1

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

2

Diseño de estudio de casos-controles

Población objetivo

Enfermos(Casos)

No Enfermos(Controles)

Expuesto

No Expuesto

Expuesto

No Expuesto

3

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)

4

Cálculo de la Razón de Momios (OR)

B / DProbabilidad de

exposición para controles

= Razón de momios

A / CProbabilidad de

exposición para casos

Resultado

D

B

Controles

CNo expuestos

AExpuestos

CasosExposición

(estima el riesgo relativo)

5

Comparando OR y RR

11001000100

730

370

Resultado

700

300

Controles

30Not Exposed

70Exposed

CasosExposición

OR = AD/BC = 5.44 RR = Ie/In = 4.41

6

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

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

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

Caso-ControlCohorte prospectivo

8

Estudios Clínicos Aleatorizados(RCT)

El estándar dorado Estudio Cohorte

9

Esquema de un estudio clínico

Aleatorización

Intervención onuevo

tratamiento

Mejoría

Población del estudio

No participantes

Participantes

No mejoría

Control

TratamientoControl

Mejoría No mejoría

10

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 B A

11

Diseño factorial Dos o más tratamientos son evaluados simultáneamente en

el mismo grupo de sujetos usando diferentes

combinaciones de tratamientos

Aleatorización

PlaceboTratamiento A

PlaceboTratamiento BPlaceboTratamiento B

¿Cómo evaluamos si estudios de

cáncer son válidos?

Entendiendo sesgo y confusores

13

Probando para una verdadera asociación

Examine la metodología para sesgos

Examine el análisis para confusores

Examine los resultados para significancia estadística

14

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

15

Confusores

Confusión es una aparente asociación entre

enfermedad y exposición causado por un

tercer factor no tomado en consideración

16

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.

17

Proibando para confusores

1. Calcule la tasa cruda

2. Calcule una tasa ajustada para la variable confusora

3. 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%)

18

(3) x (4) = (5)(4)(1) / (2) = (3)(2)(1)

288,039226,500,000xxx45,000115Total

171,41925,700,0006.67 por 100015,00010065+

56,120140,300,0000.40 por 100025,0001019-64

60,50060,500,0001.00 por 10005,00050-18

Esperado N° de

muertes

Población estándar EUA 1980

ASRPoblación en riesgo

Muertes por

cáncerEdad

Tasa ajustada por edad(288,039 / 226,500,000) x 1000

1.27 por 1,000

Tasa cruda

(115 / 45,000) x 1000

2.56 por 1,000

Edad es un confusor para muerte por cáncer

No igual

19

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

20

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

¿Cómo evaluamos si

asociaciones entre cáncer y

factores de riesgo son causales?

Entender criterios de causalidad

22

Mostrar causa

Enfermedad crónica y condiciones complejas

requieren que usemos los postulados de Hill

1. Fuerza de asociación

2. Consistencia de la asociación

3. Especificidad de la asociación

4. Temporalidad

5. Gradiente biológico

5. Plausibilidad

6. Coherencia

7. Experimentación

8. Analogía

¿ 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

24

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

25

Calculando mediciones de validez

a+b+c+db+da+cTotal

c+ddcNegativo

a+bbaPositivo

TotalNo enfermoEnfermoResultado de la prueba

Diagnóstico verdadero

Valor predictivo positivo = a/(a+b)

Valor predictivo negativo = d/(c+d)

Sensibilidad = a/(a+c)

Especificidad = d/(b+d)

26

64,81064,633177Total

63,69563,65045Negativo

1,115983132Positivo

TotalNo enfermoEnfermoResultados de

mamografía

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%

Ejemplo: monitoreo de cáncer de mama

27

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

28

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