Вы находитесь на странице: 1из 9

Escuela de Medicina, Tercer año

MIC – Dr. Cristian Papuzinski- 24/08/2018


Transcribe: Gabriela Salamanca, Pilar Salas, Eduardo Salgado, Lucas Sanchez
Revisa: Gabriela Salamanca

MEDIDAS DE ASOCIACIÓN EPIDEMIOLÓGICA


INTRODUCCIÓN
● Ciencia perteneciente al área de las matemáticas que tiene por objetivo el representar, resumir e
interpretar los datos.
● “(la bioestadística aplicada a la ciencia de la salud) es el arte de transformar los datos en información”
Shrikant Bangdiwala. Es importante sobre todo cuando hay mucha información, y no se sabe que
hacer con ese acumulo de datos.

REPASO: ESTADÍSTICA

APLICACIONES EN MEDICINA

● Mejora las capacidades tradicionales de diagnóstico, tratamiento y prevención. Se utilizan


mucho en diagnóstico a través de herramientas como sensibilidad, especificidad, valores predictivos.
En tratamiento, se verá durante la clase algunos estimadores de asociación para evaluar la eficacia o
no eficacia de un tratamiento.
● Permite responder preguntas relevantes utilizando estimadores de riesgos y probabilidades.
Investigaciones del tipo “¿cuál es la probabilidad de que mi paciente tenga X condición, dado que está
expuesto a W evento”
● Permite optimizar la toma decisiones en salud. El objetivo del ramo es poder adquirir conocimientos
respecto de estas herramientas para poder finalmente aplicarlo en nuestra practica médica.

TIPOS DE ANÁLISIS

● Estadística descriptiva: Recolección, clasificación y presentación de variables mediante tablas,


gráficos y medidas de resumen.
● Estadística inferencial: Mediante investigación por muestreo, logra resultados considerados como
estimadores de los valores estadísticos correspondientes a las características de la población.

VARIABLES

● Cualidad o característica mensurable de un individuo o elemento de un conjunto determinado, cuya


variabilidad se rige por azar.
● Existen 2 tipos:
o Cualitativas
▪ Nominales
▪ Ordinales
o Cuantitativas
▪ Continuas
▪ Discretas
● En esta clase para saber qué estimador usar es importante saber qué variable se está estudiando.
Distribución: variables cuantitativas: Gráfico o
campana de Gauss, tiene descrita la normalidad
estadística, en una muestra que se distribuya de esta
forma existen probabilidades teóricas de encontrar
cierto porcentaje de la población en relación a ciertas
desviaciones estándar respecto a la media.

● En muchos de los trabajos de investigación del


curso, se trabajará con muestras (pequeñas, de
100-200 individuos, pequeña considerando la
población sanitaria); si esos datos tienen un
tamaño muestral adecuado, normalmente mayor a 100 o a 60, se puede considerar que sigue esta
distribución y si no la sigue, se debe analizar por qué, porque las herramientas estadísticas no serán
las que se han enseñado sino estadísticas no paramétricas.
● Si la muestra tiene una distribución normal o el “n” es grande, se puede utilizar estadística paramétrica
y son pruebas que habitualmente se ocupan en medicina.
● Esta distribución normal sigue los preceptos de la teoría central del límite, donde dice que las medidas
de tendencia central, tienden a converger respecto al punto central, es decir, que la media y la
mediana son similares.
● La mayoría de los datos se concentran en el centro del gráfico, el 68% de los datos está a más o
menos una desviación estándar respecto del valor central y el 95% de los valores están más o menos
a dos desviaciones estándar del dato central, o sea la probabilidad de encontrar ese valor en esa zona
es muy alta.
● El gráfico es simétrico respecto a un dato u otro.

ESTADÍGRAFOS O ESTIMADORES
● De posición o Mediana
o Deciles o Moda
o Percentiles ● De dispersión
o Cuartiles o Varianza
● De resumen o Desviación estándar
o Media aritmética o Rango interpercentílico
✓ Estos estimadores sintetizan gran parte de la información biomédica.
✓ No olvidar que para variables cualitativas se deben reportar los datos con frecuencias absolutas y
porcentajes.

RECORDATORIO STATA

● Variable cualitativa: Esta tabla habla de el consumo de


tabaco en 3 cursos de medicina.
● Una variable es el tabaco y será dicotómica, se muestran
las frecuencias de cada opciones y porcentaje de cada
opción. El grupo que no consume tabaco son 115 personas
que representan en 60% del total de la muestra (total de
189) y por lo tanto, sería la mayoría.
● Cuando se describe una tabla habitualmente se describe
aquello que se quiere resaltar, no es necesario que se
explicite tampoco el complemento.
● Tabla de variable cuantitativa: es la variable
“edad” de la misma muestra de la tabla anterior.
● La tabla muestra las edades de un grupo de 189
sujetos, que van desde 14 a 35 años y se van a
destruir en percentiles. El promedio será 23 años,
con una desviación estándar de 5.2 años, la
mediana en percentil 50 se encontrará una edad de
23 años.
● Rango intercuartílico: se calculaba entre el 25 y el
75%, en este caso de 19 a 26 años. Se utiliza para complementar la mediana, que se reporta cuando
son muy dispersos los datos o cuando la mediana no tiende a ser similar a la media, es decir, cando
no haya distribución normal.

● Cruce de variables: consumo de tabaco con la condicion de


ser o no bajo peso.
● Esta tabla aporta valores absolutos pero también agrega una
salida de frecuencias.
● Se puede tambien organizar los datos de acuerdo al peso
adquirido de formasr continua y ver el promedio de pesos de
acuerdo a si fumaba o no esa madre. (tabla inferior)

EJEMPLOS

GRÁFICO DE TORTA
Tratar de no utilizar los gráficos de torta cuando se tienen
muchas categorías, se pierde el objetivo del gráfico para
poder establecer diferencias (habitualmente lo máximo
son de 2 a 3 categorías).

BOX PLOT
El punto alejado del bigote corresponde al outlayer, es el
valor extremo o que se escapa de los esperado, excede
1.5 veces el valor del bigote (valor arbitrario). En un
análisis podría tomarse este valor y sacarse, analizar sin
este dato ya que puede modificar el promedio.

ESTADÍSTICA INFERENCIAL

GENERALIDADES

Como no se puede trabajar con la población se debe tomar una muestra, la cual debiese ser representativa de
la población, ya que se calcularán datos con respecto a esta muestra que se inferirán al universo o a la
población, por lo tanto, se utiliza estadística inferencial.

Si existiese la opción de utilizar a toda la población no sería necesaria la estimación, ya que el valor
encontrado es el valor real. Por ejemplo, si se realiza un censo o una encuesta nacional de salud a toda la
población de Chile y se observa que el 25% es hipertenso no es necesario estimar el riesgo de ser hipertenso
ya que el 25% obtenido corresponde al valor real. Sin
embargo, como no se trabaja habitualmente con la
población se debe conocer esta herramienta de
inferencia estadística.

Cuando se estima “algo” esto se hace en base a una


probabilidad, no se puede asegurar al 100% que lo
encontrado en la muestra aún con cierta variabilidad de
error representará al dato real, por lo tanto, se debe
asumir esa probabilidad, cuantificarla y reportarla, y
tratar de reducir al máximo la probabilidad de error.

FORMAS DE DISMINUIR LA PROBABILIDAD DE ERROR Y QUE EL DATO SEA


REPRESENTATIVO DEL UNIVERSO:
- Utilizar tamaños muestrales más amplios
- Utilizar un muestreo aleatorizado
- Evitar error aleatorio
- Rigurosidad en los criterios de elegibilidad de la muestra
- Elegir el diseño metodológico adecuado a la pregunta de investigación. Para esto es importante
recordar algunas pautas generales
o Estudio para evaluar nuevo test diagnóstico → corte transversal
o Probar la eficacia de un tratamiento → ensayo clínico aleatorizado
o Evaluar el riesgo de morir respecto una determinada condición → cohorte
o Determinar la prevalencia de una enfermedad → corte transversal
o Incidencia de una enfermedad → cohorte

CONTRASTE DE HIPOTÉS IS

Al analizar la estadística inferencial se tiene que considerar las hipótesis, para ello se tiene siempre una
hipótesis nula o H0 y también se debe plantear una hipótesis alternativa o H 1.

HIPÓTESIS NULA
Esta hipótesis en teoría establece que no hay diferencias entre los grupos comparados, también refiere
que son iguales.

HIPÓTESIS ALTERNA
Corresponde a la hipótesis propia, es la que se somete a prueba respecto a la H 0. Esta dice que existen
diferencias, pero además estas diferencias no son atribuibles por el azar, establece una probabilidad que
si hay diferencias con cuánto nivel de azar se estará considerando como válida esa hipótesis.

P VALUE

Se refiere a cuál es la probabilidad de que se esté cometiendo realmente un error tipo 1. La hipótesis
nula que dice que no hay diferencias, establece lo que es normal o aceptado, el error tipo 1 consiste en
rechazar la hipótesis nula o asumir la hipótesis alterna/ H1, pero cuando se equivoca, por lo tanto,
cambiará la realidad, es por ello que el valor de p debe ser pequeño. El valor de p se establece por
convención que no sea mayor al 5% (p<0.05).
SELECCIÓN DE LA PRUEBA IDEAL

Cuando se realiza cruce de variables existen distintas alternativas, por ejemplo:

• Cruzar una variable categórica con otra categórica


• Cruzar una variable cualitativa con una cualitativa
• Cruzar una variable cuantitativa con una cualitativa.

Para cada una habrá distintos test que permitirán buscar asociaciones entre una u otra.

CUALITATIVA-CUALITATIVA
Se debe utilizar chi cuadrado o test de Fisher. Independiente de la distribución de la variable si se compara
cualitativa con cualitativa se utiliza Test de Fisher 1 (se usa en distribuciones paramétricas y no paramétricas).
El test de Fisher es lo suficientemente robusto para que se pueda utilizar con valores pequeños. Los
estadísticos clásicos recomiendan usar chi cuadrado y test de Fisher solo si el área es pequeña o algunas de
las celdas tienen n de 5 sujetos.

Toda la estadística paramétrica asume que la distribución es al azar, asume que hay una normalidad
estadística, y todos los test estadísticos asumen en sus principios que hay una distribución normal a
excepción de Fisher por lo cual es un poco más exhaustivo.

CUALITATIVA-CUANTITATIVA
➢ Ejemplo: Comparar si existen diferencias significativas en el peso de recién nacidos respecto a si la
madre fumaba o no durante el embarazo.
o Si la distribución es normal se utilizará T student.
o Si la variable no sigue una distribución normal o el n es pequeño Mann Whitney.

La diferencia entre T student con Mann Whitney es que no se comparará el promedio, sino que la suma de los
rangos de cada uno de los datos de esa muestra, se hace un ranking y se compara buscando si es que
existen diferencias en ese ranking (Mann Whitney).

CUANTITATIVA-CUANTITATIVA
Se utilizan pruebas de regresión o correlación (Pearson).

RIESGO

➢ Ejemplo: Si una mujer fuma y tiene un porcentaje de sus hijos con bajo peso se verá la probabilidad
de tener bajo peso dado que la madre fume, ya que no todo niño con bajo peso tiene una madre que
fumaba, es la probabilidad de ocurrencia de un evento dado un factor. A esto se le llama riesgo, en
este ejemplo vendría siendo el riesgo de que el RN tenga bajo peso dado que la madre fumaba. El
riesgo involucra una definición que puede ser deletérea o beneficiosa, el riesgo es la probabilidad
de ocurrencia de un evento. Generalmente el riesgo tiene una connotación negativa, pero en
términos epidemiológicos no tiene ninguna connotación, es por ello que existen factores protectores
los cuales se calculan a partir de un “riesgo de”.

1
Cuando Fisher crea su test este se calculaba a mano.
Existen múltiples formas de presentación:

• Riesgo absoluto
• Riesgo relativo
• Reducción de riesgo absoluto
• Reducción de riesgo relativo
• Razón de disparidad
• Número necesario a tratar/ Número necesario a dañar

ESTRUCTURA DE INDICADORES DE ASOCIACIÓN


En este caso, nuestro indicador es el riesgo relativo (RR), que corresponde a un valor. Sin embargo, este
valor siempre debe ir acompañado de un intervalo de confianza (IC). El intervalo de confianza está ajustado
a una probabilidad de ocurrencia de encontrar ese valor en la población.
CÁLCULOS

Outcome Total

Sí No

Intervención A B A+B

Control C D C+D

A+C B+D A+B+C+D

Se usa la tabla de contingencia tetracórica. Se completa según las letras en cada cuadrante.
RIESGO ABSOLUTO
Es la probabilidad bruta de presentar un evento.
Se puede calcular a partir de la intervención o de la
comparación.
El riesgo absoluto podría leerse como: “¿Cuál es la
probabilidad bruta de presentar el evento dado que el
paciente recibió la intervención?”.
En este caso, es 10/260 [A / (A+B)], lo cual corresponde a 3,85%.
RIESGO RELATIVO
Cuociente de riesgos: es el cuociente entre el riesgo de grupo intervenido y el riesgo de un control.
Se trata del estimador más “grande” al reportar los datos, sobreestimando a la intervención. Se debe usar
siempre con cautela.
● Son, probablemente, los que más se usan en la literatura médica, especialmente en metaanálisis.
● Independiente del riesgo basal 2.
● Parámetro aplicable a poblaciones con distinto riesgo1.
● Puede sobrestimar el efecto real de una intervención1.
● Preferidos por industrias farmacéuticas para promocionar sus productos1.
Se calcula dividiendo los pacientes con el outcome “sí” en el grupo intervenidos, dividido por los pacientes con
outcome “sí” en el grupo no intervenidos.
Este cálculo entregará un valor en torno al 1, el cual se interpreta de la siguiente manera:

2 PPT
● Valores = 1  Outcome es igualmente probable
en grupos intervenidos v/s no intervenidos.
● Valores > 1  Outcome es más probable en
grupos intervenidos, es decir, el factor estudiado
es de riesgo.
● Valores < 1  Outcome es menos probable en grupos intervenidos, es decir, el factor estudiado es
protector.
El riesgo relativo suele usarse en estudios prospectivos, como los de cohorte y los ensayos clínicos.
ODDS RATIO O RAZÓN DE DISPARIDAD
Es una herramienta para estimar el riesgo (odd = probabilidad).
● También se le llama “razón de productos cruzados”, en relación con cómo se calcula
● Es similar al cálculo de riesgo relativo en cuanto a su interpretación, pero NO se trata de riesgos.
● Muy utilizados en estudios retrospectivos y como parte de análisis multivariado.
− Los estudios retrospectivos no pueden estimar causalidad
− Forman parte habitual del análisis de regresión
Se calcula como “los pacientes con el evento en el grupo intervención(A)” partido por “pacientes sin el evento
en el grupo intervención(B)”. Los anterior se divide por
“pacientes con el evento en el grupo control (C)” partido por
“pacientes sin evento en el grupo control (D)”.
Lo anterior quedaría como “(A/B) / (C/D)”, lo que corresponde a
una razón de productos cruzados, y se representa con la
siguiente fórmula simplificada 
STATA
A continuación, se muestran ejemplos de los indicadores vistos antes:
En las tablas se muestran dos variables cualitativas: tabaco y
bajopeso. En la Tabla (1) se ven las frecuencias absolutas de
cada uno en relación con el total de sujetos estudiados, además
de las frecuencias relativas y relativas acumuladas.
El peso aquí está categorizado y se ha pasado de cuantitativo a
cualitativo.
Luego, se puede hacer una tabla más grande, que es la Tabla (2),
para calcular un valor de estimación, si existen o no diferencias.
Para eso se utiliza el test exacto de Fisher.
Y, suponiendo que este estudio fuera un Casos y Controles,
podría calcularse un Odds Ratio, en la Tabla (3), que da la
estimación (Point Estimate).
(1) Frecuencias de variables tabaco y bajopeso.

(3) Odds ratio: probabilidad de riesgo


(2) Test de Fisher: valor de estimación
Se nota que sí parece haber una asociación entre el bajo peso y las madres fumadoras, pero el Odds Ratio
permite conocer el riesgo de tener un niño con bajo peso dado que la mamá fumó. Ese valor es 2.02, en un
intervalo de confianza de 1.02 – 3.96.
¿Cómo se interpreta eso? “Es 2,02 veces más probable que nazca un niño bajo peso de una mamá fumadora
que de una no fumadora. Esto en un rango donde la diferencia puede estar entre 1,02 a 3,96”.
REDUCCIÓN DEL RIESGO RELATIVO (RRR)
Esta, junto con la reducción del riesgo absoluto, son mucho menos usadas.
Es la diferencia de tasa de eventos en 2 grupos, expresada como proporción relativa de esta en
relación con el grupo control.
Es independiente del riesgo basal sin tratamiento:
● Sobreestima el riesgo cuando los eventos
a tratar son muy raros.
● Subestima el riesgo cuando los eventos a
tratar son muy frecuentes.
Se calcula de la siguiente forma:
Se usa la fórmula de arriba, sin embargo, cuando
el factor es protector, se puede calcular
simplemente como “1 – RR” (fórmula de abajo).
REDUCCIÓN DEL RIESGO ABSOLUTO (RRA)
Es la diferencia en la tasa de eventos de un grupo control v/s la de un grupo experimental.

La comparación entre RRR y RRA tiene las


siguientes diferencias:

(No se usan mucho en estadística).


Son importantes en el momento en que la
industria utiliza esos valores para
sobreestimar la eficacia de una
intervención.
Como se habla de “reducción de riesgos”, si
algo reduce mucho, podría ser muy bueno,
pero también podría no ser así. Eso depende
mucho del valor absoluto.
Eso puede ejemplificarse en el siguiente
ejemplo:
La RRR del Estudio 1 v/s la del Estudio 2 es de
25%. Es igual. Sin embargo, la RRA del segundo
estudio es mucho menor, pues pensándolo en
números absolutos, fue menor lo que redujo del
riesgo.
¿Qué intervención es más eficaz desde el punto
de vista de cantidades? El Estudio 1.
NÚMERO NECESARIO A TRATAR (NNT)

Corresponde al número de pacientes que tendrían que recibir el tratamiento para que un paciente tenga
el beneficio de la terapia.
● Se encuentra bastante en vacunas y medicamentos.
● Es uno de los parámetros más fáciles de entender tanto por clínicos como por pacientes.
● Ideal para estimaciones de tipo costo-beneficio e indicadores económicos.
También existe el número necesario a dañar (NND), que calcula la cantidad de pacientes que se necesita
tratar para causar un daño.
Si, por ejemplo, se necesitan 100 pacientes para que 1 de ellos se mejore, probablemente será conveniente si
el beneficio es que el paciente viva. Si, por ejemplo, se necesitaran esos mismos 100 pacientes para que a 1
le bajará 10 mmHg la PAM, no sería conveniente. Es por eso que no hay un valor límite que separe lo bueno
de lo malo, sino que depende de la circunstancia.
Se calcula “100 / RRA”. En un ejemplo, si el RRA es 10, el resultado del NNT será también 10, lo que significa
que “se necesitarán 10 pacientes sometidos a la intervención para lograr que uno logre los objetivos”.
Este valor corre para cualquier tipo de intervención. Siempre que se dé un tratamiento, habrá una probabilidad
de que el paciente se mejore con ella, nunca hay un 100%.
PREGUNTAS DEL CURSO

¿Cómo se puede objetivar el valor atribuible a los procedimientos? ¿En qué sea considerado barato o
caro el tratamiento? ¿Hay un estándar de comparación?

Cada país tiene medidas con las cuales se estratifica la situación socioeconómica de las personas. En chile,
por ejemplo, se usan las canastas familiares, en base a las cuales se determina la relación entre el precio del
fármaco y el quintil que pertenezca el paciente, determinado la capacidad adquisitiva que presente el grupo
familiar y en consiguiente el que el tratamiento sea considerado caro o barato.

Además la compañía farmacéutica compara cuánto cuesta el fármaco y cuanto recupera de lo que se invirtió
en la síntesis de la molécula. El caso en chile es que la industria recupera muchísimo más del precio debido a
que consideran otros gastos, por ejemplo, los valores de las muestras médicas, pagar inscripciones a
congreso de los médicos, los papeles y lápices, etc. Esto finalmente termina saliendo del bolsillo del
consumidor quien finalmente financia todo el merchandising del producto y es aceptado debido a lo endeble
de las leyes al respecto en nuestro país.

Así, quienes toman decisiones en salud se encargan de ver cuánto pondera el beneficio del tratamiento, por
ejemplo, la quimioterapia es costosa en relación al tratamiento para el acné, pero prolonga la vida del paciente
y por tanto tiene un alto beneficio. Si bien no hay un manual para realizar una ponderación, lo más acorde es
considerar la opinión y preferencia del paciente, las políticas públicas y la realidad económica del país

Este tema resulta difícil pues no se le puede atribuir un valor a un día más de vida. Un ejemplo reciente es
que la Ley Ricarte Soto planeaba incluir el implante coclear dentro de sus prestaciones, este tiene un valor de
aproximadamente 20 millones de pesos y 50 incluyendo todos los gastos del procedimiento y mantención; en
base esto se planteaba si la oportunidad de escuchar de un niño ¿Vale el gran gasto económico? Finalmente
la respuesta la toma los prestadores basándose en los criterios anteriores3

En chile se tiene una visión utilitarista de las políticas sanitarias, en el sentido de que se busca entregar la
mayor cantidad de cobertura a la mayor cantidad de personas posibles, por lo que se busca una enfermedad
de alta prevalencia o que por una revuelta mediática se ven forzados a la hora de invertir.

3
El implante coclear fue finalmente incluido durante la reforma a la Ley Ricarte Soto en el año 2015