Estudios de caso-control Anteriormente en este capítulo nosotros

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.