1 diseño de estudios casos-controles dos grupos son seleccionados, uno de personas con la...
TRANSCRIPT
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