confusores fuertes conocidos, tales como edad y sexo.  El análisis estadístico de los resultados derivados de un estudio de CaCo pareado más común es la regresión logística condicional.

28 Grupos especiales de control  No es inusual seleccionar grupos especiales de control que claramente no representan a la población en riesgo, si este grupo puede argumentar: 1.El grupo reflejará adecuadamente la distribución de los factores de estudio en la población de riesgo Esta es común en estudios de CaCo de mortalidad, en la que se seleccionan los controles de personas que murieron de causas diferentes a los casos. Esta selección es válida solamente si las causas de muerte de los controles no están relacionadas con el factor de estudio. 2.El sesgo de selección en el grupo control no es de la misma magnitud que el del grupo de casos Esta es común en estudios que tusa casos y controles hospitalarios. Esta selección es válida si las condiciones del control no están relacionadas con el factor de estudio, y el estudio de la enfermedad y las condiciones del control tienen tasas de exposición específicas y de admisiones hospitalarias proporcionales.

29 Resumen: validez en casos y controles  Además del los ajuste por posible confusión y sesgo de seguimiento, tratado en la sección de cohorte, en estos diseños podría haber el irremediable sesgo de selección, especialmente si los casos son sobrevivientes o grupos de control, como los hospitalarios.  También la comprobación retrospectiva conlleva un gran error de medición en comparación con la comprobación prospectiva, y algunos errores adicionales pueden ser diferenciales.  Derivado del gran número de sesgos potenciales, y el desconocimiento de sus magnitudes y direcciones, los resultados que se desprende del estudio pueden ser diferentes, e incluso contrarios a los extraídos de otros estudios.  Pero otra vez, este es un resultado común entre los análisis epidemiológicos de datos observacionales

30 Estudios de cohorte retrospectivos  Los estudios en los que todos los miembros son identificados después de su periodo de seguimiento son llamados históricos o retrospectivos.  Como en los estudios de CaCo, los estudios de cohorte retrospectivo requieren consideraciones especiales de: 1) comprobación retrospectiva y 2) validez de selección.  Los estudios que obtienen la exposición o covariables históricas de la reconstrucción de eventos pasados son vulnerables a sesgar las mediciones afectadas por el desenlace.  También estos estudios pueden ser proclives a los sesgos de selección análogo a los encontrados en los estudios de CaCo. Es decir que la selección de los individuos se asocie tanto con la exposición como con el estatus del desenlace.

31 Conclusiones  La incertidumbre de las condiciones de validez es responsable de la mayoría de los resultados no concluyentes inherentes a los estudios epidemiológicos.  La falta de resultados conclusivos puede ser parcialmente superada cuando se realizan estudios complementarios. Es decir, que los nuevos estudios son realizados bajo condiciones que efectivamente limitan los sesgos de una o más de las fuentes presente en estudios previos.  Idealmente, después de realizar suficientes estudios complementarios, cada fuentes de conocimiento o sospecha de sesgo puede ser interpretado no importante en al menos un estudio.  Si en este punto los resultados de los estudios parecen consistentes con otro, la comunidad epidemiológica puede alcanzar un consenso sobre la existencia y fuerza de un efecto.

32 Conclusiones (2)  Incluso en tal situación ideal, sin embargo, hay que tener en cuenta que la consistencia no es válida. Por ejemplo, podría haber algunas fuentes nos sospechosas de sesgo presente en todos los estudios, así que estos estarían consistentemente sesgados en la misma dirección. Alternativamente, todos las fuentes conocidas de sesgo podrían estar en la misma dirección. Así que todos los estudios permanecerían sesgados en la misma dirección, y si no se estudia y elimina todas la fuentes conocidas de sesgo.  Por estas y otra razones, muchos autores advierten de que toda inferencia causal debería ser considerada tentativa, al menos si esta se derivan solamente de datos de estudios epidemiológicos observacionales

33 Validez de constructo Definiciones de constructo de acuerdo con la RAE: 1.Construcción teórica para comprender un problema determinado. 2.Psicol. Categoría descriptiva bipolar con la que cada individuo organiza datos y experiencias de su mundo, como el frío y el calor, lo dinámico y lo estático, etc. Definiciones clave:  Constructo.- Un proceso o característica psicológica que se cree explican las diferencias individuales o de grupo en el comportamiento  Un constructo es un atributo postulado de la gente, que asume será reflejado en el rendimiento de una prueba. En la validación de pruebas el atributo sobre el que hacemos declaraciones en la interpretación de una prueba es un constructo.  Validez de constructo: evaluación del grado en que una medida evalúa el constructo que se considera medido.  La validez de constructo es esencial para la validez general percibida de la prueba.  La validez de constructo es particularmente importante en las ciencias sociales, psicología, psicometría y estudios de idiomas.

34 Tipos de validación Existen cuatro categorías en las cuales se divide la validez de los estudios en pruebas psicológicas: 1.Validez predictiva El investigador esta interesado en algunos criterios que él desea predecir. Si los criterios son obtenidos algún tiempo después de la prueba, he esta estudiando la validez predictiva 2.Validez concurrente La validez concurrente es estudiada cuando una prueba cuando una prueba es propuesta como un substituto de otra

35 Tipos de validación (2) 4.Validez de contenido Esta se establece mostrando que los reactivos de la prueba son una muestra del universo en el cual el investigados está interesado. La validez de contenido se establece deductivamente, definiendo un universo de reactivos y muestreando sistemáticamente dentro de este universo para establecer una prueba 5.Validez de constructo La validez de constructo están involucrado siempre y cuando una prueba sea interpretada como una medición de algún atributo o calidad que no está definida operacionalmente. El problema enfrentado por los investigadores es, ¿qué constructos consideran la varianza del desempeño de la prueba?. Muchas de las actuales investigaciones sobre pruebas de personalidad son validación de constructo, usualmente fuera del beneficio de una formulación clara de este proceso

36 Tipos de validación (3)  La validez de constructo no es identificada solamente por un procedimiento investigativo particular, si no por la orientación del investigador.  La validez orientada a criterios implica la aprobación de un conjunto de operaciones como un definición adecuada de lo que se mide. Cuando un investigador cree que ningún criterio disponible para él es completamente válido, el por fuerza estará interesado en la validez de constructo porque esta es la única vía para evitar le “frustración infinita” de relacionar cada criterio con alguna norma más definitiva  La validez de constructo debe ser investigada siempre que ningún criterio o universo de contenido es aceptado como totalmente adecuado para definir la calidad medida

37 Tipos de validación (4)  La validez convergente y discriminante son los dos subtipos de validez que componen la validez de constructo: La validez convergente.- Es la relación entre diferentes medidas de un mismo constructo. La validez discriminante.- Las demostraciones de que una medida de una construcción no guarda relación con los indicadores de constructos teóricamente relevantes en el mismo dominio  Las mediciones de constructos en psicología son validadas evaluando si estas se relacionan con la medida de otro constructo específico de la teoría.  Cada prueba de las relaciones entre mediciones refleja sobre la validez tanto las mediciones y la teoría de la conducción de la prueba.  La validación de constructo se refiere al proceso simultáneo de medir y la validación de la teoría.  La validez de constructo es visto ahora como una forma de unificación de la validez de las mediciones psicológicas, incorporando tanto la validez contenido como la validez de criterio, que tradicionalmente habían sido tratados como formas distintas de validez.

38 Resumen  El término “validación de constructo” se refiere al proceso simultáneo de validación de las mediciones de los constructos psicológicas y la teoría de la que el constructo forma parte.  El estudio de la validación de constructo es un proceso en marcha. En este sentido se destacan cinco formas en que esto es cierto. 1.Los avances en la filosofía de la ciencia han ayudado a aclarar la naturaleza continua, indeterminada del proceso de validación de constructo. Esta calidad de las pruebas de la teoría representa una fuerza para el método científico, ya que refleja el proceso continuo de evaluación crítica de todos los aspectos de la teoría y la medición. 2.Los teóricos hacen hincapié en la búsqueda de pruebas teóricas informativas, con el fin de evitar, pruebas teóricas débiles ad hoc, en la ausencia de teorías totalmente especificadas. 3.La necesidad de validar, tareas de laboratorio clínico, mediante la investigación del grado en que las respuestas en una tarea reflejan la influencia de la construcción objetivo de interés, es cada vez más apreciado.

39 Resumen 4.La falta de claridad que sigue el uso de una única puntuación para representar constructos multidimensionales se ha descrito; los investigadores confían cada vez más en las medidas unidimensionales para mejorar la validez de sus pruebas teóricas. 5.Los avances importantes en los medios para evaluar evidencia de validez empírica se han descrito; los investigadores tienen nuevas herramientas estadísticas a su disposición. En resumen, hay nuevos desarrollos en el estudio de cómo validar teorías y sus medidas de acompañamiento. Estos avances prometen mejoras importantes en las mediciones y la validación de la teoría. A medida que los investigadores incorporan plenamente la teoría de validación de constructo de sonido en sus métodos, la tasa de progreso en la investigación de la psicología clínica seguirá aumentando.

40 Bibliografía Green, C. D. (2002). Classics in the History of Psychology. Classics in the History of Psychology, 15(1960), 1–7. http://doi.org/52, 281-302 Greenland, S. (n.d.). Concepts of validity in epidemiological research. Strauss, M. E., & Smith, G. T. (2009). NIH Public Access Construct Validity : Advances in Theory and Methodology, 1–25. http://doi.org/10.1146/annurev.clinpsy.032408.153639.Construct