Diseño de estudios casos-controles Dos grupos son seleccionados, uno de personas con la enfermedad (casos), y el otro de personas con las mismas características generales pero sin la enfermedad (controles) Compare la exposición en ambos grupos Traducción realizada por Dr. Nicolás Padilla, Facultad de Enfermería y Obstetricia de Celaya, Universidad de Guanajuato México.

Diseño de estudio de casos-controles Expuesto Enfermos (Casos) No Expuesto Población objetivo Expuesto No Enfermos (Controles) No Expuesto

Diseño de estudio de casos-controles Limitantes: No se puede obtener tasas de incidencia debido a que los sujetos son seleccionados en base a el resultado Una estimado de la razón de tasas de incidencia o riesgos(RR) es obtenido por el cálculo de razón de momios (OR)

Cálculo de la Razón de Momios (OR) Resultado Casos Exposición Controles A B Expuestos No expuestos C D A / C Probabilidad de exposición para casos = Razón de momios B / D Probabilidad de exposición para controles (estima el riesgo relativo)

Comparando OR y RR OR = AD/BC = 5.44 RR = Ie/In = 4.41 Resultado Controles Exposición Casos Exposed 70 300 370 Not Exposed 30 700 730 100 1000 1100 OR = AD/BC = 5.44 RR = Ie/In = 4.41

Señalando los resultados OR = 5.44 Aquellos con la enfermedad son 5.44 veces más probable que tengan la exposición que aquellos sin la enfermedad RR = 4.41 Aquellos con la exposición son 4.41 veces más probable que desarrollen la enfermedad que aquellos sin la exposición

Resúmen de fuerzas y limitaciones de los estudios cohorte prospectivos y casos controles Caso-Control Fuerzas: Util para enfermedades raras Relativamente barato Relativamente resultados rápidos Fuerzas: Oportunidad para medir factores de riesgo antes de que la enfermedad ocurra. Produce tasas de incidencia y estimaciones del riesgo relativo Limitaciones: Sesgos posibles en medición factores de riesgo después de que la enfermedad ha ocurrido Sesgo posible en la selección el grupo control Identificar casos pueden no representar exposición de todos los casos Limitaciones: Poco útil para enfermedades raras Relativamdente caro Relativamente resultados lentos

Estudios Clínicos Aleatorizados (RCT) El estándar dorado Estudio Cohorte

Esquema de un estudio clínico Población del estudio No participantes Participantes Aleatorización Tratamiento Control Intervención onuevo tratamiento Control Mejoría No mejoría Mejoría No mejoría

Diseño cruzado Sujetos son aleatorizados para una secuencia de dos o más tratamientos Cada sujeto sirve como su propio control Grupo Sequencia Periodo 1 Lavado Periodo 2 I A , B A B II B , A

Diseño factorial Dos o más tratamientos son evaluados simultáneamente en el mismo grupo de sujetos usando diferentes combinaciones de tratamientos Aleatorización Tratamiento A Placebo Tratamiento B Placebo Tratamiento B Placebo

¿Cómo evaluamos si estudios de cáncer son válidos? Entendiendo sesgo y confusores

Probando para una verdadera asociación Examine la metodología para sesgos Examine el análisis para confusores Examine los resultados para significancia estadística

Examine el diseño del estudio para sesgos Sesgo de selección Errores en el proceso de identificación de la poblacjón del estudio y en la selección de los sujetos Sesgo de información/del observador Errores en las mediciones de la exposición o status de la enfermedad

Confusores Confusión es una aparente asociación entre enfermedad y exposición causado por un tercer factor no tomado en consideración

Ejemplos de confusores Estudio A encontró una asociación entre juego y cáncer de pulmón. El resultado puede estar confundido por tabaquismo. Estudio B encontró una mayor tasa cruda de mortalidad en Florida que en Alaska. La tasa puede estar confundida por diferencias en la estructura etárea de la población.

Proibando para confusores Calcule la tasa cruda Calcule una tasa ajustada para la variable confusora Compare las dos mediciones Las dos mediciones serán diferentes si la variables es un confusor (en la práctica, cuando las mediciones cruda y ajustada difieren por al menos 10%)

Población estándar EUA 1980 Edad es un confusor para muerte por cáncer Esperado N° de muertes Población en riesgo Edad Muertes por cáncer ASR (1) / (2) = (3) (3) x (4) = (5) (1) (2) (4) 0-18 5 5,000 1.00 por 1000 60,500,000 60,500 19-64 10 25,000 0.40 por 1000 140,300,000 56,120 65+ 100 15,000 6.67 por 1000 25,700,000 171,419 Total 115 45,000 xxx 226,500,000 288,039 Tasa cruda (115 / 45,000) x 1000 2.56 por 1,000 Tasa ajustada por edad (288,039 / 226,500,000) x 1000 1.27 por 1,000 No igual Edad es un confusor para muerte por cáncer

Evaluando significancia estadística La probabilidad de que obtengas tus resultados como resultado sólo del azar es el valor de p Un valor de p bajo ( < 0.05 ) dice que el azar no es la probable explicación de tus resultados El intervalo del confianza al 95% (CI) es el rango de valores donde el verdadero valor será localizado 95% de las veces Grandes tamaños de muestra producirán intervalos de confianza estrechos Pequeño tamaño de muestra producirán amplios intervalos de confianza

Evaluando resultados RR = 1: No hay diferencia de la enfermedad entre los grupos expuestos y no expuestos OR = 1: No hay diferencia de exposición entre casos y controles Ejemplos: RR = 1.8 (1.6, 2.0) es estadísticamente significativo RR = 1.8 (0.8, 2.9) no es estadísticamente significativo OR = 0.7 (0.6, 0.8) es estadísticamente significativo OR = 0.7 (0.4, 1.2) no es estadísticamente significativo

Entender criterios de causalidad ¿Cómo evaluamos si asociaciones entre cáncer y factores de riesgo son causales? Entender criterios de causalidad

Mostrar causa Enfermedad crónica y condiciones complejas requieren que usemos los postulados de Hill Fuerza de asociación Consistencia de la asociación Especificidad de la asociación Temporalidad Gradiente biológico Plausibilidad Coherencia Experimentación Analogía

Entienda el impacto de la educación y de los programas de monitoreo ¿ Cuánto de la morbi-mortalidad por cáncer puede ser prevenida por algúna intervención? Entienda el impacto de la educación y de los programas de monitoreo

Principios de monitoreo Validez Sensibilidad: correctamente identificar aquellos con la enfermedad Especificidad: correctamente identificar aquellos sin la enfermedad Valor predictivo +: proporción de prueba verdaderas positivas Valor predictivo - : proporción de pruebas correctamente negativas Confiabilidad: habilidad de la prueba para dar resultados consistentes Producción: cantidad de enfermedad no reconocida bajo tratamiento por el monitoreo

Calculando mediciones de validez Diagnóstico verdadero Resultado de la prueba No enfermo Enfermo Total Positivo a b a+b Negativo c d c+d Total a+c b+d a+b+c+d Sensibilidad = a/(a+c) Especificidad = d/(b+d) Valor predictivo positivo = a/(a+b) Valor predictivo negativo = d/(c+d)

Ejemplo: monitoreo de cáncer de mama Resultados de mamografía Enfermo No enfermo Total Positivo 132 983 1,115 Negativo 45 63,650 63,695 Total 177 64,633 64,810 Sensibilidad = 132/177 = 74.6% Especificidad = 63,650/64,633 = 98.5% Valor predictivo positivo = 132/1,115 = 11.8% Valor predictivo negativo = 63,650/63,695 = 99.9%

Claves para monitoreo Sensibilidad: detectar un suficiente número de casos preclínicos par ser de utilidad Prevalencia: monitoreo de poblaciones de alto riesgo Frecuencia: monitoreo de una vez no permite conocer diferencias en riesgo individual o diferencias en ataque Participación: pruebas inaceptables para la población objetivo no serán utilizadas Seguimiento: aquellos con pruebas positivas necesitar ser provistos con un plan de acción

Consejos para la lectura de la literatura Identifique el diseño del estudio Entienda cómo los sujetos fueron seleccionados Entienda como es definida la exposición Evalúe sesgos y confusores potenciales Determine si la evaluacióne estadística es apropiada Haga decisiones acerca de si la medición del resultado son estadísticamente significativas y/o clínicamente importantes Uso de buen juicio

Fin