Epidemiologia Descriptiva

Dr. José J. Hernández
Centro de Información de Medicamentos e Investigación
Escuela de Farmacia
Universidad de Puerto Rico
JJH_UASLP_2011
1
Epidemiologia
y Definición: Estudio de la distribución y determinantes de enfermedad, lesión, o cualquier otro asunto relacionado a la salud en poblaciones de humanos
y Componentes de la epidemiologia:
y Epidemiologia descriptiva
y Epidemiologia analítica
JJH_UASLP_2011
2
Epidemiologia
y Descriptiva
y Identifica y reporta el patrón y la frecuencia de eventos relacionados a la salud en una población
y Ayuda en la generación de hipótesis
y Ayuda en la localización de recursos
y Ayuda en la planificación y evaluación de programas de salud y Analítica
y Se centra en la búsqueda de los determinantes de eventos relacionados a la salud en una población JJH_UASLP_2011
3
Ciclo de análisis epidemiológicos
Formulación de hipótesis y estructura de modelos
Estudios descriptivos
Formulación de nuevas hipótesis o nuevos estudios descriptivos
Estudios analíticos para corroborar hipótesis
Análisis de resultados JJH_UASLP_2011
4
Epidemiologia descriptiva
y Caracteriza la distribución de eventos relacionados a la salud a nivel de:
y Persona (edad, raza, educación, etc.)
y Lugar (localización geográfica, características de la geografía, densidad poblacional)
y Tiempo (1900 versus 2000 / mañana versus noche) JJH_UASLP_2011
5
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 JJH_UASLP_2011
6
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
JJH_UASLP_2011
7
Definiciones importantes
y Caso
y Ratio
y Proporción
y Rate
y Prevalencia
y Incidencia
JJH_UASLP_2011
8
Caso
y Es como definimos lo que buscamos medir
y Se puede medir por medio de:
y Sistemas de vigilancia
y Encuestas estructuradas
y Base de datos
y La definición de casos es esencial
y Ejemplo: ADRs por medio de reportes médicos, encuestas a pacientes, análisis de sangre, etc.
JJH_UASLP_2011
9
Ratio, proporciones y rates
y Ratio‐ División de cualquier numero entre otro numero
y Proporción‐ Es un ratio en donde los componentes del numerador están incluidos en el denominador y 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
JJH_UASLP_2011
10
Prevalencia y Prevalencia mide la proporción de individuos en la población que tienen la variable de interés en un tiempo definido
y Ejemplo:
y
Personas de la clase farmacia 2014en el RCM que han tomando APAP 500mg durante el mes de septiembre de 2008
JJH_UASLP_2011
11
Incidencia y Incidencia mide numero de casos nuevos en una población a riesgo durante un tiempo definido
y Tipos de incidencia:
y Cumulative incidence
y
# de nuevos usuarios de ASA en PR durante 2007
# de IDs que no usan ASA en PR a principios de 2007
y Incidence density
y
# de nuevos usuarios de ASA en PR durante 2007
# de “person‐time” a riesgo de tomar ASA durante 2007
JJH_UASLP_2011
12
Cumulative incidence and incidence density
y Cuando son similares el “cumulative incidence” y el “incidence density”?
y La incidencia es baja
y Periodo de observación es corto
y Como se relacionan la prevalencia y la incidencia:
y Prevalence = Incidencia x Duracion
JJH_UASLP_2011
13
JJH_UASLP_2011
14
Comparación de la incidencia de CHF entre individuos diabéticos que usan o no usan insulina
RESULTADO
(CHF)
+
--
88
68
--
EXPOSICION
(INSULIN)
+
62
82
JJH_UASLP_2011
15
Diferencia en Riesgo
+
+
88
-68
62
82
--
EXPOSICION
(INSULIN)
RESULTADO (CHF)
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
JJH_UASLP_2011
16
¿El uso de Insulina en Pacientes Diabéticos esta asociado a un Aumento en el Riesgo de Desarrollar CHF?
RESULTADO (CHF)
+
--
88
68
--
EXPOSICION
(INSULIN)
+
62
82
Riesgo Relativo (no-ajustado) = 1.30
JJH_UASLP_2011
17
Riesgo Relativo (RR)
+
A
B
A / A+B
= RR
--
EXPOSICION
RESULTADO
+
--
C
D
C / C+D
En estudios prospectivos, ya sean estudios RCT o cohortes se debe usar riesgo relativo como medida de asociación JJH_UASLP_2011
18
Odds Ratio (OR) CHF
RESULTADO
+
C
D
A/C / B/D
A*D / B*C = OR
+
B
--
88
68
--
A
INSULINA
+
--
--
EXPOSICION
+
62
82
OR = 1.71
En estudios caso‐control utilice el “odds ratio”
JJH_UASLP_2011
19
¿Cuando el RR y el OR son similares?
y Cuando el resultado que se mide es poco común, ya que A y C son pequeñas relativo a D y B.
y RR= (A / (A+B)) / (C / (C+D))
y En condiciones raras la ecuación para calcular RR se reduce a RR = (A / B) / (C / D) o (A * D) / (B * C)
y Esta formula es idéntica a la formula de los OR
y Entonces cuando se estudian condiciones raras el OR es una buena aproximación del RR
JJH_UASLP_2011
20
JJH_UASLP_2011
21
Características de Enfermedades que Ameritan Pruebas de Cernimiento
y Fase asintomática
y Altamente prevalente
y Alta severidad
y Tratamiento para fase inicial disponible
JJH_UASLP_2011
22
Medidas Utilizadas para Describir Pruebas de Cernimiento
y Sensibilidad
Validez de la prueba
y Especificidad
y Valor predictivo positivo
Inferencias sobre la prueba
y Valor predictivo negativo
JJH_UASLP_2011
23
Cálculos ESTADO REAL
PRUEBA
ENFERMEDAD
NO ENFERMEDAD
+
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
JJH_UASLP_2011
24
JJH_UASLP_2011
25
Outline
y Why we perform epidemiologic studies?
y Association versus causation
y Bias
y Confounding
y Random Error
y Validity
y Conclusion
JJH_UASLP_2011
26
Types of error
y Types of measurement errors in scientific studies:
y Systematic error:
y
y
Bias
y Selection bias
y Information bias
Confounding
y Third variable
y Non‐systematic error:
y
Random error
y Measurement
y Sampling
JJH_UASLP_2011
27
Deriving Inferences from Epidemiologic Studies
Coffee Pancreatic Cancer
Clinical Observations
Available Data
Case-control studies
Cohort Studies
Randomized Trials
Estimate odds ratio or relative risk
RR = 3.0
p < 0.05
JJH_UASLP_2011
28
Guidelines for judging whether and association is causal
1.
2.
3.
4.
5.
6.
7.
8.
9.
Temporal relationship
Strength of the association
Dose‐response relationship
Replication of the findings
Biological Plausibility
Consideration of alternative explanations
Cessation of exposure
Specificity of the association
Consistency with other knowledge
JJH_UASLP_2011
29
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
JJH_UASLP_2011
30
Types of Bias
y Selection Bias
y A higher or lower rate of the outcome is observed in the exposure group because of the selection method
y Information bias
y A higher or lower rate of the outcome is observed in the exposure group because of an inadequate way of obtaining information about the subjects
JJH_UASLP_2011
31
Selection Bias
HRT ↓CHD
CHD CHD
CHD
HRT‐Yes
No CHD
CHD
HRT‐No
No CHD
JJH_UASLP_2011
HRT
40
60
100
HRT
70
30
100
110
90
200
RR = 0.57
P < 0.05
32
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
JJH_UASLP_2011
33
Information Bias
Drug A Teratogenic effect
Drug A
D
D
E
15
30
45
Ē
5
30
35
20
60
80
Baby with
malformation
No Drug A
Drug A
Baby with no
malformation
OR = 3.0
No Drug A
P < 0.05
JJH_UASLP_2011
34
Information bias
y Recall bias occurs when individuals remember better an exposure event given the outcome
y Misclassification bias occurs when individuals are erroneously classified as exposed or non‐exposed or as cases or non‐cases
JJH_UASLP_2011
35
Confounding
y In 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:
y Factor X is a known risk factor for disease B
y Factor X is associated with factor A but is not a result of factor A JJH_UASLP_2011
36
Confounding y Factor A: Accutane
y Factor B: ↑Suicide
y Factor X: Depression
A
B
X
y Use of Accutane increase suicide rates?
y Individuals taking Accutane are more likely to be depressed and is depression what cause a higher suicide rate JJH_UASLP_2011
37
Confounding
Accutane
Accutane ↑Suicide
D
E
Ē
Suicide
D
10 10 20
4 10 14
14 20 34
No Depression
E
Ē
OR = 2
No Accutane
D
D
E
15
30
45
Ē
5
30
35
20
D
D
3
3
6
12 15
28 31
40 46
60
80
Accutane
OR = 2
JJH_UASLP_2011
OR = 3.0
P < 0.05
No Suicide
No Accutane
38
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
JJH_UASLP_2011
39
Random error
y When p‐value < 0.05 random error is a unlikely explanation of observed results
y There is a 5% of reaching an erroneous conclusion by chance
JJH_UASLP_2011
40
Validity
Bias
Population
Study Sample
Confounding
Random error
Internal Validity
JJH_UASLP_2011
41
Validity
Bias
S
Population
Study Sample
Confounding
Random error
Internal validity but no external validity JJH_UASLP_2011
42
Validity
Bias
Population
Study Sample
Confounding
Random error
Internal validity and external validity JJH_UASLP_2011
43
Conclusions
y Methodology of epidemiological studies should always be evaluated for potential bias and confounding
y Bias should be minimized at the study design level
y A researcher can always adjust for a potential confounder
y Random error is always present in epidemiological studies
JJH_UASLP_2011
44
Conclusions
y Internal validity increases with less bias and confounding
y External validity increases with sample representation of the true population
y Internal validity is necessary for external validity but not sufficient
JJH_UASLP_2011
45
Preguntas?
JJH_UASLP_2011
46