Tomado del Libro: Métodos y Técnicas para la Investigación en

Tomado del Libro: Métodos y Técnicas para la Investigación en Atención
Primaria de Salud. Parte II. Tema 5.
Autores:
Dr. Héctor D. Bayarre Vea. Profesor ENSAP.
Dra. Maritza Oliva Pérez. Prof. Facultad "Enrique Cabrera"
La Investigación Epidemiológica. Generalidades.
Introducción
La investigación Epidemiológica es una de las opciones investigativas más
socorridas por profesionales e investigadores del ámbito de la Atención Primaria de Salud.
Esta afirmación, con seguridad, no te sorprende pues desde el curso anterior te hemos
advertido sobre esta realidad.
Sin embargo, la frecuencia con que este tipo de estudios se efectúan en el nivel de
atención en que laboras, supeditado desde luego, a la importancia de estos en la solución de
problemas en la comunidad, sirvió para la elección de estos temas en el curso. En espera
que te brinden los conocimientos suficientes sobre la utilización del método
epidemiológico, y a partir de este realices mejores investigaciones, que contribuyan a que
brindes un mejor servicio a la población que atiendes.
En este, primero de una serie de temas de inve stigación epidemiológica, te
presentamos definiciones, clasificaciones y otros elementos generales, que te serán útiles
para la comprensión de los temas que siguen.
5.1 Epidemiología. Definición
No cabe dudas, que lo primero que debemos conocer, para poder avanzar en el
estudio de cualquier ciencia, es su definición. ¿Estás de acuerdo?. Con seguridad tu
respuesta es SI. Sobre esto te decimos lo siguiente.
Múltiples son las definiciones que sobre el concepto de Epidemiología se han dado.
Desde luego que resulta improductivo realizar una discusión crítica de estas en este
epígrafe. Nos limitaremos a exponerte una que, a nuestro juicio, se ajusta perfectamente a
los fines que aquí perseguimos.
El Diccionario Internacional de Epidemiología [Last, 1989] define esta ciencia de la
siguiente forma:
El estudio de la distribución y de los determinantes de los estados o acontecimientos
relacionados con la salud de determinadas poblaciones, y la aplicación de este
estudio al control de los problemas sanitarios.
Hagamos un paréntesis para reflexionar sobre la definición anterior. Como puedes
darte cuenta, la epidemiología necesita de la aplicación del método científico para cumplir
sus propósitos, constituyendo este el llamado método epidemiológico. Así, la investigación
epidemiológica, a juzgar por la definición, transitaría desde un nivel descriptivo, hasta el de
intervención, pasando como paso intermedio por el nivel de conocimiento etiológico, que
constituyen los niveles de actuación de esta ciencia.
A continuación te presentamos un cuadro que resume los niveles a que hicimos referencia.
Tabla 5.1.1- Niveles de actuación de la Investigación Epidemiológica.
Nivel de actuación
Objetivos
Nivel descriptivo
Describir, en forma cuantitativa y cualitativa, la
distribución de un problema de salud con relación a
variables de tiempo, lugar y persona.
Nivel de conocimiento
etiológico
Inferir la participación causal o etiológica de las
variables condicionantes en el problema de salud en
estudio.
Nivel de Intervención
Evaluar el impacto probable de las medidas tomadas
con relación al problema de salud.
En este curso profundizaremos en los diseños que aportan conocimientos de los dos
primeros niveles de actuación, dejando para el próximo curso los diseños del tercer nivel.
5.2 – La investigación epidemiológica. Clasificación.
La clasificación de una investigación es un acto complejo, cuyo resultado, en ocasiones,
es incorrecto. A ello contribuyen varios factores; entre los que destaca la amplia y disímil
variedad de clasificaciones difundidas en la literatura especializada, entre las cuales muchas
veces hay contradicciones visibles. Basta con que te detengas a revisar la bibliografía que
aparece al final del tema, y verificarás lo que aquí te decimos.
Desde luego que esta situación genera confusiones en investigadores noveles, e incluso
en profesionales de cierta experiencia en esta actividad, contribuyendo al resultado
antedicho.
Por ello consideramos conveniente que conozcas diferentes ejes de clasificación de este
tipo de investigaciones para que puedas clasificar convenientemente cada tarea de
investigación que realices. Así, los ejes taxonómicos que más frecuentemente hemos
encontrado son:
1- Clasificación de la investigación según método empleado.
Estudios
Observacionales
No se manipula el factor en estudio.
Estudios
experimentales1
Se manipula el factor en estudio
Seguro te diste cuenta que aquí se excluye la medición y te estarás preguntando el
por qué de tal omisión. Baste decir que la Epidemiología es en esencia “cuantitativa”, de
ahí que los conocimientos que ella genera, se obtengan, fundamentalmente, a partir de la
aplicación del método de medición, por lo que éste está implícito en estas investigaciones,
¿te convence la razón esgrimida?.
2- Clasificación de la investigación según nivel de conocimiento generado.
Como estudiaste en el primer epígrafe de este tema, la investigación epidemiológica
actúa en tres niveles:
Ø Descriptivo
Ø Analítico
Ø Intervención
Estas se definen, justamente por los objetivo s que se persigan en la investigación. Si
bien existe un orden (de lo descriptivo a la intervención), es frecuente que un estudio
transite por más de uno de los niveles de referencia. De hecho no existe nada que prohiba
tal proceder.
Por último queremos que sepas que cuando el problema de investigación solo se
“vislumbra”, se realizan estudios conocidos bajo el nombre de “exploratorios”,
considerados por algunos como un primer nivel, en tanto otros los consignan entre los
descriptivos.
3- Clasificación de la investigación según tiempo.
Este eje pretende clasificar la investigación atendiendo al comportamiento de la
variable tiempo, es decir, con o sin seguimiento. Así, en general se clasifican en:
− Estudios transversales
− Estudios longitudinales
Estudios tra nsversales: realizados en un momento dado, develan de forma
instantánea la realidad. El carácter transversal viene dado porque el evento de
interés es estudiado en un momento dado.
Estudios longitudinales: se refiere a estudios realizados en un lapso de tiempo. En
este caso el evento de interés es seguido en el tiempo, ya sea al pasado
(retrospectivo) o al futuro (prospectivo).
1
Algunos autores distinguen esta de la cuasiexperimental, reservando la primera cuando la manipulación es
aleatoria y la última en caso contrario.
4- Clasificación de la investigación según aplicabilidad.
Según la posibilidad de aplicación los estudios suelen clasificarse en fundamentales,
aplicados y los trabajos de desarrollo. Estas se expusieron en el primer curso por lo que te
recomendamos su revisión.
Desde luego, estos no son los únicos ejes de clasificación de la Investigación
Epidemiológica (IE) que se han propuesto. Además, muchas clasificaciones incorporan más
de un eje. Ello lo puedes comprobar si revisas la clasificación dada por Kleinbaum (1982),
que aparece en el curso anterior, la aportada por Jenicek y Cléroux (1987), o la de Colimon
(1990), entre otras.
5.3 La medición en Epidemiología.
5.3.1 Variables.
En el primer curso aprendiste que en la investigación empírica el término variable es
de uso común. Además de profundizar en su definición y clasificación, conociste que en
virtud de esta última se pueden obtener distintos indicadores.
Aquí te enseñaremos que las variables fundamentales empleadas en Epidemiología
para representar un fenómeno son de persona, lugar y tiempo.
A continuación te presentamos las variables más utilizadas dentro de cada grupo, es
decir, de persona, lugar y tiempo.
Persona:
− Edad: es la variable más importante a estudiar dentro de este grupo. Ella es útil
para el diagnóstico, de hecho, se describen enfermedades comunes a grupos
etáreos específicos.
− Sexo: es la segunda variable en importancia del grupo. Aquí es importante tanto
el sexo biológico, pues es conocida la sobremortalidad masculina en todas las
etapas del ciclo vital y el exceso de morbilidad femenina, como la categoría
género (construcción social) pues las diferencias que infunde ésta entre el varón
y la mujer repercuten en su salud.
− Raza: es una variable de uso común en Epidemiología, su evolución en el
tiempo dificulta determinar cierto evento con ésta o a las diferencias en
educación, nivel socioeconómico, higiene personal y otras.
− Clase social: esta variable engloba diferentes factores de poder, riqueza,
prestigio y responsabilidad social muy relacionados entre si. Desde luego que
ellas pueden marcar diferencias respecto al comportamiento de eventos de salud
como los patrones de mortalidad y morbilidad.
− Ocupación: esta variable constituye uno de los tres factores que determinan la
clase social. Su estudio es de gran utilidad, ella puede condicionar exposiciones
particulares frente a ciertos agentes químicos, físicos y biológicos, que pueden
relacionarse con determinadas enfermedades.
− Estado civil: se estudia con bastante frecuencia, ello ha permitido conocer un
comportamiento diferencial de la mortalidad y morbilidad según la pertenencia a
una u otra categoría de esta variable. Así, existe un comportamiento descendente
en la morbilidad y mortalidad en el siguiente orden: divorciado, viudo, soltero y
casado.
A estas variables pueden añadirse otras como la religión, lugar de nacimiento, nivel
socioeconómico y variables relacionadas con la familia de origen del sujeto (tamaño
familiar, orden de nacimiento, edad materna, condiciones intrauterinas), asociadas a
determinadas enfermedades y características sociales y psicológicas; los hábitos de vida
(alcohol, tabaco, medicamentos, comportamiento sexual y otros) y la determinación de
características endógenas y (o) hereditarias que permitan establecer perfiles genéticos.
Lugar
El estudio de este grupo de variables tiene importancia desde una doble perspectiva:
la político-administrativa y la geográfica.
La localización de la enfermedad en un lugar dado, ayuda a su identificación y
sienta las bases para su reconocimiento en un momento posterior.
Tiempo
El estudio del tiempo en epidemiología es de gran importancia. Tal es el caso, que
esta variable se utiliza para definir el tipo de estudio; suele ser capital en las investigaciones
analíticas. Además, su estudio permite conocer si un evento de salud sigue un
comportamiento estacional, cíclico o si presenta alguna tendencia secular o histórica.
5.3.2 Medidas de frecuencia.
En Epidemiología descriptiva es común el empleo de medidas de resumen para
variables cualitativas y cuantitativas para la medición de determinadas características,
durante el estudio de problemas que afectan ciertas poblaciones.
Así que échale un vistazo a los temas 3 y 4 del curso anterior, para que mantengas
frescos estos contenidos, que de seguro te resultarán de gran utilidad en las unidades
sucesivas.
En los cuadros que verás a continuación te exponemos un breve resumen de estas
medidas de acuerdo al tipo de variable.
Tabla 5.3.1- Medidas de resumen para variables cualitativas.
Razón
Relación por cociente entre las unidades de análisis de un grupo o categoría (a) y
las de otro grupo o categoría (b) no necesariamente de la misma variable.
Proporción
Relación por cociente entre las unidades de análisis de una categoría (a) de una
variable y el total de unidades estudiadas.
Tasa
Índice
Consiste en una relación por cociente entre las unidades de análisis a las que les
ocurrió el evento en cuestión y el total de la población expuesta a riesgo.
Expresa el riesgo de ocurrencia de un evento en una población y período
determinados.
Es el resultado de multiplicar una razón por 100.
Porcentaje
Es el resultado de multiplicar una proporción por 100.
Tabla 5.3.2- Medidas de resumen para variables cuantitativas.
Medidas de
tendencia
central
Medidas de
posición
Media aritmética
Es el resultado de sumar todos los valores observados y
dividirlos por el número de observaciones.
Mediana
Es la observación que divide a una serie ordenada de
datos en dos partes iguales.
Moda
Es el valor que aparece con mayor frecuencia en una
serie de datos.
Cuartiles
Son los valores que dividen una serie ordenada de datos
en cuatro partes iguales.
Deciles
Son los valores que dividen una serie ordenada de datos
en diez partes iguales.
Percentiles
Son los valores que dividen a una serie ordenada de
datos en cien partes iguales.
Rango (amplitud)
Es la diferencia entre el mayor y el menor valor de una
serie de datos.
Desviación media
Medidas de
dispersión
Desviación
estándar
Coeficiente de
variación
Es el promedio de las diferencias de cada valor
observado respecto a la media aritmética de la serie,
obviando el signo de esas diferencias.
Es la raíz cuadrada del promedio de los cuadrados de
todas las diferencias entre los valores observados y la
media de la serie.
Expresa a la desviación estándar como porcentaje de la
media aritmética.
Ahora bien, por la frecuencia e importancia con que se estudia la morbilidad en
Epidemiología queremos enfatizar en las medidas utilizadas para su medición.
La descripción de una enfermedad en Epidemiología se realiza fundamentalmente a
partir de dos conceptos: incidencia y prevalencia 2 .
2
Desde luego que estos conceptos ya los conoces del curso anterior.
Incidencia
Número de casos nuevos, de una determinada enfermedad, que
ocurren en una población en un tiempo dado.
Prevalencia
Número de casos existentes, de una determinada enfermedad, en
una población en un momento dado.
La medición de estos conceptos si bien puede hacerse mediante números absolutos,
lo más conveniente es utilizar indicadores relativos como las tasas de incidencia y de
prevalencia que ya estudiaste.
Ahora aprenderás que dentro de las medidas relativas más utilizadas para medir la
incidencia se encuentran la densidad de incidencia (DI) y la incidencia acumulada 3 (IC); en
tanto que para medir la prevalencia se utilizan la prevalencia puntual y la lápsica 4 .
Densidad de incidencia (DI): Medida teórica del número de casos que ocurre por
unidad de tiempo-persona.
Sinonimia: Tasa de peligro, fuerza de morbilidad, tasa de incidencia instantánea y
tasa de incidencia tiempo-persona.
DI 5 =
Número de casos nuevos en un período determinad o
Suma de los períodos de riesgo individual es de los sujetos susceptibl es
observados durante ese período
El denominador de esta tasa se puede obtener según el tipo de diseño:
a) Si el diseño es longitudinal permite conocer la duración del tiempo de observación de
cada uno de los individuos de la población, entonces el denominador será la suma de los
tiempos individuales de observación. Por lo novedoso para ti te exponemos el siguiente
ejemplo tomado de Alonso Fernández.
En la figura 5.3.1 se representa una población de 10 personas seguidas durante 4.5
años y que al inicio del estudio estaban libres de enfermedad, n indica el punto en que la
enfermedad es diagnosticada, l indica el punto en que la persona muere y
representa la
observación de una persona.
3
En realidad la que se calcula es el valor medio de la DI o tasa de incidencia.
Esta última de poco uso en la actualidad.
5
En realidad este es el valor medio de la DI o tasa de incidencia.
4
Figura 5.3.1- Representación esquemática del seguimiento de 10 personas durante
4.5 años.
En este caso conocemos el tiempo de observación de las personas y el momento de
contraer la enfermedad, por tanto el denominador se calcula por la suma de los tiempos de
observación de cada sujeto hasta el momento en que contrae la enfermedad o deja de ser
observado por otra causa, así comenzando por el sujeto número 1 hasta el 10 tenemos:
Personas-años en riesgo = 3.5 + 1.5 + 1 + 4.5 + 1 + 3 + 2 + 2
+4+1
= 23.5
Además podemos ver que 5 personas contrajeron la enfermedad estudiada y 3 de
ellas fallecieron tiempo después, con estos datos ya estamos en condiciones de calcular la
DI de dicha enfermedad, para esta población en el período de tiempo especificado:
DI =
5
≈ 0.213 / año
23. 5
Ello significa que aproximadamente el 21.3% de la población de estudio desarrolla
la enfermedad cada año.
b) Si se tiene una población estable en el tiempo (no cambia en el número de individuos ni
en la distribución por edades), entonces el denominador será el producto del número de
personas al inicio del período por la longitud de éste.
c) Si se tiene una población dinámica, que es lo más frecuente, entonces el denominador
será el tamaño medio de la población, a menudo la población a mitad del período
multiplicado por la longitud de dicho período de observación.
Incidencia acumulada (IA): Número o proporción de personas en un grupo, en los
que comienza un hecho relacionado con la salud durante un lapso de tiempo determinado.
El denominador está constituido por el número de individuos sin la enfermedad al
comienzo del período de observación. Esta es la forma en que habitualmente se expresa la
incidencia de una enfermedad. Es equivalente al riesgo promedio de contraer la enfermedad
de cada individuo del grupo en estudio. Esta es la que suele llamarse tasa de incidencia.
IA =
Número de casos nuevos en una población y período dados
6
No de sujetos susceptibl es en la población al inicio del período de estudio
Es muy importante aclararte que solo se puede calcular incidencia para un intervalo
de tiempo, a diferencia de la prevalencia, como verás a continuación.
Para medir la prevalencia se utilizan dos indicadores: la tasa de prevalencia puntual
(TPP) y la tasa de prevalencia lápsica (TPL), a continuación te explico sus definiciones y
fórmulas de cálculo:
La TPP es el número total de individuos que presentan un atributo o padecen una
enfermedad en un momento determinado, dividido por la población en riesgo de tener el
atributo o la enfermedad en dicho momento. Se expresa de la siguiente manera:
6
Es necesario aclarar que en el denominador se eliminan los casos con la enfermedad al inicio del estudio
TPP 7 = Número de casos nuevos y antiguos
Población
en
estudio
Como conoces del curso anterior, el numerador y denominador de toda tasa están
pareados en cuanto a lugar y tiempo, no aparece en la fórmula por cuestiones de espacio, no
lo olvides. Esto es válido para cualquier fórmula de tasa que encuentres de aquí en adelante.
Por su parte la TPL se utiliza en estudios de prevalencia, cuando durante el proceso
de determinación de los casos en la población, se originan casos nuevos de enfermedad, los
que se incluyen en el numerador.
TPL = Número de casos prevalente s + No de casos nuevos
Población en estudio
Es muy frecuente usar el término tasa de prevalencia a secas y referirse a la
prevalencia puntual. Debes saber además que la prevalencia se utiliza para enfermedades
relativamente estables, no para desórdenes agudos.
A continuación veamos como pueden calcularse algunas de estas tasas mediante un
ejemplo.
En un área de salud se decide seguir a 50 adultos fumadores durante tres meses para
detectar la aparición de una enfermedad respiratoria X, el estudio comienza el 1 de enero,
hasta el 31 de marzo del mismo año. Diez pacientes (A-J) fueron diagnosticados durante el
período de estudio, como puede observarse en la figura 5.3.2.
7
Algunos autores consideran que al ser un concepto esencialmente estático no es una tasa, de hecho lo
nombran como proporción de prevalencia de punto o puntual.
Figura 5.3.2- Representación esquemática del diagnóstico y duración de la
enfermedad respiratoria X en 10 pacientes.
Donde “D” y “R”, significan el momento del diagnóstico de la enfermedad y la
recuperación, respectivamente. Por su parte las barras verticales y las horizontales
discontinuas,
representan puntos en el tiempo y la duración de la enfermedad
respectivamente; y el espacio entre barras verticales representa un intervalo de tiempo
(mes).
Con esta información podemos calcular tanto incidencia como prevalencia. Veamos.
TPP el 1ro de febrero = 4 / 50 (A,C,F y G, eran casos prevalentes)
TPP el 1ro de marzo = 4 / 50 (C,G,I y J, eran casos prevalentes)
Fíjate que C y G, también fueron casos prevalentes el 1ro de febrero, lo cual no los
excluye del cálculo de la tasa el 1ro de marzo.
IA febrero = 4 / 50 (B,D,I y J, fueron casos incidentes durante el mes)
TPL febrero = 8 / 50 (todos excepto E y H, fueron casos prevalentes durante el mes)
Ves que simples son los cálculos. Recuerda que estas tasas se expresan por 10n de
acuerdo al tamaño de la población. No calculamos DI por ser de interpretación algo
compleja para ti.
Veamos ahora la relación existente entre prevalencia e incidencia.
Prevalencia = Incidencia ∗ Duración de la enfermedad
Esta relación es muy intuitiva, ¿no te parece?. La prevalencia depende además de la
letalidad de la enfermedad. Así, cuando la incidencia se incrementa, también lo hace la
prevalencia, lo mismo si disminuye. De forma similar sucede con la duración de la
enfermedad. Pero si una enfermedad tiene una letalidad muy alta y corta duración, aunque
la incidencia sea alta, la prevalencia será baja. A continuación te muestro algunas
situaciones o eventos que actúan modificando el patrón de una enfermedad, basado en estas
relaciones. Esto puede serte de utilidad en tu trabajo en la comunidad, pues algunas pueden
ser medidas de intervención, además, te ayuda a interpretar cambios que estén ocurriendo
en los patrones de salud de la población que atiendes orientándote hacia las posibles
causas.
Tabla. 5.3.3- Efecto de algunos eventos sobre el patrón de una enfermedad.
Incidenci Prevalenci Duració
Eventos modificadores
a
a
n
Introducción de un nuevo tratamiento
__
curativo
Aumento de la letalidad
__
Aumenta el número de personas infectadas
⇑
Aumenta el tiempo de supervivencia.
__
Disminuye la exposición a factores de
⇓
riesgo.
Las personas infectadas son aisladas.
⇓
El agente infeccioso se torna más letal.
__
Se introduce una vacuna efectiva.
⇓
La vía de transmisión cambia de contacto
⇑
directo a transmisión por aire.
Se introduce un nuevo tratamiento paliativo
__
efectivo, para una ECNT.
__ no se modifica
⇓ disminuye
⇓
⇓
⇓
⇑
⇑
⇓
__
⇑
⇓
__
⇓
⇓
⇓
__
⇓
__
⇑
__
__
__
⇑ aumenta
5.3.3 Medidas de asociación
En el nivel de conocimiento etiológico de la IE, si bien puedes utilizar las medidas
de frecuencia, explicadas con anterioridad, las medidas específicas de éste son las de
asociación, pues ellas expresan la potencia o fuerza de la asociación entre variables, y de
hecho la asociación estadística es un elemento a considerar en el estudio de la causalidad.
Aquí se utilizan el riesgo relativo 8 (RR) y el riesgo atribuible (RA), veremos a que se
refieren.
Riesgo relativo: Se obtiene del cociente entre el riesgo de enfermedad o muerte de
un grupo que denominaremos expuestos, y el riesgo en los no expuestos. Estos riesgos
pueden obtenerse alternativamente a partir de la IA y de la DI; reservándose el término RR
para el caso en que se utilizan las IA, y Razón de Densidad de Incidencia (RDI), en caso
contrario. Su cálculo es muy simple, como verás a continuación:
Tasa de IA en expuestos
Tasa de IA en no expuestos
Densidad de Incidencia en expuestos
Densidad de Incidencia en no expuestos
RR =
RDI
=
Para facilitarte la comprensión de estas medidas tan usadas en la IE, te ilustraremos
su uso con un ejemplo hipotético bien sencillo. Supongamos que deseas estudiar la posible
asociación entre la enfermedad X y la exposición al factor Y, para ello tomarás dos grupos
de sujetos, uno expuesto a Y, y otro no, los observarás durante un período determinado de
tiempo y detectarás en ambos grupos la aparición de la enfermedad X. Te habrás dado
cuenta que puedes fácilmente calcular ambos, pues tienes datos para obtener tanto la DI
como la IA para cada grupo y después el RR o la RDI, según el caso.
8
En diseños donde no es posible su cálculo se utiliza otra medida, el “odds ratio”, ello lo estudiarás más
adelante.
¿Cómo interpretar estas medidas?, muy fácil, es una relación por cociente cuyo
resultado puede ser mayor, menor o igual a 1, en dependencia de si el riesgo de enfermar es
mayor, menor o igual en el grupo de los expuestos respecto a los no expuestos,
respectivamente, así tenemos que:
−
−
−
RR > 1 ⇒ La exposición es un posible factor de riesgo de padecer la
enfermedad.
RR < 1 ⇒ La exposición es un posible factor de protección para la
enfermedad.
RR = 1 ⇒ No hay asociación entre exposición y enfermedad.
De forma similar para la RDI. Además, su valor numérico puede interpretarse, como
cuantas veces es más probable contraer la enfermedad en el grupo expuesto respecto a los
no expuestos, en el caso que sea un factor de riesgo. Como ves no era tan complicado.
Es importante que sepas que en los estudios donde no se conocen a priori las
poblaciones de expuestos y no expuestos y por tanto no es posible calcular las tasas de
incidencia, se utiliza otra medida de asociación llamada “odds ratio” (OR), cabe aclarar que
esta medida ha sido traducida al castellano como razón de disparidad, razón de ventaja,
desigualdad relativa, razón de productos cruzados, razón de momios o simplemente el
término original en inglés, que es el que nosotros preferimos.
Para presentártelo nos auxiliaremos de la siguiente tabla de contingencia, muy usada
en la Investigación Epidemiológica.
Tabla 5.3.4 - Tabla de contingencia de 2 x 2
Enfermedad
Factor de exposición
Total
Si
No
Presente
a
b
n1
Ausente
c
d
n2
Total
m1
m2
n
Donde cada una de las celdas representa las siguientes categorías:
a - Número de sujetos enfermos que están expuestos al factor.
b - Número de sujetos no enfermos que están expuestos al factor.
c - Número de sujetos enfermos que no están expuestos al factor.
d - Número de sujetos no enfermos que no están expuestos al factor.
Los totales por fila n1 y n2 responden a la exposición, siendo el número de sujetos
expuestos y no expuestos al factor, respectivamente. Mientras que los totales por columna
responden al estado de la enfermedad, siendo m1 y m2 el número de sujetos enfermos y no
enfermos, respectivamente; y por supuesto n es el gran total.
Entonces el cálculo del OR a partir de esta tabla es:
OR = a ∗ d
b∗c
La interpretación es de ma nera similar al RR, como ya te expliqué anteriormente. Es
importante que sepas que se realizan pruebas de significación estadística a estas medidas,
para determinar si ese resultado es significativamente diferente de 1 (el valor nulo para la
asociación). Además pueden calcularse intervalos de confianza para cada una de ellas, lo
cual brinda una información mucho más amplia que la simple estimación puntual, en este
caso el equivalente a la significación estadística es la no inclusión del 1 en dicho intervalo,
pero no te asustes que no te daré las fórmulas, en cambio te diré que son fáciles de obtener
con cualquier paquete estadístico de computación, como el EPIINFO.
Veamos un ejemplo. En la siguiente tabla de contingencia te muestro los resultados
de un estudio. Se trata de buscar la presencia de asociación entre el bajo peso al nacer y la
presencia de anemia en el embarazo, consideremos a esta última como el factor de
exposición:
Tabla 5.3.5 – Recién nacidos según peso al nacer y antecedentes de anemia durante
el embarazo
Anemia
del Bajo peso
Total
embarazo
Si
No
Presente
47
15
62
Ausente
3
35
38
Total
50
50
100
En este caso no puede calcularse RR pues el diseño del estudio no me lo permite, ya
que tomé 50 Recién Nacidos bajo peso y 50 normopeso y no puedo calcular medidas de
incidencia, entonces el OR es lo indicado.
47 ∗ 35
OR =
= 36.56
3 ∗ 15
Intervalo de confianza al 95 % (8.88 a 175.13)
Mediante el empleo del módulo STATCALC del programa antes citado se obtienen
estos resultados, como puedes ver el OR es bastante mayor que 1, además el intervalo de
confianza no contiene el 1, lo que significa que padecer anemia durante el embarazo se
asocia con la aparición del bajo peso al nacer, podemos decir que es, aproximadamente, 37
veces más probable que una mujer que padeció anemia durante el embarazo tenga como
resultado, de dicho embarazo, un recién nacido bajo peso, que si no hubiera padecido dicha
anemia. Más adelante retomaremos el tema cuando hablemos de los diseños más
frecuentemente usados.
Riesgo atribuible (RA): Tasa de una enfermedad u otro evento de salud en
expuestos, que puede atribuirse a dicha exposición. Esta medida es la diferencia entre la
tasa de incidencia de una enfermedad entre los individuos expuestos y la misma tasa en los
no expuestos; se supone que las demás variables o factores diferentes del que se investiga
ejercen el mismo efecto sobre ambos grupos. Se conoce también por diferencias de tasas.
De manera similar al RR se define según la medida de frecuencia que se utiliza:
RA = IA expuestos – IA no expuestos
Diferencia de densidad de incidencia (DDI), en caso de usarse la DI:
expuestos – DI no expuestos
DDI = DI
Se puede interpretar como la disminución que se produciría en el riesgo de enfermar
de los expuestos cuando se elimina la exposición, como verás no tiene mucha repercusión
en la valoración de la asociación entre las variables, es más bien una medida del impacto
probable de la supresión de dicho factor, a pesar de ser considerada por la mayoría de los
autores como medida de asociación.
Creo necesario aclararte que hablamos de asociación y no de causalidad, pues como
verás más adelante, la presencia de asociación no implica que esta sea causal, los estudios
para buscar causalidad (analíticos) conllevan un diseño muy riguroso.
5.3.4 Medidas de impacto potencial
Estas medidas, reflejan el efecto esperado al modificar uno o más factores de riesgo
o al realizar una acción de carácter preventivo, en una población determinada. Son muy
útiles en los estudios de intervención, es decir, en el tercer nivel de actuación de la
Epidemiología que abordaremos en el próximo curso. Entre estas medidas tenemos:
Fracción atribuible (etiológica) en expuestos (FA e ): es la proporción en que se
reduciría, entre los expue stos, la tasa de incidencia (TI) del evento de salud, si se eliminara
la exposición. Puede ser expresada en forma porcentual y recibe el nombre de Riesgo
atribuible porcentual en expuestos (RA%).
Esta medida se obtiene a partir del RA y se puede calcular mediante las siguientes
fórmulas:
FA e =
TI expuestos - TI no expuestos
TI expuestos
FA e =
RR - 1
RR
Si la multiplicas por 100 obtienes el RA%
Por ejemplo, un resultado de FA e igual a 0.3 significa que si elimináramos la
exposición, la tasa de incidencia en los expuestos disminuiría en un 30% aproximadamente.
Fracción atribuible (etiológica) en la población (FA p ): es la proporción en que se
reduciría, en la población, la tasa de incidencia del evento de salud si se eliminara la
exposición. También se le conoce como riesgo atribuible de Levin o poblacional
porcentual, de forma similar al anterior.
Se puede calcular mediante las expresiones siguientes:
FA p =
TI global - TI no expuestos
TI global
FA p =
P ∗ (RR - 1)
1+ P ∗ (RR - 1)
Donde P es la prevalencia del factor en estudio.
Fracción evitada en población (FE p ): Es la proporción de la carga hipotética total
de la enfermedad, en la población, que se ha evitado con la exposición a un factor
protector9 .
Sinonimia: Fracción de prevención poblacional porcentual (FPP%).
Se puede calcular mediante la expresión siguiente:
9
Factor protector: Aquel que reduce la probabilidad de ocurrencia de determinada enfermedad.
FE p =
TI no expuestos - TI global
TI no expuestos
Esta medida nos muestra la proporción de nuevos casos que se han prevenido por la
exposición a un factor determinado. Por ejemplo al agregar yodo al agua para prevenir el
bocio en zonas endémicas de esta enfermedad.
5.4 La tipificación10 de tasas en Epidemiología
El análisis de un evento de salud – dígase mortalidad, morbilidad, etc. –,
habitualmente se realiza en dos sentidos: su descripción y su comparación con otras áreas
geográficas (municipios, regiones, países y otros), o entre dos momentos diferentes para
una misma región.
Desde luego que, para que la comparación sea válida, es menester que los grupos
sean comparables y esto es difícil de lograr en estudios no experimentales
(observacionales), que son la mayoría de las investigaciones epidemiológicas, donde los
grupos difieren en casi todo tipo de factores conocidos o desconocidos, que pueden influir
en el resultado final del evento a comparar. Por lo que es necesario eliminar o controlar
estos factores y así obtener un resultado limpio. A estos factores suele llamárseles factores
confusores, la edad y el sexo son dos factores comunes de confusión. Justamente, para
controlar estos factores es que se realiza la tipificación de tasas.
Para que comprendas mejor lo planteado en las líneas anteriores, te diremos lo
siguiente. En el estudio de la mortalidad, muchas veces disponemos de las tasas crudas de
dos regiones, como es el siguiente ejemplo:
Tabla 5.4.1- Mortalidad según regiones. País X; 1999.
Tasa
Región
Población No. Fallecidos
∗1000
Región A
78 818
369
4.7
Región B
83 356
642
7.7
Fuente: Anuario estadístico del país X; 1999.
Del cuadro anterior puede decirse que en la región A es menor el riesgo de morir
que en la región B. Sin embargo, ¿es posible comparar estas regiones a partir de sus tasas
crudas?. La respuesta a esta interrogante estará condicionada por el conocimiento del
comportamiento (en estas regiones) de variables que puedan influir en los resultados.
De hecho, es conocido que en la mortalidad influyen la edad, el sexo, la raza y otras
variables, de modo que si existen comportamientos similares de éstas en las dos regiones,
entonces la respuesta será afirmativa; mientras que será negativa en caso contrario.
Veamos como se comporta la variable edad en el ejemplo anterior.
Tabla 5.4.2- Mortalidad según edad y región. País X; 1998.
Región
Grupos
A
B
etáreos
Població
Població
(años)
No. Fall. Tasa*
No. Fall.
n
n
10
También se han utilizado los términos ajuste y estandarización.
Tasa*
<1
1176
6
5.10
417
2
4.80
1–4
4869
1
0.21
1667
0
0.00
5 – 14
12 866
0
0.00
5835
0
0.00
15 – 49
47 489
77
1.62
41 678
40
0.96
50 – 59
7002
86
12.28
10 003
120
12.00
60 y más
5416
199
36.74
23 756
480
20.21
Total
78 818
369
4.7
83 356
642
7.7
Fuente: Anuario estadístico del país x; 1998.
* Tasas por 1000 habitantes
Observa que, si bien la tasa bruta de mortalidad de la región B es mayor que la de la
región A, sin embargo, todas las tasas específicas por grupos etáreos de la primera son
inferiores a las de la región A. Ello evidencia diferencias en las estructuras por edades de
las poblaciones a comparar. Compruébalo calculando las distribuciones de frecuencias
relativas de esta variable (edad) para cada región.
Este análisis te permite, por una parte, realizar la comparación de estas regiones de
forma individual, es decir, grupo a grupo lo cual evidencia diferencias en las estructuras por
edad de ambas poblaciones. Sin embargo, no permite comparar los niveles de mortalidad de
forma global.
¿Puede la estadística resolver tal escollo?. Desde luego que si, pero no te apures.
Ahora aprenderás dos métodos de un proceder que te ayudarán en tu empeño. El proceder
se conoce como Tipificación de tasas, del que se han descrito dos métodos: el directo y el
indirecto. Sin más dilación te presentamos a los susodichos.
5.4.1 Tipificación de tasas: Método directo.
En el ajuste de tasas, el método directo equivale a preguntarse ¿ Cuál sería la
mortalidad (si este es el evento estudiado) de las regiones que se estudian, si ellas
estuvieran sometidas a la misma estructura por edades (si esta es la variable a controlar) de
una población de referencia 11 ?, o ¿Cuál sería la tasa bruta de mortalidad de las regiones que
se comparan, si ellas tuvieran la misma composición etárea?.
Ahora bien, en qué se fundamenta este método:
El método pretende eliminar el efecto de cierto factor que afecta la comparación12 ,
al utilizar para la tipificación la distribución de éste. Para ello es necesario disponer de la
información siguiente: distribución de la población tipo según el factor a controlar y las
tasas específicas del factor para cada región a comparar. Seguidamente te detallamos el
método.
Algoritmo para aplicar el método directo de ajuste (evento mortalidad).
1er Paso: Selección de la población tipo.
La escogencia de la población tipo o de referencia es arbitraria, con relación a ello
se plantea que este acto no tiene mucha importancia. Cuando se comparan dos regiones de
un país, la población tipo puede ser una de estas, la suma de ambas u otra regió n, en
dependencia del juicio del investigador. Esto también es válido si se comparan países, sin
embargo, en estos casos pueden utilizarse poblaciones tipos propuestas por organismos
internacionales como la OMS y la OPS.
11
12
A esta población se le llama población tipo.
Este factor por el cual se ajusta se denomina factor confusor, pero lo verás más adelante.
2do Paso: Cálculo de las muertes teóricas o esperadas para cada región.
Con este paso se pretende conocer el número de muertes que se esperarían en cada
región si ellas hubieran estado sometidas a la estructura poblacional (por el factor) de la
población tipo. Para ello debes multiplicar las tasas específicas (de mortalidad) por la
población tipo de cada categoría del factor. Esto lo realizarás para cada región a comparar.
Luego procederás a sumar, en cada región, las muertes teóricas o esperadas.
3er Paso: Cálculo de las tasas tipificadas.
Para lograrlo, deberás dividir el total de muertes esperadas de cada región por el
total de la población tipo, este resultado constituye las tasas ajustadas por dicho factor, las
que pueden ser comparadas sin dificultad y arribar a conclusiones valederas.
Retomemos el ejemplo inicial y calculemos las tasas ajustadas por el método directo.
1er Paso: En este caso escogimos como población tipo la suma de las poblaciones de las
regiones A y B, cuya distribución se muestra en la columna (1) de la tabla 5.4.3
2do Paso: Calculemos las muertes teóricas o esperadas (Muertes T.).
Tabla 5.4.3- Cálculo de las muertes esperadas para cada región.
Región A
Región B
Población
Grupos de
(2)
(1∗ 2)
(3)
(1∗ 3)
tipo
edad (años)
Muertes
Muertes
(1)
Tasa esp.
Tasa esp
T.
T.
<1
1593
5.10
8124
4.80
7646
1–4
6536
0.21
1373
0.00
0
5 – 14
18 701
0.00
0
0.00
0
15 – 49
89 167
1.62
144445
0.96
85600
50 – 59
17 005
12.28
20 882
12.00
204060
60 y más
29 172
36.74 1071779 20.21
589566
Total
162 174
1246609
886872
3er Paso: Calculamos las tasas ajustadas.
TM ajustada ∗ edad A = 1246609 = 7. 7
162174
TM ajustada ∗ edad B = 886872 = 5.5
162174
Debo aclararte, que estas tasas están expresadas por 1000 habitantes, por lo tanto, a
la hora de calcular las muertes esperadas, debes expresarlas en forma de proporción, es
decir, dividir por 1000. Además no olvides que el número de muertes teóricas es un valor
entero, debes aproximar en caso contrario, esto es importante, si no lo tienes en cuenta
puedes cometer graves errores.
Observa que, la tasa ajustada por edad para la región B es inferior a la de A,
contrario a lo que sucedía con las tasas brutas, esto se corresponde con lo esperado, pues
como recordarás de la tabla 5.4.2, las tasas específicas por edad de la región B eran
inferiores a las de la región A, lo que te demuestra los errores que se pueden cometer al no
tomar en cuenta estos aspectos y proceder a comparar tasas sin la previa estandarización.
También puedes expresar esa diferencia de manera porcentual, a través de un índice,
conocido como Índice comparativo de mortalidad (ICM), cuyo cálculo es muy simple.
ICM =
ICM ==
TMajust. A
TM ajust.B
Que
en
el
ejemplo
anterior
es
igual
a:
5.5
∗100 = 71.4
7.7
Así, la tasa tipificada por edad de la región B representa el 71.4% de la tasa de la
región A, o lo que es lo mismo, la tasa tipificada por edad de B es inferior en 28.6% a la de
A. Ello demuestra el efecto confusor de la edad. Si invirtiéramos los términos, podemos
decir que la tasa de mortalidad ajustada por edad de la región A es superior en un 40% a la
de B(haz los cálculos). Sin embargo, una advertencia se impone: las tasas ajustadas, solo
sirven para la comparación, el verdadero riesgo de morir lo expresan las tasas crudas,
además las tasas ajustadas serán diferentes si usáramos otra población tipo.
5.4.2 Tipificación de tasas: Método indirecto.
El método indirecto equivale a preguntarse ¿ Cuál sería la mortalidad de las
regiones que se estudian si estos estuvieran sometidos a las mismas tasas de mortalidad
específicas por el factor, de la población tipo?.
Este método aparece como una alternativa cuando no se puede realizar el método
directo, de hecho ha sido bastante cuestionado en los últimos tiempos. Para su aplicación se
necesita conocer las tasas específicas por edades (factor) del país o región tipo y la
distribución por edades de la población objeto de estudio. A diferencia del anterior, solo
permite comparar a una región objeto de estudio respecto a la región o país patrón, por lo
tanto, si deseamos comparar dos regiones entre si, debe tomarse una de ellas como
población tipo y ajustar la tasa cruda de la otra; esto lo entenderás mejor con el ejemplo que
te exponemos más adelante.
Como ventajas de este método se puede señalar que:
−
−
No requiere conocer la mortalidad por edades en las áreas que se comparan.
Cuando las poblaciones son pequeñas, sus tasas de mortalidad pueden presentar
grandes fluctuaciones debidas al azar y en esos casos las tasas de la población
tipo por ser muy estables suministran una excelente mortalidad teórica.
Seguidamente te detallamos el método.
1er Paso: Selección de la población tipo. Este procedimiento es similar al método directo,
pero suele usarse la del país o región con mejores resultados.
2do Paso: Averiguar la distribución por edades (variable a controlar) de la población de la
región objeto de estudio.
3er Paso: Calcular las muertes teóricas o esperadas para una región (si esta estuviera
sometida a las tasas de mortalidad específicas de la población tipo).
Para ello se multiplica cada tasa específica de la población tipo por el total de
efectivos poblacionales de ese grupo en la región a comparar. Luego se suman, con lo que
se obtiene el total de muertes teóricas para la región.
4to Paso: Comparar las muertes teóricas con las muertes observadas.
Ello se realiza a través del cálculo de la Razón Estandarizada de Mortalidad (REM)
o Índice de Mortalidad Estandarizada (IME), mediante la expresión siguiente:
REM = Total de muertes ocurridas ∗100
Total de muertes teóricas
Si este índice es superior a 100, significa que dicha comunidad tiene un exceso de
mortalidad respecto a la de referencia, es decir, su tasa de mortalidad es superior y
viceversa, pero si es igual a 100, entonces no es necesaria la estandarización. Este paso es
cardinal en el método.
5to Paso: Obtener la tasa ajustada para la región que se estudia.
Para ello multiplica el valor encontrado en el paso anterior por la tasa cruda de
mortalidad de la población tipo.
Retomemos el ejemplo anterior, para ajustar las tasas de mortalidad, ahora por el método
indirecto.
1er Paso: Escogeremos como población tipo la de la región B (sus tasas son menores).
2do y 3er Pasos:
En la tabla 5.4.4 se muestra el cálculo de las muertes esperadas para la región A
5.4.4- Cálculo de muertes esperadas.
Grupos
Tasas de
Región A
etáreos
referenci Població Muertes
(años)
a
n
Esperadas
<1
4.80
1 176
6
1–4
0.00
4 869
0
5 – 14
0.00
12 866
0
15–49
0.96
47 489
46
50-59
12.00
7 002
84
60 y más
20.21
5 416
109
Total
7.7
78 818
245
4 Paso: Calculemos la razón estandarizada de mortalidad.
to
REM
=
369
∗100 = 150. 6%
245
Como puedes apreciar, la mortalidad en la región A excede a la de la región B. Este
resultado es congruente con el obtenido al ajustar por el método directo.
5to Paso: Ahora podemos obtener la tasa de mortalidad ajustada por edad para la región A.
TM ajustada ∗ edad A = 1.506 ∗ 7.7 = 11.6
Ahora estamos en condiciones de comparar la tasa bruta de la región B con la tasa
ajustada de la región A y llegar a la misma conclusión que cuando usamos el método
directo, la región A presenta mayores niveles de mortalidad que B, a pesar de que las tasas
crudas no lo demuestren.
Debes saber que no es necesario aplicar los dos métodos, con uno solo basta.
Siempre que sea posible, es preferible utilizar el método directo de ajuste. Además existen
otros métodos de controlar variables confusoras como la regresión logística, que verás en
cursos posteriores.
5.5
Otras formas de medición en Epidemiología.
Además de las formas antes explicadas, en Epidemiología se utilizan otros
procedimientos de medición, muchos de los cuales estudiaste en la primera parte de este
curso. En general pueden resumirse en dos tipos: las pruebas de hipótesis y los intervalos de
confianza.
En temas sucesivos podrás ver cómo se aplican éstos en los distintos diseños de
investigación epidemiológica que estudiarás.
5.6 Calidad de la medición.
Hasta el momento hemos repasado los principales tipos de medidas que se utilizan
en la IE. Ahora, haremos un alto para revisar algunos conceptos que son inherentes a la
medición.
Cuando obtenemos una medida, de una característica cualquiera, independientemente
de la unidad de análisis sobre la que se realiza, debemos tener en cuenta que el valor
obtenido (XM) consta de dos partes: el valor verdadero (XV) y el error de medida (XE). De
manera que XM = XV + XE
A su vez, el error de medida (XE) se compone de dos partes: una sistemática (sesgo)
y la otra aleatoria. El sesgo puede alterar la validez de los resultados, mientras que el error
aleatorio, que por definición sucede por igual en todos los grupos y subgrupos, no afectará
en principio la validez, pero pudiera disminuir la posibilidad de encontrar una verdadera
asociación.
Dos características que siempre deseamos que tengan nuestras mediciones son: que
sean exactas o válidas, o sea, que la medición esté lo más próxima posible al valor
verdadero; y que sean precisas o fiables, es decir, que al repetir las mediciones, éstas estén
muy próximas entre sí. Lo cual solo es posible si los errores de medición son pequeños.
Para lograrlo, el investigador deberá evitar y controlar los sesgos, bien realizando un
diseño orientado a este fin, o mediante la realización de un análisis estadístico adecuado.
Ahora bien, en la Investigación Epidemiológica no experimental los sesgos se clasifican en
tres categorías:
Sesgo de selección: Error debido a diferencias sistemáticas entre las características
de los sujetos seleccionados para el estudio y las de los que no fueron seleccionados, es
decir, cuando la muestra estudiada no es representativa de la población de origen. Ocurre
cuando hay un error sistemático en los procedimientos utilizados para seleccionar los
sujetos del estudio. Este sesgo conduce a una estimación del efecto distinta del obtenible
para la población total.
Por ejemplo: Un investigador desea estimar la prevalencia de alcoholismo en adultos
residentes de una ciudad. Él puede seleccionar una muestra aleatoria de los adultos
registrados por los médicos de atención primaria de la ciudad y enviarles un cuestionario
postal concebido a tal efecto. Con este diseño tenemos dos fuentes de sesgo de selección:
1. Se han excluido a los sujetos no registrados por los médicos, cuyos patrones de
consumo de alcohol pudieran ser diferentes, si es así entonces hay un sesgo.
2. Al enviar el cuestionario por correo, no se tuvo en cuenta que no todos
responderán, por tanto, si los patrones de consumo de alcohol de los no
respondentes difiere del resto, entonces habrá otro sesgo.
Sesgo de información o de observación: Es el resultado de diferencias sistemáticas
en la forma en que son obtenidos los datos, al medir la exposición o la ocurrencia de la
enfermedad, dando lugar a una deficiente calidad (precisión) de la información entre los
grupos que se comparan. Esta clasificación incorrecta puede presentarse en las siguientes
formas: clasificación incorrecta no diferencial o aleatoria y diferencial.
La clasificación incorrecta no diferencial es cuando las inexactitudes se producen en
proporcio nes similares en ambos grupos y la diferencial, por su parte, es cuando el grado de
mala clasificación es más intenso en un grupo que en el otro.
Veamos un ejemplo: En un estudio para estimar el Riesgo Relativo de malformación
congénita asociada con la exposición de la madre a solventes orgánicos, son encuestadas
madres de niños malformados (casos) y otro grupo de madres de niños sanos (controles),
con el objetivo de obtener información acerca del contacto con dicho agente químico y
comparar las respuestas de ambos grupos. En este caso existe el riesgo de que los “casos”
estén motivados a conocer el por qué y recordarán mejor la exposición que los “controles”.
Esto tiende a sobrestimar el RR. A este sesgo de información suele llamársele sesgo de
memoria.
También puede presentarse dentro de este tipo de sesgo, el llamado sesgo de
observación, que consiste en la existencia de diferencias sistemáticas al registrar, solicitar o
interpretar la información proveniente de los participantes, entre los grupos.
Sesgo de confusión: situación en la que la medición del efecto de una exposición
sobre un riesgo se altera, debido a la asociación de dicha exposición con otro factor que
influye sobre la evolución del resultado estudiado.
Un concepto asociado a este es variable de confusión: es una variable que puede
causar o impedir el resultado de interés, sin que sea una variable intermedia en la secuencia
causal, ni se asocie causalmente con el factor sometido a investigación. Tal variable debe
ser controlada, para obtener una estimación no distorsionada sobre el efecto en estudio.
Por ejemplo, es por todos conocido la asociación existente entre el hábito de fumar y
el cáncer de pulmón. Se ha detectado recientemente una alta prevalencia de cáncer de
pulmón entre los cocineros y se desea realizar un estudio para evaluar la asociación entre
dicha enfermedad y esta ocupación. Cualquiera sea el diseño empleado por los
investigadores deberán controlar el hábito de fumar como factor confusor, de lo contrario
sus resultados estarán sesgados.
Los sesgos, usualmente, no pueden ser totalmente eliminados. El objetivo es
controlarlos, ya sea por el diseño o el análisis, y mantenerlos al mínimo. También deberás
evitar o reducir el error aleatorio, ello puede hacerse aumentando el tamaño de la muestra y
(o) la longitud del período de observación. Ahora bien, lo más importante es estimar los
posibles efectos de estos errores y tenerlos en cuenta al interpretar los resultados.
El lema de la Investigación Epidemiológica debe ser “manus sordidae, mens pura”,
manos sucias pero mente clara.
Bibliografía
1.
2.
3.
4.
5.
Jenicek M D, Cléroux R. Epidemiología. Principios, técnicas, aplicaciones.
Barcelona: Salvat Editores, S.A; 1987.
Rothman, K J. Epidemiología moderna. Madrid: Díaz de Santos, 1987.
Kleinbaum D G, Kupper L L, Morgenstern H. Epidemilogic research, principles and
quantitative methods. New York: Van Nostrand Reinhold Co; 1982.
Argimón Pallás J M, Jiménez Villa J. Métodos de investigación. Aplicados a la
atención primaria de salud. Barcelona: Ediciones Doyma; 1993
Beaglehale R, Bonita R, Kjellström. Epidemiología básica. Washington DC: OPS;
1996.
6.
7.
8.
9.
10.
11.
12.
13.
Evans R, Albornoz R. Principios de Epidemiología Moderna. Universidad central de
Venezuela; 1994.
Colimon K M. Fundamentos de la Epidemiología. Madrid: Díaz de Santos, S.A;
1990.
Ahlbom A, Norell S. Fundamentos de Epidemiología. Madrid: siglo veintiuno de
España editores, S.A; 1995.
Horsford Sainz R, Bayarre Vea H. Métodos y técnicas aplicadas a la investigación en
Atención Primaria de Salud. I parte. La Habana: Ediciones Finlay; 2000.
Alonso Fernández A M. Curso de Epidemiología. Escuela de Estadística. Mérida,
Venezuela; 1994.
Fleiss J L. Statistical methods for rates and proportions. 2nd Edition. New York: John
Wiley & sons; 1981.
Fayad Camel V. Estadísticas Médicas y de Salud Pública. La Habana: Editorial
Pueblo y Educación; 1985.
Shultz, James M. Epicize. Essentials and exercises in Epidemiology. 4th Edition.
Weston, Florida; 1998.