Diseño de estudios casos-controles
Dos grupos son seleccionados, uno de personas con la enfermedad (casos), y el otro de personas con las mismas características generales pero sin la enfermedad (controles)
Compare la exposición en ambos grupos
1
Diseño de estudio de casos-controles
Expuesto Enfermos
(Casos)
No Expuesto Expuesto
Población objetivo No Enfermos
(Controles)
No Expuesto
2
Diseño de estudio de casos-controles
Limitantes:
No se puede obtener tasas de incidencia
debido a que los sujetos son seleccionados
en base a el resultado
Una estimado de la razón de tasas de
incidencia o riesgos(RR) es obtenido por el
cálculo de razón de momios (OR)
3
Cálculo de la Razón de Momios (OR)
Resultado
Exposición
Expuestos No expuestos Casos
Controles B D A/C B/D
A C
Probabilidad de exposición para casos Probabilidad de exposición para controles
= Razón de momios (estima el riesgo relativo)
4
Comparando OR y RR
Resultado
Exposición Exposed Not Exposed
Casos 70 30
100
Controles
300 700
1000
370 730
1100
OR = AD/BC = 5.44
RR = Ie/In = 4.41
5
Señalando los resultados
OR = 5.44
Aquellos con la enfermedad son 5.44 veces más probable que tengan la exposición que aquellos sin la enfermedad
RR = 4.41
Aquellos con la exposición son 4.41 veces más probable que desarrollen la enfermedad que aquellos sin la exposición
6
Resúmen de fuerzas y limitaciones de los estudios cohorte prospectivos y casos controles
Cohorte prospectivo Fuerzas: Oportunidad para medir factores de riesgo antes de que la enfermedad ocurra. Produce tasas de incidencia y estimaciones del riesgo relativo Limitaciones: Limitaciones: Poco útil para enfermedades raras Relativamdente caro Relativamente resultados lentos
Caso-Control Fuerzas: Util para enfermedades raras Relativamente barato Relativamente resultados rápidos
Sesgos posibles en medición factores de riesgo después de que la enfermedad ha ocurrido Sesgo posible en la selección el grupo control Identificar casos pueden no representar exposición de todos los casos
Estudios Clínicos Aleatorizados (RCT) El estándar dorado Estudio Cohorte
8
Esquema de un estudio clínico
Población del estudio Participantes No participantes
Tratamiento Intervención onuevo tratamiento Mejoría
Aleatorización
Control
Control
No mejoría
Mejoría
No mejoría
9
Diseño cruzado
Sujetos son aleatorizados para una secuencia de dos o más tratamientos Cada sujeto sirve como su propio control Sequencia
A, B
B,A Periodo 1
Grupo
I
II
Lavado
Periodo 2
A
B
B
A
10
Diseño factorial
Dos o más tratamientos son evaluados simultáneamente en el mismo grupo de sujetos usando diferentes combinaciones de tratamientos
Aleatorización
Tratamiento A
Placebo
Tratamiento B
Tratamiento B
Placebo
Placebo
11
¿Cómo evaluamos si estudios de cáncer son válidos?
Entendiendo sesgo y confusores
Probando para una verdadera asociación
Examine la metodología para sesgos Examine el análisis para confusores Examine los resultados para significancia estadística
13
Examine el diseño del estudio para sesgos
Sesgo de selección
Errores en el proceso de identificación de la poblacjón del estudio y en la selección de los sujetos
Sesgo de información/del observador
Errores en las mediciones de la exposición o status de la enfermedad
14
Confusores
Confusión es una aparente asociación entre enfermedad y exposición causado por un tercer factor no tomado en consideración
15
Ejemplos de confusores
Estudio A encontró una asociación entre juego y
cáncer de pulmón. El resultado puede estar confundido por tabaquismo.
Estudio B encontró una mayor tasa cruda de
mortalidad en Florida que en Alaska. La tasa puede estar confundida por diferencias en la estructura
etárea de la población.
16
Proibando para confusores
1. Calcule la tasa cruda 2. Calcule una tasa ajustada para la variable confusora
3. Compare las dos mediciones Las dos mediciones serán diferentes si la
variables es un confusor (en la práctica, cuando las mediciones cruda y ajustada difieren por al menos 10%)
17
Edad
0-18
19-64 65+
Muertes por cáncer
Población en riesgo
ASR
Población estándar EUA 1980
Esperado N° de muertes
(1)
5
10 100
(2)
5,000
25,000 15,000
(1) / (2) = (3)
1.00 por 1000
(4)
60,500,000
(3) x (4) = (5)
60,500
56,120 171,419
0.40 por 1000 140,300,000 6.67 por 1000 25,700,000
Total
115
45,000
xxx
226,500,000
288,039
Tasa cruda Tasa ajustada por edad (115 / 45,000) x 1000 No igual (288,039 / 226,500,000) x 1000 2.56 por 1,000 1.27 por 1,000
Edad es un confusor para muerte por cáncer
18
Evaluando significancia estadística
La probabilidad de que obtengas tus resultados como resultado sólo del azar es el valor de p Un valor de p bajo ( < 0.05 ) dice que el azar no es la probable explicación de tus resultados El intervalo del confianza al 95% (CI) es el rango de valores donde el verdadero valor será localizado 95% de las veces Grandes tamaños de muestra producirán intervalos de confianza estrechos Pequeño tamaño de muestra producirán amplios intervalos de confianza
19
Evaluando resultados
RR = 1: No hay diferencia de la enfermedad entre los grupos expuestos y no expuestos OR = 1: No hay diferencia de exposición entre casos y controles
RR = 1.8 (1.6, 2.0) es estadísticamente significativo RR = 1.8 (0.8, 2.9) no es estadísticamente significativo OR = 0.7 (0.6, 0.8) es estadísticamente significativo OR = 0.7 (0.4, 1.2) no es estadísticamente significativo
Ejemplos:
20
¿Cómo evaluamos si asociaciones entre cáncer y factores de riesgo son causales?
Entender criterios de causalidad
Mostrar causa
Enfermedad crónica y condiciones complejas requieren que usemos los postulados de Hill
Fuerza de asociación Consistencia de la asociación Especificidad de la asociación Temporalidad Gradiente biológico
5. 6. 7. 8.
1. 2.
3. 4. 5.
Plausibilidad Coherencia Experimentación Analogía
22
¿ Cuánto de la morbi-mortalidad por cáncer puede ser prevenida por algúna intervención?
Entienda el impacto de la educación y de los programas de monitoreo
Principios de monitoreo
Validez
Sensibilidad: correctamente identificar aquellos con la enfermedad Especificidad: correctamente identificar aquellos sin la enfermedad Valor predictivo +: proporción de prueba verdaderas positivas
Valor predictivo - : proporción de pruebas correctamente negativas
Confiabilidad: habilidad de la prueba para dar resultados consistentes
Producción: cantidad de enfermedad no reconocida bajo tratamiento por el monitoreo
24
Calculando mediciones de validez
Diagnóstico verdadero Resultado de la Enfermo prueba Positivo a
Negativo Total c a+c
No enfermo
b d b+d
Total a+b c+d a+b+c+d
Sensibilidad = a/(a+c) Especificidad = d/(b+d)
Valor predictivo positivo = a/(a+b) Valor predictivo negativo = d/(c+d)
25
Ejemplo: monitoreo de cáncer de mama
Resultados de mamografía Positivo
Negativo
Enfermo 132
45
No enfermo 983
63,650
Total 1,115
63,695
Total
177
64,633
64,810
Sensibilidad = 132/177 = 74.6%
Especificidad = 63,650/64,633 = 98.5% Valor predictivo positivo = 132/1,115 = 11.8% Valor predictivo negativo = 63,650/63,695 = 99.9%
26
Claves para monitoreo
Sensibilidad: detectar un suficiente número de casos preclínicos par ser de utilidad Prevalencia: monitoreo de poblaciones de alto riesgo Frecuencia: monitoreo de una vez no permite conocer diferencias en riesgo individual o diferencias en ataque Participación: pruebas inaceptables para la población objetivo no serán utilizadas Seguimiento: aquellos con pruebas positivas necesitar ser provistos con un plan de acción
27
Consejos para la lectura de la literatura
Identifique el diseño del estudio
Entienda cómo los sujetos fueron seleccionados
Entienda como es definida la exposición
Evalúe sesgos y confusores potenciales Determine si la evaluacióne estadística es apropiada Haga decisiones acerca de si la medición del resultado son estadísticamente significativas y/o clínicamente importantes Uso de buen juicio
28
Fin