Confusión Confusión es una asociación aparente entre la enfermedad y la exposición causada por un tercer factor no tomado en consideración Un confusor es una variable que está asociada con la exposición e, independiente de la exposición, es un factor de riesgo para la enfermedad Traducción realizada por Dr. Nicolás Padilla, Facultad de Enfermería y Obstetricia de Celaya, Universidad de Guanajuato, México

Ejemplos Estudio A encontró una asociación entre tabaquismo y calvicie El estudio fue confundido por edad Estudio B encontró un efecto protector entre compañía animal y ataque cardiáco El estudio puede estar confundido por el hecho que las mascotas requieren cuidado y los dueños de mascotas están más activos o son más aptos físicamente para atenderlos El estudio también puede estar confundido por el hecho que aquellos que pueden tolerar mascotas son más accesibles (personalidades tipo B) Estudio C encontró mejores resultados perinatales para centros de atención natal que los hospitales El estudio puede estar confundido por voluntarios muy motivados quienes seleccionan la opción del Centro de atención natal.

Probando para confusión Obtención de una medición cruda del resultado (tasa cruda de mortalidad, tasa cruda de natalidad, razón de momios o riesgo relativo) Repita la medición del resultado controlando por la variable (tasa ajustada por edad, riesgo relativo o razón de momios específico a género) Compare las dos mediciones; la estimación de las dos mediciones serán diferente si la variable es un confusor

Probando para confusión (cont.) Edad es un confusor para mortalidad por cáncer Tasa ajustada por edad = Suma de las esperadas/ Total en la población estándar = 1.27 / 1,000 Tasa cruda= Muertes totales/Población en riesgo =115 / 45,000 = 2.56 / 1,000 * 1980 Población de USA donde jóven= 0-18; maduro=19-64; viejo=+65 288,039 226,500,000 XXXX 45,000 115 Total 171,419 25,700,000 6.67 15,000 100 Viejo 56,120 140,300,000 0.40 25,000 10 Maduro 60,500 1.00 5,000 5 Joven Esperados Población estándar* ASR/1,000 Población en riesgo Muertes por cáncer Edad 60,500,000

Controles para confusión Controles para confusión pueden ser diseñados en los estadios de planeación del estudio o en la planeación de un estudio Estadio de planeación Aleatorización (para estudios experimentales) Restricción (Permite ingresar al estudio a aquellos que queden en una banda estrecha de una variable potencialmente confusora) Pareando (Parear casos y controles sobre las bases de las variables potencialmente confusoras, especialmente edad y género) Casos y controles pueden ser individualmente pareados para una o más variables, o pueden ser pareados en grupo Pareando es caro y requiere técnicas analíticas especiales Sobrepareando o pareando en forma innecesaria puede enmascarar hechos

Controles para confusión (cont) Estadio de análisis Estratificación Análisis multivariado – Regresión linear múltiple, Regresión logística, Modelo de Riesgos proporcionales

Probando para efecto modificador (Interacción entre variables) Cuando la tasa de incidencia de la enfermedad en la presencia de dos o más factores de riesgo difiere de la tasa de incidencia esperada como resultado de sus efectos individuales. El efecto puede ser mayor que lo esperado (interacción positiva o sinergismo) o menor a lo esperado (interacción negativa o antagonismo)

Efecto modificador (Interacción), cont. Para evaluar interacción: ¿Hay una asociación? Si es así, ¿es debido a confusión? Si no, ¿hay diferencias entre los estratos formados sobre las bases de una tercera variable? Si es así, interacción o efecto modificador está presente Si no, no hay interacción o efecto modificador

La prevalencia de osteoartritis es de 50% entre mujeres a la edad de 65. ¿Iniciar suplementos de calcio a los 50 años es de utilidad? No enfermas Enfermas Ca+ 50 450 500 Ca- 350 150 500 400 600 1000 RR=0.16 Aquellas con tratamiento tienen 84% menos enfermedad a los 65 años

¿Tabaquismo confunde el tratamiento con calcio? Enfermedad No Enfermedad No fumadores Ca+ 20 320 340 Ca- 80 80 160 RR=0.12 100 400 500 Enfermedad No Enfermedad Ca+ 30 130 160 Fumadores Ca- 270 70 340 RR=0.24 300 200 500 El tratamiento con calcio de la osteoartritis es confundida por tabaquismo

¿El tratamiento para fumadores fue modificado por alcohol? Enfermedad No Enfermedad Ca+ 25 75 100 Ca- 250 50 300 RR=0.30 275 125 400 Fumadores que beben Enfermedad No Enfermedad Ca+ 5 55 60 Ca- 20 20 40 RR=0.17 25 75 100 Fumadores que no beben El tratamiento con calcio de los fumadores fue modificado por alcohol

Evaluando la relación entre una causa posible y el resultado Asociación observada 1. ¿Podría ser debido a sesgo de selección o de información? 2. ¿Podría ser debido a confusión o efecto modificador? No No Probablemente no 3. ¿Podría ser un resultado por el azar? 4. ¿Podría ser causal? Aplique guías y haga juicio

Evaluando una asociación ¿Cómo podemos estar seguros que lo encontrado es una asociación verdadera - para contruir un caso para la causa? Epidemiólogos van a través de un proceso de tres pasos: Examina la metodología buscando sesgos Examina el análisis para confusión y modificador de efecto (interacción) Examina los resultados para significancia estadística

Estadística inferencial Ayuda a realizar predicciones, estimaciones o inferencias,acerca de lo no observado basado en lo que fue observado (de una muestra) a través de la prueba de hipótesis.

Estadística inferencial Requiere probar una hipótesis Ho: hipótesis nula No hay efecto o no hay diferencia Ha: hipótesis de invstigación (alternativa) Hay un efecto o una diferencia

Significancia estadística Creo que el tratamiento A es mejor que el tratamiento B. ¿Por qué no pruebo mi hipótesis de investigación?¿Por qué prueba la hipótesis nula? H0 : Tratamiento A = Tratamiento B La hipótesis de investigación requiere un número infinito de pruebas estadísticas Si probamos la hipótesis nula, tenemos que realizar un solo test, de no diferencia

Pasos en las pruebas de hipótesis(cont.) Una asociación estadística nos dice la probabilidad de que el resultado obtenido sucedad por azar. Una fuerte asociación estadística no significa causalidad! Cada que rechazamos la hipótesis nula, tenemos el riesgo de estar equivocados Cada que que fracasamos en rechazar la hipótesis nula tenemos el riesgo de estar equivocados

Ejemplos de probando hipótesis Calculamos la tasas ajustadas por edad para San Francisco y San Jose y se compararon Ho: AAR1 = AAR2 Ha: Hay una diferencia estadísticamente significativa entre las tasas ajustadas por edad de San Francisco y San José

Probando hipótesis (cont.) Calculamos razón de momios y riesgos relativos Ho: OR = 1 (o RR = 1) Ha: Hay una diferencia estadísticamente significativa entre casos y controles (o entre los expuestos y los no expuestos)

Probando hipótesis (cont.) Calculamos la SMR para rancheros Ho: SMR = 100% Ha: Hay una diferencia estadísticamente significativa entre la población cohorte y la población control.

Pasos para probar hipótesis Asumir que la hipótesis nula es verdadera Reunir los datos y probar si hay diferencia entre grupos La probabilidad de que se obtengan esos resultados sólo por azar, es el valor de p. Si el valor de p es bajo (azar es improbable que sea la causa del resultado), se rechaza la hipótesis nula

Hipótesis nula H0: Tratamiento A (tratamiento de dosis única en infección de vías urinarias (IVU)= tratamiento B (tratamiento multidosis de IVU). Situe alpha en 0.05 (1 en 20 de posibilidad de un error tipo 1) Calcule un valor de p (la probabilidad de que los resultados sea por azar) de 0.07 Fracaso para rechazar la hipótesis nula La diferencia entre los grupos no fue estadísticamanete significativa ¿Son los hallazgos clínicamente importantes?

Hipótesis nula No hay nada mágico en un valor de alfa de 0.05 o 0.01 Hay situaciones donde un alfa de 0.2 es aceptable El tamaño del valor de p no nos indica la importancia de los resultados El valor de p nos dice la probabilidad de que hayamos cometido un error-que rechazamos la hipótesis nula y señalamos una diferencia cuando no hay ninguna Resultados pueden ser estadísticamente significativos pero clínicamente sin importancia Resultados sin significancia estadística pueden ser clínicamente importantes

Intervalos de confianza Algunas veces estamos más interesados con la estimación de la verdadera diferencia que la probabilidad de que estamos haciendo la decisión correcta (valor de p) El intervalo de conafianza 0.95 provee el intervalo en el cual los verdaderos valores es probable que se encuentren en el 95% de las veces. Si el intervalo de confianza contiene 0 o 1 (el valor de no diferencia) no podemos rechazar la hipótesis nula Tamaños de muestra más grandes producen intervalos de confianza pequeños- más confianza en los resultados

¿Son estas tasas estadisticamente significativas diferentes entre ellas? Los intervalos de confianza al 95% lo dicen. AAR1 = 346.9 (ES 2.5) (344.4, 349.4) AAR2 = 327.8 (ES 14) (313.8, 341.8)

AAR1 fue estadísticamente significativa más alta que AAR2 ¿Qué acerca de estas? SMR = 112% (99, 125) RR = 3.4 (1.2, 5.6)

Cada vez que usamos estadística inferencial, estamos en riesgo de estar equivocados

Hipótesis nula H0: Tratamiento A = Tratamiento B Decisión sobre H0 Verdad No diferencia Falsa diferencia Fracaso para rechazar Correcto 1-a Error tipo II b Rechazar Error tipo I (Nivel de significancia) a Correcto (Poder) 1- b

Formas de estar equivocado Error tipo I – rechazando la hipótesis nula cuando ella es verdad- no hay diferencia Error tipo II – fracasando en rechazar la hipótesis nula cuando ella es falsa - hay una diferencia

Poder de la prueba Beta (la probabilidad de un error tipo II) es importante si no queremos que se encubra un efecto Podemos reducir el riesgo de error tipo II mejorando el poder de la prueba Poder: La probabilidad de que se detecte un efecto de un particular tamaño basado en un número particular de sujetos

Poder de la prueba Poder es influenciado por: El nivel de significancia (probabilidad de un error tipo I) se sitúa para la prueba de hipótesis; El tamaño de la diferencia que se desea detectar El número de sujetos en el estudio

Sujetos en el estudio Más sujetos permiten determinar pequeñas diferencias Más sujetos producen más pequeños intervalos de confianza Más sujetos cuestan más dinero Más sujetos incrementan la complejidad del proyecto ¿Se necesitan más sujetos?

¡Puede ser! Equilibre lo siguiente: Diferencia no significativa en un estudio pequeño no nos dice nada Encontrar una diferencia significativa en un estudio pequeño podría no ser reproducido debido a variación de la muestra Encontrar una diferencia no significativa en un estudio grande nos dice que los tratamientos o resultados son esencialmente equivalentes Encontrar una diferencia significativa en un estudio grande revela una diferencia verdadera, pero los hallazgos pueden no ser clínicamente importantes

¿Cómo me imagino qué hacer? Revise la literatura para estimar la incidencia o la prevalencia de la enfermedad ( o tasa de recuperación)en la población control, o Estime la exposición (tratamiento, monitoreo) en la población control Determine que diferencia desea detectar entre la población del estudio y los controles Seleccione alfa – el riesgo de encontrar un efecto cuando realmente no hay uno (usualmente 0.05 o 0.01) Seleccione el nivel de poder – la probabilidad de encontrar un efecto cuando realmente hay uno (usualmente 0.90 o 0.90) Calcule o use tablas de tamaño de muestra para determinar cuantos sujetos se necesita

Finalmente, ¿puede tener muchos sujetos con el presupuesto, tiempo y limitaciones logísticas? Si no, el estudio es probablemente no útil realizarlo, a menos que se acepte un bajo poder o un alfa grande

Tamaño de muestra para un estudio clínico H0 : Tratamiento A = Tratamiento B (Prueba de una cola vs dos colas, por la cual queremos probar el incremento o disminución de sobrevida con tratamiento B) Tamaño de muestra requerido en cada grupo Nivel de significancia Sobrevida con tratamiento A Sobrevida con tratamiento B Poder .05 Una cola 30% 10% incremento o disminución .80 280 .05 Dos colas 30% 10% incremento o disminución .80 356 .05 Una cola 30% 20% incremento o dimsinución .80 73 .05 Dos colas 30% 20%incremento o disminución .80 92

Tamaño de muestra para un estudio clínico H0 : Tratamiento A = Tratamiento B (prueba de una cola, variando el nivel de significancia, poder y diferencia que deseamos detectar) Tamaño de muestra requerido para cada grupo Sobrevida con tratamiento A Sobrevida con tratamiento B Nivel de significancia Poder .05 30% 10% de diferencia 280 .80 20% de diferencia 73 .05 30% 10% de diferencia 388 .90 20% de diferencia 101 10% de diferencia .80 455 .01 30% 20% de diferencia 118 590 .01 .90 30% 10% de diferencia 20% de diferencia 153