Dr. José J. HernándezCentro de Información de Medicamentos e Investigación

Escuela de FarmaciaUniversidad de Puerto Rico

1JJH_UASLP_2011

EpidemiologiaDefinición: Estudio de la distribución y determinantes de enfermedad, lesión, o cualquier otro asunto relacionado a la salud en poblaciones de humanos

Componentes de la epidemiologia:Epidemiologia descriptivaEpidemiologia analítica

2JJH_UASLP_2011

EpidemiologiaDescriptiva

Identifica  y reporta el patrón y la frecuencia de eventos relacionados a la salud en una poblaciónAyuda en la generación de hipótesisAyuda en la localización de recursosAyuda en la planificación y evaluación de programas de salud 

AnalíticaSe centra en la búsqueda de los determinantes de eventos relacionados a la salud en una población 

3JJH_UASLP_2011

Ciclo de análisis epidemiológicosFormulación de hipótesis y estructura de 

modelos

Estudios analíticos 

para corroborar hipótesis

Análisis de resultados 

Formulación de nuevas hipótesis o nuevos estudios 

descriptivos

Estudios descriptivos

4JJH_UASLP_2011

Epidemiologia descriptivaCaracteriza la distribución de eventos relacionados a la salud a nivel de:

Persona (edad, raza, educación, etc.)Lugar (localización geográfica, características de la geografía, densidad poblacional)Tiempo (1900 versus 2000 / mañana versus noche)   

5JJH_UASLP_2011

Epidemiologia descriptiva• Ejemplo 1‐ Reporte:

• 200 casos de dengue en Puerto Rico en 2007• 70 casos de dengue en Guadalupe en 2007

• Ejemplo 2‐ Comparación:• En cual de los dos países el problema es mayor?

• Puerto Rico• Guadalupe  

6JJH_UASLP_2011

Epidemiologia descriptiva• Población en PR n=400,000• 200 casos de dengue en PR en 2007• Prevalencia de dengue en PR = 200/400000 = 0.5 casos 

por cada 1,000 puertorriqueños

• Población en Guadalupe n=70,000• 70 casos de dengue en Guadalupe en 2007• Prevalencia de dengue en Guadalupe = 70/70000 = 1 

caso por cada 1,000 guadalupeños

7JJH_UASLP_2011

Definiciones importantes

CasoRatioProporciónRatePrevalenciaIncidencia

8JJH_UASLP_2011

CasoEs como definimos lo que buscamos medirSe puede medir por medio de:

Sistemas de vigilanciaEncuestas estructuradasBase de datos

La definición de casos es esencialEjemplo: ADRs por medio de reportes médicos, encuestas a pacientes, análisis de sangre, etc.

9JJH_UASLP_2011

Ratio, proporciones y ratesRatio‐ División de cualquier numero entre otro numeroProporción‐ Es un ratio en donde los componentes del numerador están incluidos en el denominador  Rate‐ Es un ratio en donde los componentes del numerador están incluidos en el denominador, y los componentes del denominador estan a riesgo de entrar al numerador

10JJH_UASLP_2011

Prevalencia Prevalencia mide la proporción de individuos en la población que tienen la variable de interés en un tiempo definido

Ejemplo:Personas de la clase farmacia 2014en el RCM que han tomando APAP 500mg durante el mes de septiembre de 2008

11JJH_UASLP_2011

Incidencia Incidencia mide numero de casos nuevos en una población a riesgo durante un tiempo definidoTipos de incidencia:

Cumulative incidence# de nuevos usuarios de ASA en PR durante 2007# de IDs que no usan ASA en PR a principios de 2007

Incidence density# de nuevos usuarios de ASA en PR durante 2007# de “person‐time” a riesgo de tomar ASA durante 2007

12JJH_UASLP_2011

Cumulative incidence and incidence density

Cuando son similares el “cumulative incidence” y el “incidence density”?

La incidencia es bajaPeriodo de observación es corto

Como se relacionan la prevalencia y la incidencia:Prevalence = Incidencia  x  Duracion

13JJH_UASLP_2011

14JJH_UASLP_2011

Comparación de la incidencia de CHF entre individuos diabéticos que usan o 

no usan insulinaRESULTADO

(CHF)

+ --

EXPO

SIC

ION

(I

NSU

LIN

)

--+ 88

62

68

82

15JJH_UASLP_2011

RESULTADO (CHF)

+ --EX

POSI

CIO

N

(IN

SULI

N)

--+ 88

62

68

82

Incidencia de CHF entre los usuarios de insulina = 88 / 156 = 0.56

Incidencia de CHF entre los no-usuarios de insulina = 62 / 144 = 0.43

Diferencia en riesgo= Exceso de riesgo entre un grupo expuesto y uno no expuesto

Diferencia en riesgo = 0.56 – 0.43 = 0.13

Diferencia en Riesgo

16JJH_UASLP_2011

¿El uso de Insulina en Pacientes Diabéticos esta asociado a  un Aumento en el Riesgo de Desarrollar CHF?

RESULTADO (CHF)

+ --

EXPO

SIC

ION

(I

NSU

LIN

)

--+ 88

62

68

82

Riesgo Relativo (no-ajustado) = 1.30

17JJH_UASLP_2011

Riesgo Relativo (RR)

+ --

EXPO

SIC

ION

--+ A

C

B

D

A / A+B

C / C+D

RR=

En estudios prospectivos, ya sean estudios RCT o cohortes  se debe usar  

riesgo relativo como medida de asociación 

RESULTADO

18JJH_UASLP_2011

Odds Ratio (OR) RESULTADO

+ --

EXPO

SIC

ION

--+ A

C

B

D

A/C   / B/D

A*D   / B*C = OR

CHF

+ --

INSU

LIN

A

--+ 88

62

68

82

OR =  1.71

En estudios caso‐control utilice el “odds ratio”

19JJH_UASLP_2011

¿Cuando el RR y el OR son similares?

Cuando el resultado que se mide es poco común, ya que A y C son pequeñas  relativo a D y B.RR= (A / (A+B)) / (C / (C+D))En condiciones raras la ecuación para calcular RR se reduce a RR = (A / B) / (C / D) o (A * D) / (B * C)Esta formula es idéntica a la formula de los OREntonces cuando se estudian condiciones raras el OR es una buena aproximación del RR

20JJH_UASLP_2011

21JJH_UASLP_2011

Características de Enfermedades que Ameritan Pruebas de Cernimiento

Fase asintomática

Altamente prevalente

Alta severidad

Tratamiento para fase inicial disponible

22JJH_UASLP_2011

Medidas Utilizadas para Describir Pruebas de Cernimiento

Sensibilidad

Especificidad

Valor predictivo positivo

Valor predictivo negativo

Validez de la prueba

Inferencias sobre la prueba

23JJH_UASLP_2011

Cálculos  ESTADO REAL

ENFERMEDAD NO ENFERMEDAD

PRUEBA

+ A B A + B

‐ C D C + D

A + C B + D

A/(A+B) = VPP A/(A+C)=Sensibilidad

D/(C+D) = VPN D/(D+B)=Especificidad

24JJH_UASLP_2011

25JJH_UASLP_2011

Outline

Why we perform epidemiologic studies?Association versus causationBiasConfoundingRandom ErrorValidityConclusion

26JJH_UASLP_2011

Types of errorTypes of measurement errors in scientific studies:

Systematic error:Bias

Selection biasInformation bias

ConfoundingThird variable

Non‐systematic error:Random error

MeasurementSampling

27JJH_UASLP_2011

Deriving Inferences from Epidemiologic Studies

Randomized TrialsCohort StudiesCase-control studiesAvailable DataClinical Observations

Estimate odds ratio or relative risk

RR = 3.0

p < 0.05

Coffee         Pancreatic Cancer

28JJH_UASLP_2011

Guidelines for judging whether and association is causal1. Temporal relationship2. Strength of the association3. Dose‐response relationship4. Replication of the findings5. Biological Plausibility6. Consideration of alternative explanations7. Cessation of exposure8. Specificity of the association9. Consistency with other knowledge

29JJH_UASLP_2011

Bias“Bias is a systematic error in the design, conduct or analysis of a study that results in a mistaken estimate 

of an exposure’s effect on the risk of disease”

J.J. Schlesselman‐1982

30JJH_UASLP_2011

Types of BiasSelection Bias

A higher or lower rate of the outcome is observed in the exposure group because of the selection method

Information biasA higher or lower rate of the outcome is observed in the exposure group because of an inadequate way of obtaining information about the subjects

31JJH_UASLP_2011

Selection BiasHRT        ↓CHD

CHD CHD

HRT 40 60 100

HRT 70 30 100110 90 200

CHD

No CHDHRT‐Yes

HRT‐NoCHD

No CHD

RR = 0.57

P < 0.05

32JJH_UASLP_2011

Selection bias

• Healthy‐user bias occurs when individuals who choose to use a treatment are healthier, more affluent and better educated than those who choose not to use the treatment

• Prevalent user bias occurs if the risk of events  change as function of time, and the investigator does not take into account time of exposure

33JJH_UASLP_2011

Information BiasDrug A          Teratogenic effect

Baby withmalformation

Baby with nomalformation

Drug A

No Drug A

No Drug A

Drug A

D D

E 15 30 45

Ē 5 30 3520 60 80

OR = 3.0

P < 0.05

34JJH_UASLP_2011

Information biasRecall bias occurs when individuals remember better an exposure event given the outcome

Misclassification bias occurs when individuals are erroneously classified as exposed or non‐exposed or as cases or non‐cases

35JJH_UASLP_2011

ConfoundingIn a study of whether factor A is a cause of disease B, we say that a third factor, factor X, is a confounder if the following are true:

Factor X is a known risk factor for disease BFactor X is associated with factor A but is not a result of factor A  

36JJH_UASLP_2011

Confounding Factor A: AccutaneFactor B: ↑SuicideFactor X: Depression

Use of Accutane increase suicide rates?Individuals taking Accutane are more likely to be depressed and is depression what cause a higher suicide rate   

A B

X

37JJH_UASLP_2011

ConfoundingAccutane           ↑Suicide

Suicide

No Suicide

Accutane

No Accutane

No Accutane

Accutane

D D

E 15 30 45

Ē 5 30 3520 60 80

OR = 3.0P < 0.05

D D

E 10 10 20Ē 4 10 14

14 20 34

D D

E 3 12 15Ē 3 28 31

6 40 46

No Depression

OR = 2

OR = 2

38JJH_UASLP_2011

Random error“Leads to a false association between the exposure and 

disease that arise from “chance” an uncontrollable force that seems to have no assignable cause”

J.P. Pickett ‐ 2000

39JJH_UASLP_2011

Random errorWhen p‐value < 0.05 random error is a unlikely explanation of observed results

There is a 5% of reaching an erroneous conclusion by chance

40JJH_UASLP_2011

Validity

Study Sample

Bias

Confounding

Random error

Population

Internal Validity41JJH_UASLP_2011

Validity

Study Sample

Bias

Confounding

Random error

Population

S

Internal validity but no external validity 42JJH_UASLP_2011

Validity

Study Sample

Bias

Confounding

Random error

Population

Internal validity and external validity 43JJH_UASLP_2011

ConclusionsMethodology of epidemiological studies should always be evaluated for potential bias and confounding

Bias should be minimized at the study design level

A researcher can always adjust for a potential confounder

Random error is always present in epidemiological studies

44JJH_UASLP_2011

ConclusionsInternal validity increases with less bias and confounding

External validity increases with sample representation of the true population

Internal validity is necessary for external validity but not sufficient

45JJH_UASLP_2011

Preguntas?

46JJH_UASLP_2011