Estudios de caso-control Anteriormente en este capítulo nosotros notáramos que esos diseños diferentes del estudio requieren los métodos analíticos diferentes. aparear es un diseño que requiere los métodos diferentes de esos datos descritos hasta ahora. Porque aparear es tan común en los estudios de campo, esta sección dirige este tema importante. aparear se refiere generalmente a un diseño del estudio del caso-control en el que el control es escogido intencionalmente con casos-sujetos semejantes en uno o más características especificas (de modo que la exposición o las exposiciones sean de interés). La meta de emparejar, como eso del análisis estratificado, es "comparar como con que quiere". Las características específicas mas apropiadas para aparear es ésos que son distractores potenciales de las asociaciones de la exposición-enfermedad de interés. apareando los casos y controles en factores tales como la edad, el género, o área geográfica, la distribución de esos factores entre casos y controla será idéntico. Es decir, la variable pareada no será asociada con la posición del caso-control en el estudio. Como resultado, si el análisis es hecho apropiadamente, la variable apareada no confunde la asociación del interés primario. Dos tipos de esquemas de apareamiento son utilizados comúnmente en la epidemiología. Uno es aparear de par, donde cada control es escogido según su similitud un caso particular. Este método es muy apropiado cuando cada caso es de términos extraordinarios del factor pareado, por ejemplo, 50 casos dispersaron extensamente geográficamente. Cada caso podría ser apareado a un control del amigo o el vecindario. Ese control es apareado convenientemente al caso-sujeto particular, pero no a cualquier otro caso-sujeto en el estudio. El aparear por el diseño en estos pares extraordinarios debe ser mantenido en el análisis. El término "el par que empareja" es generalizado a veces para incluir los pares no sólo apareados (un caso y un control), apareando tríos (un caso y dos controles), los cuatrillizos, etcétera. El término también se refiere a estudios en los que el número de controles apareado por caso varía, de modo que los controles son apareados a un caso específico. El otro tipo de pareamiento es por categoría, también llamado la frecuencia apareada. Apareamiento de categoría es una forma de muestreo estratificado de controles, en donde los controles son escogidos en proporción al número de casos en cada categoría de una variable de pareamiento. Por ejemplo, en un estudio de 70 hombres y 30 casos femenino, si 100 controles fueron solicitados, usted también escogería 70 controles masculino al azar del equipo de los no-enfermos y 30 controles femenino del total de femeninos. Los pares no son únicos; ningún control masculino es igual a ningún caso-sujeto masculino. Los datos completos por apareamiento de categoría en el diseño del estudio deben ser analizados, utilizar el análisis estratificado. aparear tiene varias ventajas. aparear en factores tales como vecindario, por amistad, o sibship pueden controlar para confundir por numerosos factores sociales que serían de otro modo imposibles medir y controlar. aparear puede ser costoso, y tardado, la matriculación que facilita los controles. Por ejemplo, controles emparejado de amigos puede ser identificado al entrevistar cada casosujeto, y estos amigos son más probables de cooperar que controles escogidos aleatoriamente de la población general. Y finalmente, apareando en un confusor aumenta la eficiencia estadística de un análisis y así proporciona intervalos de confianza más estrechos. Aparear tiene desventajas, también. La desventaja primaria es apareando un factor le previene de examinar su asociación con la enfermedad. Si la distribución de la edad y el género de caso y controles es idéntica porque usted apareó en esos dos factores, usted no puede utilizar sus datos para evaluar la edad y el género como factores de riesgo por sí mismos. Aparear pueden ser costoso- y tiempo-ineficaz, si el trabajo debe ser realizado considerable para identificar controles apropiadamente apareado. Las variables para ser emparejadas, el más difícil será de encontrar controles convenientemente apareado. Además, apareando en un factor que no es un confusor ni teniendo que desechar los casos porque los controles convenientes no podrían ser encontrados, las disminuciones y la eficiencia estadística tienen como resultado intervalos de confianza más anchos. Finalmente, apareando complica el análisis, especialmente si otro confusor es presente. En el resumen, aparear es deseable y beneficioso cuando usted sabe de antemano eso (1) usted no desea examinar la relación entre el factor y la enfermedad parejos; (2) el factor es relacionado para arriesgarse de la enfermedad tan es un distractor potencial; y (3) aparear es conveniente o por lo menos valorar los costos adicionales potenciales a usted. Cuándo dude, no aparee, o aparee sólo en un factor fuerte del riesgo que es probable de ser distribuido de forma distinta entre grupos expuestos y no expuestos y eso no es un factor del riesgo que usted este interesado a valorar. Apareando parejas: Los datos básicos dispuestos para un análisis del apareado-par parece ser muy sencillo a primera vista, se presentan en una tabla de 2x2 las cuales se indicaron al principio de este capítulo. Aparear en una tabla de 2x2, cada celda representa el número de los pares aparejdos que se encuentran en la fila y la columna. En el no apareado tabla de dos-por-dos, cada célula representa el número de individuos que encuentran los criterios. En la tabla 8—15, E + denota "expuesto" y E— denota "no expuesto". Celda F representa el número de pares hechos de un caso expuesto y un control no expuesto. Las celdas E y H son llamados los pares concordantes porque el caso y el control está en la misma categoría de la exposición. Las células F y G son llamados los pares discordes. En un análisis del apareado-par, sólo los pares discordes son informativos. La proporción de probabilidades es computada como Odds ratio = f / g La prueba del significado para un análisis apareado del par es el McNemar la prueba jicuadrado. Ambas fórmulas sin corregir y corregidas son utilizadas comúnmente. La tabla 8—16 presenta los datos de un estudio par-apareado del caso-control realizado en 1980 en valorar la asociación entre el uso de tampón y síndrome tóxico de golpe. 8 Apareando tríos La disposición de datos para un estudio en el que dos controles son apareado a cada caso es mostrado en la tabla 8—17. Cada celda es denominada fij, donde i es el número de casos expuestos (1 si el caso es expuesto, 0 si el caso es no expuesto), y J es el número de controles expuesto en el trío. Así celda f02 contiene el número de tríos en los que el caso es no expuesto pero ambos controles son expuestos. Una fórmula para calcular una proporción de probabilidades con cualquier número de controles por caso es OR = El Número de controles no expuesto apareado con casos expuesto Número de controles expuestos apareados con casos no expuestos Para tríos emparejados, esta fórmula se reduce a La Tabla 8-17 muestra datos de un estudio caso-control del síndrome Kawasaki realizado en el Estado de Washington. Para cada uno de los 16 sujetos de estudio, se identificaron dos controles por edad y vecindad. Aunque el estudio no encontró asociación con la limpieza de la alfombra, si se encontró la usual asociación con el alto ingreso económico del hogar Apareamiento de conjuntos y variables Métodos analíticos Análogos están disponibles para conjuntos apareados de algún tamaño fijo y para conjuntos con números variables de controles por caso. Tales datos son mejor analizados con software apropiados de computadora, tal como EpiInfo. ¿Diseño de apareamiento Requiere un Análisis apareado? Generalmente, sí. En un estudio par-apareado, si los pares son únicos (hermanos, amigos, etc.), entonces el análisis apareado es necesario. Si los pares fueron basados en características no típicas tal como el género o la carrera, el análisis estratificado es preferido. En una frecuencia de estudio apareado, el análisis estratificado es necesario. En la práctica, algunos epidemiólogos realizan el análisis apareado apropiado, entonces "rompe el igual" y realiza un análisis sin par con los mismos datos. Si los resultados son semejantes, ellos pueden optar por presentar los datos en la moda. En la mayoría de los casos, el odds ratio de los no apareados, estará más cerca a 1,0 que el odds ratio (la tendencia será nula). Menor frecuencia, la proporción "rota" o sin par de probabilidades será adicional nula. Estas diferencias, que son relacionadas a confusión, pueden ser triviales o substancial. El resultado de la prueba del ji-cuadrado de datos no apareados puede estar perdido, es generalmente más grande que el resultado de la prueba de McNernar de los datos apareados. La decisión de utilizar un análisis apareado o el análisis sin par es análogo a la decisión de presentar los resultados crudos o ajustados. ¡Usted debe utilizar su juicio epidemiológico para decidir si los resultados no apareados pierden su audiencia o, peor, a usted mismo! Interpretando los datos. "Escepticismo es la castidad del intelecto. No lo regale a la primera hipótesis que viene". M. B. ¿Gregg, después de que George Santayana Haga una proporción relativa elevada del riesgo o probabilidades o una prueba estadísticamente significativa del ji-cuadrado significa que la exposición es una causa de la enfermedad? Ciertamente no. Aunque la asociación puede ser verdaderamente causal, los desperfectos en el diseño del estudio, la ejecución, y el análisis pueden tener como resultado las asociaciones aparentes que son realmente artefactos. La oportunidad, la tendencia de la selección, la tendencia de información, confusión, y el error de investigador deben ser evaluadas como posibles explicciones por un asociación observadora. Una explicación posible para una asociación observadora es oportuna. Bajo la hipótesis nula, usted asume que su población de estudio es una muestra de la población de la fuente de sorne y esa incidencia de la enfermedad no es asociado con la exposición en la población de la fuente. El papel de la oportunidad es valorado por el uso de pruebas del significado estadístico. (Notó como aboye, intervais de confianza puede ser utilizado también). Un valor P muy pequeño indica que la hipótesis de nuil es una explicación improbable del resultado que usted encontró. Mantenga en mmd que oportunidad nunca puede ser excluida enteramente— incluso si el valor P sea srnall, diga 0,01. ¡Suyo puede ser la una muestra en cien en que la hipótesis de nuli es verdad y fortuito es la explicación! Note que las pruebas del significado evalúa sólo el papel de la oportunidad. Ellos no dicen nada acerca de los papeles de la tendencia de la selección, de la tendencia de información, de confundir, ni del error de investigador, discutido abajo. Otra explicación para lo observado es la tendencia de la selección. La tendencia de la selección es un error sistemático en los grupos del estudio o en la matriculación de participantes de estudio que tiene como resultado una estimación errónea de un efecto de la exposición en el riesgo de la enfermedad. En términos más simples, la tendencia de la selección puede ser pensada de como un problema que surge de quien entra en el estudio. La tendencia de la selección puede surgir o en el diseño o en la ejecución del estudio. La tendencia de la selección puede surgir del diseño defectuoso de un estudio del caso-control si, por ejemplo, una definición demasiado inconcisa del caso es utilizada (algunas personas en el grupo del caso no tienen realmente la enfermedad para ser estudiada), los casos asintomático van sin ser visto entre los controles, o un grupo testigo inadecuado es utilizado. En la fase de la ejecución, la tendencia de la selección puede resultar si los sujetos elegibles con ciertas características de la exposición y la enfermedad escogen no participar y no puede ser localizado. Por ejemplo, si personas enfermas con la exposición del interés saben la hipótesis del estudio y están más dispuesto a participar que otras personas enfermas, entonces la tabla dos por-dos será aumentada artificialmente comparada al celda E, y a la proporción de probabilidades será aumentada también. De modo que evaluar el papel posible de la tendencia de la selección, usted debe reservar en cómo casos y controles fueron especificados y cómo ellos fueron matriculados. Otra explicación posible de una asociación observadora es la tendencia de información. La tendencia de la información es un error sistemático en la colección de datos de exposición o resultado acerca de los participantes del estudio que tiene como resultado una estimación errónea de una exposición el efecto es en el riesgo de la enfermedad. Otra vez, en más términos simples, la tendencia de información es un problema con el informacion que usted reúne de las personas en el estudio. La tendencia de la información puede surgir en varias maneras, inclusive la redacción pobre o entendiendo de una pregunta en un cuestionario, pobre recuerda (qué almorzó hace una semana el martes?), o entrevistar contradictorio la técnica. La tendencia de la información puede incrementar también si un sujeto conocedor proporcionó información falsa, o escondio la verdad o, como es común en algunas culturas, una tentativa para complacer al entrevistador. Tal como se discutió anteriormente este capítulo, confundir puede cambiar también una asociación. Para evaluar el papel de confundir, asegurese que una lista de distractores potencial haya sido levantada, que ellos han sido evaluados para confundir, y que ellos han sido controlados como sea necesario. Finalmente, el error del investigador ha sido saber ser la explicación para algunas asociaciones aparentes. ¡Un botón perdido en una calculadora, una trascripción errónea de un valor, o del uso de la fórmula equivocada todo puede rendir las asociaciones artificialmente, Verifique su trabajo, o tenga otra persona que trate de hacerlo. De modo que antes de que una asociación puede ser causal, considere si la asociación puede ser explicada por casualidad, la tendencia de la selección, la tendencia de información, confundir, o el error de investigador. Ahora suponga que una proporción elevada del riesgo o rallo de probabilidades tiene un pequeño valor P y estrecha intervalo de confianza. Tal oportunidad es una explicación improbable. La especificación de casos y controles es razonable y la participación fue buena, de modo que la tendencia de la selección es una explicación improbable. La información fue reunida utilizando un cuestionario uniforme por un entrevistador experimentado y bienentrenado. Confundir por otros factores el riesgo fue valorado y fue encontrado que para el presente o para haber sido controlado. La entrada de datos y los cálculos fueron verificados. Pero antes usted concluye que la asociación es causal, usted debe considerar la fuerza de la asociación, su plausibilidad biológica, la consistencia con resultados de otros estudios, de la sucesión temporal, y de la relación de la dosis-respuesta, si cualquiera. La fuerza de la Asociación en general, la más fuerte la asociación, el más probable que es de creer que es verdadero. Así estamos generalmente más dispuestos a creer que un riesgo relativo de 9,0 puede ser causal que un riesgo relativo de 1,5. Esto no quiere decir que un riesgo relativo de 1 0,5 no pueda reflejar una relación causal; puede. Es apenas que una tendencia sutil de la selección, la tendencia de información, o confundir podría justificar fácilmente un riesgo relativo de 1,5. ¡La tendencia tendría que ser bastante dramático justificar un riesgo relativo de 9,0! Plausibilidad Biológico ¿tiene sentido de asociación? ¿Con qué es consecuente, que es sabido del patopsicología, los vehículos conocidos, la historia natural de la enfermedad, de los modelos de animal, o de otros factores biológicos pertinentes? ¿Para un vehículo implicado de alimento en un brote de la enfermedad, puede ser identificado el agente en el alimento, o sobrevivirá el agente (o prospera aún) en el alimento? Mientras los brotes son causados por nuevo o previo irreconocido vehículo o factor de enfermedad, la mayoría son causados por aquellos que ya son conocidos. La consistencia con Otros Estudios ¿Son los resultados coherentes con ésos otros estudios? Un hallazgo es más plausible si puede ser replicado por investigadores diferentes, utilizando los métodos diferentes en poblaciones diferentes. La exposición Precede la Enfermedad Este criterio parece obvio, pero en un estudio retrospectivo puede ser difícil de documentar esa exposición precede la enfermedad. Suponga, por ejemplo, que personas con un tipo particular de leucemia son más probables de tener anticuerpos a un virus particular. Quizás esté tentando a concluir que el virus causa la leucemia, pero de la evidencia serológica en mano usted no podría ser cierta esa exposición al virus precedió el comienzo de cambios de leucemia o vehículos previamente irreconocidos o factores de riesgo que más causan esto. La Evidencia del Efecto de la dosis-respuesta La evidencia del efecto dosis-respuesta agrega el peso a la evidencia para la causalidad. Un efecto dosis-respuesta es una característica necesaria para una relación de ser causal; algunas relaciones causales pueden exhibir un efecto de umbral, por ejemplo. Además, un efecto de la dosis-respuesta no excluye la posibilidad de confundir. No obstante, es pensado generalmente agregar la credibilidad a la asociación. En muchas investigaciones de campo, un culpable probable no puede encontrar todos los criterios listados abajo. Quizás la tasa de respuesta fue menos que el ideal, o el agente de etiológico no podría ser aislado del alimento implicado, o el análisis de la dosis-respuesta no fue decisivo. No obstante, si la salud del público está en riesgo, el fracaso de encontrar cada criterio no debe ser utilizado como una excusa para la inacción. Según George Comstock, "El arte del razonamiento epidemiológico es de dibujar las conclusiones sensatas de datos imperfectos". A fin de cuentas, epidemiología de campo es un instrumento para la acción sanitaria de promover y proteger la salud del público basada en la ciencia (métodos sanos epidemiológicos), el razonamiento causal, y una dosis sana del sentido común práctico. Pescando la prueba exacta. La probabilidad que el valor en la celda “A”, es igual al valor observado, bajo la hipótesis nula, es Basado en márgenes de esta tabla dos por-dos, la celda puede tomar los valores de 0 a 4, pero ninguno mayor que 4. Las probabilidades para cada valor de 0 a 4 son Desde que no hay valores posibles de una celda mayores que 4 (él valor de un-tailed P es simplemente 0,07. El valor de dos-tailed P es 0,07 + 0,04 = 0,11. Dado un corte de operaciones de 0,05, podemos rechazar la hipótesis nula. REFE RENCIAS 1. Shem, S. (1978). The House of God. Richard Marek Publishers, New York. 2. Dean A.G., Dean JA., Coulombier D., et al. (1994). Epi Info, Version 6: A word processing, database, and statistics program for epidemiology or microcomputers. Centers for Disease Control and Prevention, Atlanta, Georgia. 3. Luby, SP., Jones, J.L., Horan, J.M. (1993). A large salmonellosis outbreak catered by a frequently penalized restaurant. Epidemiol and Infect 110, 31—39. 4. Berkelman, RL., Martin, D., Graham, DR., et al. (1982). Streptococcal wound infections caused by a vaginal carrier. J American Med Assoc 247, 2680—82. 5. Landrigan, P.J. (1972). Epidemic measles in a divided city. J American Med Assoc 221, 567—70. 6. Kleinbaum, DG., Kupper, L.L., Morgenstern, H. (1982). Epidemioiogic Research: Principies and Quantitative Methods. Lifetime Learning Publications, Belmont, California. 7. Schlesselman, J.J. (1982). Case-control studies: Design, conduct, analysis. Oxford University Press, New York. 8. Shands, K.N., Schmid, GP., Dan, B.B., et al. (1980). Toxic-shock syndrome in menstruating women: Association with tampon use and Staphylococcus aureus and clinical features in 52 cases. N Eng Med, 303, 1436—42. 9. Dicker, R.C. (1986). Kawasaki syndrome. Washington Morbid Rep,(Oct);1—4.