Академический Документы
Профессиональный Документы
Культура Документы
5
Conceptos bsicos de anlisis multivariable
Miguel ngel Martnez-Gonzlez, Estefana Toledo Atucha
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
CAPTULO 5 Conceptos bsicos de anlisis multivariable 35
v erdadero efecto del alcohol como causante de accidentes est en el correspondiente quintil y 0 en caso contrario.
de trfico. No obstante, esa nueva OR as obtenida toda- Como la variable original quintiles tena 5 categoras, el
va puede estar confundida por otros factores no medidos programa ha introducido 4 trminos o variables dummies
o no incluidos en la ecuacin y se dira que es posible que en el modelo (todas las categoras menos una). Por ejemplo,
haya confusin residual. para los quintiles de edad, tendramos (tabla 5-3):
El ejemplo de la tabla 5-1 corresponde a un anlisis de
la misma hiptesis pero realizado con un tamao muestral _Ied5_2: segundo quintil de edad.
muy superior y ajustando por numerosas variables. _Ied5_3: tercer quintil de edad.
_Ied5_4: cuarto quintil de edad.
_Ied5_5: quinto quintil de edad.
Variables con ms de dos
categoras: variables dummy La categora que no se introduce es la que queda como
estrato de referencia frente al cual se realizarn todas las
Cuando se desea introducir como independiente una va- comparaciones. Aqu, en el ejemplo, la referencia son
riable cualitativa que tenga 3 o ms categoras, se debe los participantes del primer quintil de edad, que sera:
elegir primero cul ser la categora de referencia (el suelo _Ied5_1: primer quintil de edad.
frente al que se compararn las dems) y crear una nueva Lo mismo se hace con la variable kilmetros conducidos
Elsevier. Fotocopiar sin autorizacin es un delito.
variable para cada una de las dems categoras, es decir, se al ao, que se categoriza en quintiles y se toma la categora
crearn tantas variables como categoras tenga la variable inferior (los que menos conducen) como referencia frente a
original menos una. A este procedimiento se lo denomina a la cual se comparan los riesgos de cada uno de los dems
veces factorizacin y a las variables derivadas se las llama quintiles de kilmetros conducidos al ao.
variables indicadoras o variables dummy8-14.
Por ejemplo, en la tabla 5-2 se comparan 5 categoras
(quintiles) de edad y tambin 5 quintiles de kilmetros Variables independientes continuas
conducidos al ao. La variable cualitativa de agrupacin
tendr, por tanto, estos 5 niveles o categoras. Se considerar Trabajar con quintiles haciendo 4 variables dummies suele
el primer quintil como categora de referencia y se crearn ser un primer paso para valorar la relacin entre una varia-
cuatro nuevas variables (quintiles 2 a 5). Esto sirve para ble independiente continua (edad, kilmetros conducidos) y
comparar cada una de ellas frente a un grupo control que se- el acontecimiento de resultado (variable dependiente).
ra el primer quintil. Las nuevas variables, que suele crearlas Slo cuando se comprueba que a medida que aumenta
automticamente el software correspondiente (Stata las crea la variable independiente se produce un cambio cada vez
llamndolas _Ivariable) valdrn 1 cuando el participante mayor en la OR, y que adems siempre va en la misma
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
36 CONCEPTOS DE SALUD PBLICA Y ESTRATEGIAS PREVENTIVAS
.logistic AT alcohol
Logistic regression Number of obs = 1099
LR chi2(1) = 59.51
Prob>chi2 = 0.0000
Log likelihood=351.29593 Pseudo R2 = 0.0781
La base de datos contiene 1.099 sujetos. La variable dependiente es accidente de trfico (AT). Hay tres modelos. El primero, que se llama univariante, bruto o
crudo, contiene una sola variable independiente, el consumo de alcohol (dicotmica: 1=bebedor; 0=abstemio), que es la exposicin o variable independiente
principal. La ORcruda=4,75 (IC del 95%: 3,11-7,27). As estimada, puede estar confundida por otros factores. Al ajustar por edad y sexo se atena la asociacin
entre alcohol y AT (OR=2,76; IC del 95%: 1,27-6,03). La edad se mide en aos y el modelo indica que se reduce el riesgo por cada ao adicional de edad en un
5% aproximadamente (OR=0,95), pero debera testarse si realmente hay o no una relacin lineal entre edad y AT (se probarn quintiles de edad). La OR para
la variable sexo (1=varn; 0=mujer) indica un mayor riesgo (no significativo) en las mujeres, ya que vale 0,88.
El tercer modelo ajusta, adems, por la media de kilmetros conducidos al ao. La variable km1000 mide los kilmetros de 1.000 en 1.000. Por tanto, por cada
1.000km ms que se conducen, el riesgo (odds) aumenta en un 34% (OR=1,34; IC del 95%: 1,17-1,54). Habra que comprobar tambin, mediante quintiles, si
la relacin entre kilmetros conducidos y riesgo de accidente es lineal.
Para no tener que asumir que la relacin entre edad y riesgo de accidente es continuamente decreciente, ni que la relacin entre kilmetros conducidos y riesgo
es continuamente creciente, se han creado quintiles de las variables edad y kilmetros conducidos (ed5 y km5, respectivamente). Estas variables tienen valores
desde 1 para el primer quintil y as sucesivamente hasta ed5=5 para el quinto quintil de edad y km5=5 para el de kilmetros conducidos. Como hay 5 categoras,
STATA crea automticamente 4 variables indicadoras (dummy) que permiten contrastar el riesgo de cada uno de los 4 quintiles superiores frente al quintil inferior
(que queda siempre como referencia), sin asumir ninguna forma particular de la relacin dosis-respuesta. La categora de referencia ser el primer quintil, que
tendr, por definicin, OR=1, y por eso no aparece en el listado.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
CAPTULO 5 Conceptos bsicos de anlisis multivariable 37
direccin (siempre creciente o siempre descendente), sera de alcohol, pero uno conduce 1.000km al ao ms que el
permisible introducir la variable como continua, cosa que otro. Se asume que este cociente (1,34) es invariable para
no sucede en el ejemplo para la edad (el riesgo va bajan- todo el rango de posibles kilmetros conducidos por cada
do hasta el quintil 4, pero luego sube en el quinto quintil unidad de cambio, es decir, por cada 1.000km/ao ms
respecto al cuarto), pero s sucede con los kilmetros con- que se conduzcan siempre se multiplicar la odds por 1,34,
ducidos (tendencia siempre creciente)8-14. independientemente de que se estn comparando 2.000km/
En la tabla 5-4 se vuelve a repetir el ejemplo, pero esta ao con 1.000km/ao o 25.000 frente a 24.000km/ao.
vez introduciendo los kilmetros conducidos al ao (en Si se desease estimar qu OR correspondera a conducir
miles) como variable continua (km1000). La OR resulta 10.000km ms, se debera elevar a 10 la OR encontrada:
ser 1,34 y se interpreta como el cociente entre dos odds, las de
dos participantes que tienen igual edad, sexo y consumo OR+10.000km = (OR+1.000km)10 = (1,34)10 = 18,7
Ta b la 5- 4 Modelo de regresin logstica con una variable independiente cuantitativa continua (km1000)
Se siguen usando cuatro variables indicadoras (dummy) para la edad (v. tabla 5-3). En cambio, ahora se usa una sola variable (km1000) para los kilmetros
conducidos (en miles). Su OR (1,34) indica que el riesgo (odds) aumenta relativamente en un 34% por cada 1.000km ms que se conduzcan al ao. El modelo
asume que da igual pasar de 0 a 1.000km al ao que de 4.000 a 5.000, la OR en ambos casos sera la misma.
La parte inferior de la tabla presenta un modo alternativo de obtener el modelo, basado en los coeficientes (coeficiente=ln[OR]) en vez de estar basado en OR.
En este modelo aparece la constante a.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
38 CONCEPTOS DE SALUD PBLICA Y ESTRATEGIAS PREVENTIVAS
Para pasar de una odds a una probabilidad, se debe y = a = b1x1 + b2x2 + b3x3 + b4x4 + bixi
aplicar la frmula: Los coeficientes bi representaran simples diferencias
0,5589
odds
p = _______ = _________
= 0,359 de medias (entre valores sucesivos de xi).
1 + odds 1 + 0,5589
Por ejemplo, el siguiente modelo (tabla 5-5) predice la
Se estimar que la probabilidad de tener un acciden- presin arterial sistlica (PAS) a partir de sexo (1=varn,
te segn estos valores para las variables independientes 0=mujer), edad (aos) e ndice de masa corporal (IMC
(edad, sexo, km1000 y alcohol) es del 35,9%. en kg/m2):
Esta estimacin de probabilidades absolutas es factible
cuando el diseo es transversal o de seguimiento, pero no PAS = a + b1sexo + b2edad + b3IMC
lo es en estudios de casos y controles.
PAS = 84,5 + 7,17sexo + 0,28edad + 0,77IMC
En la figura 5-2 se representan grficamente las pre-
dicciones del modelo en funcin de los kilmetros con- Este modelo predecira:
ducidos para un varn del quintil inferior de edad y que
est expuesto al alcohol. Puede apreciarse que el modelo Para un varn de 40 aos con un IMC=25, una
logstico predice la probabilidad entre los lmites de 0 y PAS=122,12mmHg.
1 y adems produce una curva en forma de S, donde Para una mujer de 20 aos con un IMC=20, una
el cambio de probabilidad de tener un accidente se da en PAS=105,5mmHg.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
CAPTULO 5 Conceptos bsicos de anlisis multivariable 39
Sin interaccin
Source SS df MS
.regress tas sex age bmi
Model 468582.642 3 156194.214 Number of obs=8530
Residual 1241605.86 8526 145.625834 F(3,8526)=1072.57
Total 1710188.51 8529 200.514539 Prob>F=0.0000
R-squared=0.2740
Adj R-squared=0.2737
Root MSE=12.068
tas Coef. Std. Err. t P>|z| [95% Conf. Interval]
sex 7.171474 .311738 23.00 0.000 6.560392 7.782556
age .2794623 .0118846 23.51 0.000 .2561657 .302759
bmi .7682575 .0451839 17.00 0.000 .6796861 .8568289
_cons 84.50656 .9853465 85.76 0.000 82.57504 86.43807
Con interaccin
Source SS df MS
Model 474627.833 4 118656.958 Number of obs=8530
Residual 1235560.67 8525 144.933803 F(4,8525)=818.70
Total 1710188.51 8529 200.514539 Prob>F=0.0000
R-squared=0.2775
Adj R-squared=0.2772
Root MSE=12.039
tas Coef. Std. Err. t P>|z| [95% Conf. Interval]
sex 13.15265 .9769408 13.46 0.000 11.23761 15.06769
age .3514267 .0162707 21.60 0.000 .3195322 .3833212
bmi .7516654 .0451496 16.65 0.000 .6631614 .8401695
sexage .1473337 .022813 -6.46 0.000 .1920526 .1026147
_cons 82.29236 1.041074 79.05 0.000 80.2516 84.33312
Se interpreta que 7,17 es la diferencia de PAS entre La ltima variable (sexoedad) valdr 0 en las mu-
varones y mujeres (a igualdad de edad e IMC) y que jeres (0edad=0) y, en cambio, equivaldr a la edad
0,28mmHg/ao es el aumento que experimenta la PAS (1edad=edad) en los varones. Los coeficientes aparecen
por cada ao ms de edad. De la misma manera, por en la parte inferior de la tabla 5-5. Puesto que los trmi-
Elsevier. Fotocopiar sin autorizacin es un delito.
cada unidad ms (kg/m 2) de IMC la PAS aumenta en nos que van multiplicados por sexo desaparecen en las
0,77 mmHg8-11,13,14. La ordenada en el origen (constante mujeres (sexo=0) y simplemente multiplican por 1 en los
a, o intercept en ingls) representar el valor de la varones, se pueden deducir realmente dos modelos, uno
PAS en el caso imposible de que sexo, edad e IMC tuvie- para varones y otro para mujeres:
sen todos el valor 0.
Pero cabra preguntarse: es igual el aumento por cada
Mujeres: PAS=82,3+0,35edad+0,75IMC
ao de edad entre varones y mujeres, o es posible que en
Varones: PAS= 82,3+ 13,5+ 0,35edad 0,15
las mujeres el aumento de la PAS con la edad sea superior?
edad+0,75IMC = PAS=95,8+0,20 edad+0,75IMC
Esto correspondera al concepto de interaccin o modifi-
cacin del efecto, ya que supondra que el sexo modifica
Es decir, la ordenada en el origen es superior para el
el efecto de la edad4-6,13,15.
modelo masculino, mientras que la pendiente es superior
Para eso se introduce un trmino multiplicativo en el
para el modelo femenino.
modelo y quedara as:
Esta interaccin muestra una realidad biolgica y es que
PAS = a + b1sexo + b2edad + b3IMC + b4sexo edad el incremento de PAS con la edad es mayor en la mujer.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
40 CONCEPTOS DE SALUD PBLICA Y ESTRATEGIAS PREVENTIVAS
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
CAPTULO 5 Conceptos bsicos de anlisis multivariable 41
sucesosocurridosenelinstantet
hazardt = lt_____________________
se pueden hacer ms comparaciones, pues en esta base de
sucesosenriesgoenelinstantet
d
datos slo hay muertes a los 2, 3,5 y 5 aos. Obviamente,
sucesosocurridosenelinstantet
hazardt = lt_____________________ = __
nt si no se observan muertes no se pueden comparar sus
sucesosenriesgoenelinstantet t
d 1
riesgos de mortalidad.
Grupoa) hazard2aos=l2/a) = __n = __
2
5= 0,2 Lo que hace el modelo de Cox es promediar de manera
2
Muertes a los
14 meses 17 meses 28 meses Vivos a 44 meses
Fumadores 4 4 4 9.988
No fumadores 1 1 1 9.997
Introduccin datos en STATA
Fumar Acontecimiento Tiempo N
1 1 14 4
1 1 17 4
1 1 28 4
1 0 44 9.988
0 1 14 1
0 1 17 1
0 1 28 1
Elsevier. Fotocopiar sin autorizacin es un delito.
0 1 44 9.997
Anlisis con STATA
.expand n
.stset tiempo, failure(acontecimiento=1)
.stcox fumar
Resultados
No. of subjects=20000 Number of obs=20000
No. of failures=15
Time at risk=879635
LR chi2(1)=5.79
Log likelihood=145.65604 Prob>chi2=0.0162
_t Haz. ratio Std. err. z P>|z| [95% Conf. interval]
Fumar 4.001201 2.582764 2.15 0.032 1.129125 14.17877
Como podra intuirse al ver los datos, el riesgo de fallecer en cada instante es 4 veces superior en los fumadores. Por eso la hazard ratio vale 4. Es ligeramente
superior a 4 porque los denominadores son cada vez menores en los fumadores.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
42 CONCEPTOS DE SALUD PBLICA Y ESTRATEGIAS PREVENTIVAS
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
CAPTULO 5 Conceptos bsicos de anlisis multivariable 43
4. De Irala J, Martnez-Gonzlez MA, Segu-Gmez M. 12. Hosmer DW, Lemeshow S. Applied logistic regression, 2. ed.
Epidemiologa aplicada. 2. ed. Barcelona: Ariel; 2008. Hoboken: John Wiley & Sons; 2000.
5. Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 13. Katz MH. Multivariable Analysis: A Practical Guide for
3. ed. Filadelfia: Lippincott Williams & Wilkins; 2008. Clinicians and Public Health Researchers, 3. ed. Cambridge:
6. Gordis L. Epidemiology, 4. ed. Filadelfia: Saunders Elsevier; Cambridge University Press; 2011.
2009. 14. Ware JH, Mosteller F, Delgado F, Donnelly C, Ingelfinger JA.
7. Martnez-Gonzlez MA, de Irala J, Guilln-Grima F. Qu es P Values. En: Bailar JC III, Hoaglin DC, eds. Medical uses of
una odds ratio? Med Clin (Barc). 1999;112:416-22. statistics, 3. ed. Boston: New England Journal of Medicine; 2009.
8. Martnez-Gonzlez MA, Snchez-Villegas A, Fauln Fajardo 15. De Irala J, Martnez-Gonzlez MA, Guilln-Grima F. Qu
FJ, eds. Bioestadstica amigable, 2. ed. Madrid: Daz es una variable modificadora del efecto? Med Clin (Barc).
deSantos; 2006. 2001;117:297-302.
9. Sents J, Pardell H, Cobo E, Canela J. Bioestadstica. 2. ed. 16. Hosmer DW, Lemeshow S, May S. Applied Survival Analysis:
Barcelona: Masson; 1995. Regression Modeling of Time to Event Data (Wiley Series in
10. Carrasco JL, Hernn MA, Martn-Hortelano C. El mtodo Probability and Statistics). 2. ed. Hoboken: John Wiley &
estadstico en la investigacin mdica. Madrid: Ciencia; 1995. Sons; 2008.
11. Kleinbaum DG, Kupper LL, Nizam A, Muller KE. Applied 17. Martnez-Gonzlez MA, Alonso A, Lpez-Fidalgo J. Qu
regression analysis and multivariable methods (Duxbuy es una hazard ratio? (nociones de anlisis de supervivencia).
applied), 4. ed. Belmont: Thomson Higher Education; 2008. Med Clin (Barc). 2008;131:65-72.
Elsevier. Fotocopiar sin autorizacin es un delito.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
Descargado de ClinicalKey.es desde Universidad Nacional Autonoma de Mexico febrero 12, 2017.
Para uso personal exclusivamente. No se permiten otros usos sin autorizacin. Copyright 2017. Elsevier Inc. Todos los derechos reservados.
A utoevaluaci n
1. Si se observa que la odds ratio (OR) cruda de c-HDL bajo es de 2,5 para la cardiopata isqumica, pero al
ajustar este resultado por el nmero de cigarrillos fumados al da la OR es de 1,3. Es cierto que:
a) Existe interaccin entre c-HDL y tabaco
b) El c-HDL modifica la relacin entre consumo de tabaco y cardiopata isqumica
c) El c-HDL causa un sesgo de informacin
d) La verdadera OR es 2,5
e) La verdadera OR es 1,3
Correcta: e. Cuando se dice que se ha ajustado un anlisis (p. ej., por sexo, edad, tabaco, etc.) es que se ha
tratado de impedir que estos factores (sexo, edad, tabaco, etc.) distorsionen la medida de asociacin. Por tanto,
la OR vlida es la ajustada, es decir, la que tiene en cuenta el efecto del nmero de cigarrillos fumados.
2. Se pretende predecir las cifras de c-LDL a partir del sexo, la edad, las cifras de presin arterial y la actividad
fsica. Se recurrir a:
a) t de Student para muestras independientes
b) Ji al cuadrado de tendencia lineal
c) Modelo de regresin lineal mltiple
d) Modelo de regresin logstica
e) Modelo de regresin de Cox
Correcta: c. Los modelos multivariables son tiles para predecir el valor de una variable a partir de los valores
de otras, o la probabilidad absoluta de presentar un desenlace. Como la variable dependiente (c-LDL) es continua,
recurriremos a un modelo de regresin lineal mltiple.
3. En un estudio sobre deterioro cognitivo, los resultados del anlisis multivariable muestran que el deterioro
cognitivo se acelera ms con la edad en los fumadores que en los no fumadores. Las diferencias segn el tabaco
no son homogneas sino que aumentan con la edad, de manera que hay un mayor deterioro cognitivo asociado
a la edad en fumadores y hay mayores diferencias entre fumadores y no fumadores a medida que aumenta la
edad. Con esta informacin usted concluye que:
a) Hay interaccin entre el tabaco y el deterioro cognitivo
b) nicamente se ha ajustado por edad y no por tabaco
c) La edad y el tabaco son factores de confusin en este estudio
d) En el anlisis multivariable se ha introducido un trmino de producto edad*tabaco
e) Se ha cometido un sesgo de seleccin, ya que la distribucin de fumadores segn la edad no es homognea
Correcta: d. Para saber el efecto de la edad en el deterioro cognitivo ser necesario conocer si se es o no fumador,
pues el efecto de la edad depende del tabaco. Es decir, hay una interaccin entre las dos exposiciones. Para evaluar
la interaccin, introducimos en el modelo multivariable un trmino de producto (edad*tabaco).
Caso
Recibe un mensaje del consejero de Sanidad de su regin. Han detectado ms de 300 casos de una gripe atpica,
ms virulenta y mortal de lo esperado para la gripe estacional clsica. Estn considerando la posibilidad de que
sea una variacin antignica mayor (antigenic shift) de un virus de la gripe A. Gracias a la base de datos del Sis-
tema Nacional de Salud, disponen de abundante informacin de los pacientes que han sufrido este nuevo tipo de
gripe (sexo, edad, lugar de origen, enfermedades, embarazo, educacin, medicacin) y de la evolucin clnica
que han tenido (analtica, placa de trax, lugar de ingreso, constantes vitales, tiempo hasta la recuperacin).
Le remite la base de datos y le solicita lo siguiente:
1. Defina cules son los factores de riesgo de mortalidad, para concentrar el esfuerzo preventivo y teraputico en
los grupos de alto riesgo. Para ello, lo ms adecuado sera emplear en el anlisis:
a) Regresin lineal simple
b) Regresin lineal mltiple
c) Regresin logstica
d) Regresin de Cox
e) Nada de lo anterior
Correcta: c.
3. Adems han detectado que algunos pacientes tienen leucocitosis. Le piden que especifique qu factores deter-
minan los niveles de leucocitos en sangre. Para ello, lo ms adecuado sera emplear en el anlisis:
a) Regresin lineal simple
b) Regresin lineal mltiple
c) Regresin logstica
d) Regresin de Cox
e) Nada de lo anterior
Correcta: b.
Discusin
Cuando la variable dependiente o evento en estudio es dicotmica (muerte s o no), lo normal es usar la regresin
logstica. Si se hubiese definido el tiempo hasta que se produjo el evento, podra considerarse emplear la regresin de
Cox, pero en una epidemia aguda eso no tiene mucho sentido.
Cuando la variable dependiente es continua (leucocitos en sangre), lo normal es usar la regresin lineal, aunque
quiz habra que considerar la transformacin logartmica de la variable dependiente para adaptarla mejor a la
distribucin normal. Si se desea valorar el efecto de ms de una variable (como en este ejemplo), lo correcto es
emplear la regresin lineal mltiple.
Al ser un estudio predictivo, no hace falta realizar un ajuste por todos los factores de confusin. Por tanto, no es
necesario, a priori, efectuar un anlisis estratificado por sexo. Bastara con introducir sexo en el modelo.