Epidemio Postgrado Maestria PDF

EPIDEMIOLOGIA VETERINARIA
Serie de Monografas en Epidemiologa Veterinaria
Monografa preparada por los profesores Armando E. Gonzlez y Nstor Falcn Prez para
ser usadas como material didctico y de estudio en el curso de Epidemiologa Veterinaria de
postgrado de la Maestra en Salud Animal de la Unidad de Postgrado de la Facultad de
Medicina Veterinaria de La Universidad Nacional Mayor de San Marcos y elaboradas con
tesn y perseverancia desde las actividades de la XXIV Reunin Cientfica Anual APPA y
hasta el taller de Planeamiento Estratgico en la Facultad de Medicina Veterinaria.
Lab Med Prev Vet, Pgina 1
DE LAS NOCIONES GENERALES QUE USUALMENTE

ANTECEDEN EL CUERPO TEORICO DEL CURSO
La epidemiologa, como estudio de la enfermedad en las poblaciones es una disciplina
relativamente antigua, sin embargo, no floreci sino hasta despus que se estableciera
la teora de los grmenes en el siglo XIX. Desde ese momento hasta 1,960 la
epidemiologa ha constituido un colaborador estrecho de la microbiologa en la lucha
contra las enfermedades. Desde 1,960 la epidemiologa devino en una disciplina ms
holstica, en la que se investigan varios factores adicionales a la presencia del germen
para determinar su rol en la presencia de la enfermedad. Al mismo tiempo, el uso de
mtodos cuantitativos se difundi bastante entre los estudios de investigacin
epidemiolgicos, un fenmeno que fue bastante difundido en medicina veterinaria en
los ltimos 20 aos. Como el nfasis de la docencia y prctica de la Medicina
Veterinaria oscila entre la medicina individual y el manejo de poblaciones, se ha
hecho necesario que el profesional veterinario obtenga, mantenga y renueve sus
habilidades en epidemiologa cuantitativa, las que se pueden aplicar en el manejo de
salud de poblaciones.
La epidemiologa se ha definido tradicionalmente como el estudio de la distribucin y
determinantes de los estados o eventos relacionados a la salud en poblaciones
especficas y la aplicacin de este estudio para controlar la enfermedad. La
epidemiologa veterinaria a su vez, se puede definir como el estudio de los patrones de
enfermedad que existen en condiciones de campo. Ms especficamente, la
epidemiologa es el estudio de la frecuencia, distribucin y determinantes de salud y
enfermedad en las poblaciones.
El mayor propsito de la epidemiologa es bastante pragmtico, proveer datos para
tomar decisiones racionales sobre la prevencin y el control de las enfermedades en
poblaciones de animales. En el caso de los animales domsticos, esto tambin
involucra optimizar la productividad y no necesariamente minimizar la ocurrencia de
la enfermedad. En este contexto, la contribucin de la epidemiologa es proveer
informacin describiendo la frecuencia de la enfermedad, identificando factores que
afecten la ocurrencia y severidad de la enfermedad en la poblacin cuantificando las
relaciones entre salud y enfermedad.
DONDE SE COMENTA SOBRE EL DIAGNOSTICO DE LA

ENFERMEDAD Y LAS PRUEBAS EMPLEADAS PARA ELLO
En general, clasificar objetos, animales o individuos de acuerdo a cualidades o
caractersticas representa una actitud normal para el ser humano. Es as, que parte de
la historia y evolucin del hombre se pueden rastrear a algn tipo de clasificacin que
se hizo o se dej de hacer. Es por tanto, esperado, clasificar animales e individuos
como enfermos o no. En principio, separar los enfermos de los sanos no slo se
basaba en la curiosidad de cuantificar el nmero de afectados, sino que ms bien tena
algn fundamento profilctico. Obviamente, en el caso de animales, el ser sano o
enfermo es, hasta hoy en da, un factor econmico. Estamos tratando, entonces, de un
proceso inherente al ser humano, separar a los individuos en sanos y enfermos.
Ahora bien, hay maneras y maneras de clasificar animales como sanos o enfermos. Es
interesante ver que para ciertas enfermedades, se suelan evaluar algunos indicadores
que se han observado asociados a la enfermedad. Por ejemplo, en la sierra existe la
creencia que los cerdos que son enjutos de patas pero anchos de espalda estn
afectados por cisticercosis porcina. Igual se asume que las vacas inusualmente
delgadas deben estar afectadas por tuberculosis o que los animales de pelaje hirsuto y
opaco tienen parsitos gastrointestinales. Estas aseveraciones se han hecho en el afn
de la gente para poder clasificar a los animales como sanos o enfermos evaluando
indicadores a simple vista. Definitivamente, es ms probable que por ejemplo un
torete de pelo hirsuto y opaco est parasitado, de hecho son signos de parasitismo,
pero as como no todos los sanos tendrn un pelaje reluciente, tampoco todos los
enfermos tendrn, necesariamente, pelaje hirsuto. Lo evidente es que se han
formulado reglas de decisin para clasificar a los animales como sanos y enfermos y
que an mas, las reglas no necesariamente son definitivas, para cada regla habr, en
mayor o menor grado, falsos positivos y falsos negativos.
En cualquier caso, la clasificacin entre sanos y enfermos empleando una regla de
decisin constituye un proceso de diagnstico. Puede ser por ejemplo, que el
diagnstico sea hecho a simple vista, como es el caso de animales con garrapatas, o
que sea hecho empleando una prueba clnica, como por ejemplo, la prueba del palo
para retculo-peritonitis traumtica (vaca clavada). Asimismo la clasificacin podra
basarse en definiciones de caso o en criterios diagnsticos que incluyan varios
indicadores. Lo cierto es que se trata de clasificar a los animales en aquellos que
tienen o no una enfermedad. Que la mayor parte de las veces se empleen pruebas
inmunolgicas o tcnicas sofisticadas para poder hacer la clasificacin no le quita ni
le da nada al proceso diagnstico, se trata de clasificar a los animales. Ahora bien, es
bueno considerar que no importa que mtodo empleemos para clasificar a los
animales, siempre existir errores en homenaje a la naturaleza elusiva de la verdadera
verdad.
DE PORQUE ES BUENO EVALUAR UNA PRUEBA

DIAGNOSTICA
Las razones que nos mueven a conocer el estado de enfermedad abarcan desde
intereses por el individuo, si queremos saber la condicin de un animal a fin de tratar
su condicin o decidir que hacer a partir del resultado, o de la poblacin, para conocer
la cantidad relativa de infectados en la poblacin para priorizar esfuerzos y decidir no
hacer nada, controlar o erradicar la enfermedad. Empero, sea cual sea la razn que nos
mueve al diagnstico, es necesario no perder de vista los mrgenes de error de las
pruebas diagnsticas empleadas y de los problemas devenidos de equivocarnos a la
hora de hacer la clasificacin. Como no podemos asumir que los resultados son
definitivos para todos los casos en que se emplee una prueba, de lo que se trata es de
manejar el error, darnos mrgenes a la hora de interpretar resultados y en general,
prevenir a quien convenga de las posibles limitaciones del diagnstico, si fuera el
caso. Lo peor que se puede hacer es tratar de ocultar las cosas y hablar como si los
resultados fueran definitivos. Tal vez uno no se de cuenta, pero el da menos pensado
nos puede tocar vivir una doble vergenza, el de enfrentar un resultado equivocado y
el de tener que explicar porque no se tomo en cuenta o se ocult las probabilidades de
error.
Las evaluaciones a las pruebas diagnsticas tienen como fin no slo el de comparar
mtodos diagnsticos, sino, ms importante an, facilitar el anlisis de los resultados
y proveer mrgenes de seguridad a nuestras interpretaciones. Hay cuatro parmetros
de una prueba diagnstica, sensibilidad, especificidad, valor predictivo negativo y
valor predictivo negativo. Lo importante es tener en cuenta que significan diferente y
proveen informacin diferente. Lo malo, como discutiremos en detalle, es que los

nombres no necesariamente nos sugieren nada ni del significado ni la interpretacin.
USOS Y DEFINICIONES DE LOS EVALUADORES DE

PRUEBAS DIAGNSTICAS
En general, podemos distinguir dos entornos en los que se necesita tener una idea de
la performance de una prueba. Una primera consideracin general es que empezamos
con que no todas las pruebas diagnsticas son totalmente confiables. Lo ms probable
es que una prueba diagnstica tenga equivocaciones. Habrn falsos positivos
(positivos que en realidad NO son positivos, es decir, NEGATIVOS) y falsos
negativos (en realidad POSITIVOS). Entonces, el primer escenario es el de
evaluacin del estado de las enfermedades en las poblaciones. En ese caso nos
interesa saber que tan certeras son las proporciones de positividad y negatividad. Aqu
lo importante es la poblacin, bueno, habr errores, pero en general uno se gua por el
resultado total. Por tanto, nos interesa conocer los valores de evaluadores de la prueba
en cuanto a la poblacin.
El segundo escenario es el individuo. Ah no nos interesa que algunos de los
individuos estn equivocados o no, en realidad nos interesa el individuo. Lo que
queremos entonces es investigar que tan cierto es el resultado que la prueba ofrece
para un individuo en particular. Hay dos evaluadores de pruebas diagnsticas en la
poblacin, la sensibilidad y la especificidad. As mismo, hay dos evaluadores del
comportamiento de la prueba cuando se trata de un individuo, el valor predictivo
positivo y el valor predictivo negativo. Es importante tener en cuenta siempre que no
slo denotan y significan cosas diferentes, sino que de hecho se calculan con
estrategias diferentes. Como veremos ms adelante, incluso se afectan de manera
diferente por el entorno en el que se usan.
Sensibilidad
La sensibilidad denota la probabilidad de que un individuo ENFERMO, de resultado
positivo a la prueba. Vale decir, la probabilidad calculada de dividir el nmero de
individuos enfermos que dieron positivo a la prueba entre el total de individuos
enfermos.
Especificidad
La especificidad denota la probabilidad de que un individuo SANO (libre de
enfermedad), de resultado negativo a la prueba. En este caso, la probabilidad
calculada de dividir el nmero de individuos sanos que dieron negativo a la prueba
entre el total de individuos negativos.
Valor Predictivo Positivo

El valor predictivo positivo denota la probabilidad de que un individuo cuyo resultado
a la prueba es positivo, este realmente enfermo. Fjense que ac la poblacin total ya
no se refiere a los individuos enfermos, sino a aquellos que fueron positivos a la
prueba. Entonces, la probabilidad se calculara de dividir el nmero de individuos
positivos a la prueba y que estaban enfermos entre el total de individuos positivos a la
enfermedad.
Valor Predictivo negativo

A su vez, el valor predictivo negativo denota la probabilidad de que un individuo cuyo
resultado a la prueba es negativo, este realmente sano. Esta probabilidad se calcula de
dividir el nmero de individuos negativos a la prueba que son realmente sanos entre el
total de individuos negativos a la prueba.
DE OTRAS FORMULAS EMPLEADAS PARA ELCALCULO Y

LAS DIFICULTADES QUE SU USO CONLLEVA
Usualmente, la literatura presenta sensibilidad, especificidad, valor predictivo positivo
y valor predictivo negativo empleando una tabla de contingencia 2 x 2 en las que se
sumariza el comportamiento de la prueba. Esto facilita un poco el aprendizaje porque
es ms fcil aprenderse frmulas fijas que definiciones y tal. Por ejemplo se tiene que
si tenemos los sueros clasificados segn su verdadero estado en la naturaleza y
detallados segn el diagnstico a la prueba veramos as:
Resultado de la
PRUEBA
Total
Estado Real (naturaleza)

+
a
b
c
d
(a+c)
(b+d)
+
-
Total
(a+b)
(c+d)
N
De donde tendramos las siguientes definiciones:

a
(a + c )
Sensibilidad:
Especificidad:
b
(b + d )
Valor Predictivo Positivo:
a
(a + b )
Valor Predictivo Negativo:
b
(c + d )
Evidentemente, no hemos perdido de vista que sea que se presente como proporcin o
como porcentaje, se tratara de un indicador puntual, de manera que es NECESARIO,
REQUERIDO e INDISPENSABLE presentarlo con Intervalos de Confianza para
darle sentido a su significado biolgico. De otra manera, tal vez nuestro estimado no
tent ningn valor (en sentido figurado y real y contando para varios niveles). En todo
caso, habra que denotarlos con Intervalos de Confianza calculados con la frmula:
IC = z (95% )
p(1 p )
n
Empero, hay que hacer una salvedad. La gran ventaja de trabajar con las definiciones
ms que con las frmulas, es que si aprendemos las frmulas nunca estaremos seguros
de que los resultados estn bien. Sobretodo cuando nos invierten el orden de la
naturaleza con el resultado de la prueba. De hecho, todo va a estar incorrecto si es que

calculamos los parmetros empleando las frmulas y alguien nos hace el cambio:
Estado real
(naturaleza)
Total
+
-
Resultado de la prueba
+
a
b
c
d
(a+c)
(b+d)
Total
(a+b)
(c+d)
N
SOBRE ALGUNAS PRECISIONES DE CALCULO Y

DEFINICIN DE CONTROLES POSITIVOS Y NEGATIVOS
Evidentemente, si lo que queremos calcular es la sensibilidad de una prueba,
necesitamos, por definicin de probabilidad, un grupo de individuos REALMENTE
positivos, los cuales debern ser definidos con claridad. Por esa razn es que las
definiciones de individuo o suero control positivo tienen que incluir un detalle
descriptivo en la definicin que garantice su estado real de positivo lo sea ms all de
cualquier duda razonable. Por ejemplo, cuando queremos sueros control positivo de
Brucella abortus por ejemplo, podramos empezar definiendo suero positivo como
aquel obtenido de vacas de las que se haya aislado Brucella abortus.
Claro, este es un decir, porque por ejemplo, en el caso particular de brucelosis,
estamos hablando de una enfermedad que actualmente tiene baja prevalencia (menor
que 5%), y ms que eso, cuyo aislamiento no se puede hacer en cualquier momento
post-infeccin, sino en perodos sealados de corta duracin. Entonces, ante la
dificultad de reunir una cantidad de sueros control positivo que nos permita calcular la
sensibilidad con intervalos de confianza razonables, tenemos que recurrir a cambiar la
definicin en aras de hacer la evaluacin viable. Por ejemplo, podramos definir suero
control positivo como aquel de vacas abortadas cuyos sueros pareados antes y despus
del aborto denoten seroconversin al menos a dos pruebas diagnsticas (obviamente,
dos pruebas aceptadas como estndar y que NO incluyan a la prueba que se piensa
evaluar). Esta segunda definicin no es tan fuerte como la primera, pero
definitivamente, vale la pena considerarla, pues de hecho seala que hubo infeccin.
En realidad, las definiciones y las redefiniciones tienen su lmite en el sentido comn.
Podemos ir aflojando las restricciones para llegar al consenso entre lo ideal y lo
plausible en tanto podamos ofrecer sueros control cuyo estado de positividad sea
razonable y auditable.
El caso de los sueros control negativo es el mismo. Lo importante es que podamos
definir la negatividad, nuevamente, ms all de cualquier duda razonable. Hay que
cuidar, sobretodo, un detalle cuando hablamos de anticuerpos. Los anticuerpos
marcan, que hubo exposicin en el pasado. Puede que el animal ya se haya curado o
que el animal haya sido vacunado o haya tenido incluso una infeccin abortada. En
todos esos casos va a ser positivo a anticuerpos a pesar que el agente puede no estar
presente ms en el organismo. Es errneo, por tanto, considerar que el suero de un
animal negativo a la necropsia puede ser considerado como control negativo y ser
incluido para calcular especificidad. Es el mismo caso incluso en el caso agravado de
parsitos detectables a simple vista. Uno puede suponer que si el parsito estuviera,
sera visto, por tanto, que su ausencia define un control de negatividad. Este es un
error grave. Incluso en el caso de parasitosis, podra ser que el animal haya tenido un
contacto lo suficientemente fuerte como para disparar una respuesta inmune pero no
para instalar una infeccin. Pudo haberse dado la infeccin, producir una
seroconversin y estar el parsito en desarrollo. Hasta que el parsito sea lo
suficientemente grande como para ser notado a simple vista, el individuo podra ser
considerado negativo a la necropsia, pero el suero nunca ser control negativo. Es
ms, hay infecciones que llegan a ser rechazadas por el hospedero, que si se libra del
parsito ser negativo a necropsia, pero su suero tendr anticuerpos especficos a la
infeccin por un largo tiempo.
Evidentemente, es ms difcil manejar negatividad. Una salida a este problema es
emplear sueros de animales provenientes de reas libres de la infeccin. De esa
manera podremos estar seguros, mas all de cualquier sospecha, que el suero sea
control negativo. Una observacin general podra ser entonces, que los grupos tanto
de controles positivos como negativos son muy seleccionados y que en principio
seran muy difciles de obtener en un rea localizada. Ahora bien, tambin hay que
tener en cuenta que la enfermedad, ms que un estado, es un proceso. Por ejemplo, si
un cerdo se infecta con scaris, va a ser aparentemente negativo hasta que se cumpla
con el perodo pre-patente, an si empleamos la necropsia para hacer la evaluacin.
Este tambin es el caso para cualquier enfermedad con perodos de incubacin.
Voy a insistir un poco en la moraleja inspirada en una prctica usual hoy en da: no se
puede ir de buenas a primeras a un rea, hacer necropsias y suponer que los negativos
tienen sueros negativos y los positivos tienen sueros positivos. Si se trata de reas
endmicas, nos servirn para definir y ubicar sueros controles positivos. Si se trata de
reas endmicas NO SIRVEN para definir y ubicar sueros controles negativos. Si se
trata de reas endmicas, lo mejor ser buscar los sueros control negativos EN OTRO
lugar, de hecho, uno que este libre de enfermedad y cuya historia y el consenso
corroboren el estado de libre de la enfermedad.
DONDE SE REFLEXIONA SOBRE ALGUNOS ERRORES DE

USO COMUN QUE HABRIA QUE EVITAR
Las equivocaciones ms corrientes al emplear los conceptos de sensibilidad y
especificidad es que el nombre tiende a confusiones de definicin y uso. No es raro
que al definir sensibilidad, se recurra a explicar lo que en realidad sera sensibilidad
como el halo de sensibilidad antibitica o, peor an, que al usar el concepto se asuma
errneamente que uno se quiere referir a la sensibilidad de hasta cuanto se puede
detectar con la prueba, suponiendo que una prueba sensible detecta pequeas
cantidades porque es muy sensible. En realidad, algo hay de ello, porque si puede
detectar cantidades muy pequeas de anticuerpo por ejemplo, va a poder discriminar a
los positivos an si tienen cantidades pequeas de anticuerpo. Lo mismo sucede con
especificidad, que la suelen relacionar, tambin errneamente, con el diagnstico
unvoco, y por tanto especfico, de una condicin. Como que una prueba de alta
especificidad es como su nombre lo indica especfica de una condicin. Esto es
errneo, evidentemente es un problema del entorno en el que se usan esas
definiciones. En un pblico prevenido que se est hablando de una prueba
diagnstica, se entiende que sensibilidad pasa a ser la probabilidad de dar resultados
positivos cuando el individuo es positivo. De la misma manera, especificidad es la
probabilidad de dar resultados negativos cuando el individuo es negativo.
Claro, a veces lo malo es suponer que un entorno en particular sabe de lo que se est
hablando, algo que de hecho no slo pasa con epidemiologa, pero esa, es otra
historia. El hecho es que a veces, cuando no, no basta con suponer que todos estamos
hablando de lo mismo o, para tal caso, que estamos empleando la misma definicin.
Es por eso aconsejable discutir sobre las definiciones al principio de cualquier
discusin sobre pruebas diagnsticas, ms en aras de garantizar las lneas de
comunicacin que otra cosa. Lo cierto es, que una prueba por ser ms sensible, puede
tener alta sensibilidad, o se puede tener alta sensibilidada pesar se ser
relativamente poco sensible. En cada caso, son conceptos DIFERENTES y no
saberlos distinguir, sobre todo si se trata de una discusin alturada, puede llevar a
terribles HEKIBOCASIONES.
DONDE SE TRATA SOBRE LA RELACION ENTRE

SENSIBILIDAD Y ESPECIFICIDAD
Hay un caso particular de diagnstico que grafica muy bien la relacin entre
sensibilidad y especificidad. Se trata de cuando se emplea una prueba cuyo resultado
representa una variable cuantitativa continua y el en la que el diagnstico entre
positivo y negativo se hace a posteriori en funcin a un punto de corte que limita a los
positivos y negativos.
80
80
60
60
40
40
20
20
Especificidad
100
89
100
111
122
133
144
155
100
1
12
23
34
45
56
67
78
Sensibilidad
Relacin entre la sensibilidad y la especificidad
Densidad Optica
La figura de arriba se obtuvo a partir de datos obtenidos al evaluar una prueba de

ELISA para el diagnstico de la tuberculosis bovina. Tenga en cuenta que si el valor
final esta arriba del punto de corte es positivo si es menor, es negativo. Es el caso del
ELISA por ejemplo, que se lee en un espectrofotmetro, las cantidades de color se
leen para cada suero y se decide si es positivo o negativo segn un punto de corte.
Cada punto de corte tendr una capacidad de diferenciar positivos y negativos y por
tanto ser posible calcular cul sera la sensibilidad y la especificidad si se considerara
el valor en cuestin como punto de corte. Por ejemplo, si el punto de corte es muy
bajo, seguramente identificar a todos los positivos, pero no podr dar como falsos
positivos a algunos negativos. Finalmente entonces tendr una alta sensibilidad, pero
una baja especificidad. Inversamente, si el punto de corte es muy alto, dar como
negativo a la mayora de los negativos, tendr una alta especificidad, pero la mayora
de los positivos dar falso negativo y tendr por tanto una baja sensibilidad. En este
caso se ha calculado cul sera la sensibilidad y la especificidad para cada valor de
densidad ptica. Esta relacin de proporcionalidad inversa se puede extrapolar incluso
a cualquier prueba diagnstica, aunque se trate de pruebas de resultado cualitativo, y
en general a cualquier procedimiento de diagnstico. A medida que una prueba se
hace ms sensible, pierde especificidad y viceversa.
UN COMENTARIO SOBRE LOS VALORES DE SENSIBILIDAD,

ESPECIFICIDAD, VALORES PREDICTIVOS Y LOS NIVELES DE
ENFERMEDAD
En general, cuando uno habla de evaluadores de una prueba diagnstica,
inconscientemente nos remitimos a su uso potencial para evaluar y comparar pruebas
y decidir sobre cul seria la ms indicada. Pensamos tal vez en un concepto
habitualmente unido a indicadores de eficiencia, el de inherencia, en el sentido que los
valores deben ser iguales en cualquier situacin. Esperamos, por tanto, que los
evaluadores, cuando se trata de la misma prueba, con el mismo antgeno y bajo las
mismas circunstancias siempre sern iguales. Aparte que cualquier prueba est sujeta
a cambios sutiles y/o groseros debidos al operador y los materiales, hay que tener en
cuenta el entorno en el que se emplea. Por ejemplo, una prueba diseada para detectar
cisticercosis porcina puede ser muy buena en lugares libres de hidatidosis, porque
podremos manejar las reacciones cruzadas. Esa prueba, que podr tener una gran
especificidad en esa zona libre de hidatidosis, tal vez sea psima en zonas donde la
hidatidosis es endmica. Las reacciones cruzadas modificarn los valores de
especificidad y cualquier modificacin para aminorar este efecto adverso tendr
consecuencias en cuanto a la sensibilidad concierne.
Sin embargo, hasta ah hablamos de un indicador que sera mas o menos constante,
como es el caso de sensibilidad y especificidad. Veamos que sucede en dos zonas con
las mismas reacciones cruzadas pero con diferente prevalencia. Supongamos por
ejemplo, que la zona A tiene una enfermedad D, que se presenta con una prevalencia
igual al 10%. Si la sensibilidad y la especificidad de la prueba fueran igual a 90% y de
alguna manera pudiramos clasificar a 500 individuos tomados al azar de acuerdo a su
real y verdadero estado en la naturaleza tendramos:
Estado Real (naturaleza) Total
+
Resultado de la
+
45
45
90
PRUEBA
5
405
410
50
450
500
Total
En este caso, los valores predictivo positivo y negativo seran 50% (45/45) y 99%
(405/410), respectivamente. Empero, si la prevalencia de la prueba fuera en realidad
60% tendramos los siguientes datos:
Estado Real (naturaleza) Total
+
270
20
290
Resultado de la
+
PRUEBA
30
180
210
300
200
500
Total
En este caso, el valor predictivo positivo sera igual a 93% (270/290), mientras que el
valor predictivo negativo sera de 86% (180/210). Evidentemente, el valor predictivo
positivo es mayor a mayor prevalencia. Inversamente, el valor predictivo negativo es

menor a menor prevalencia. Los valores predictivos no son valores constantes y no se
puede tomar el valor como indicador a menos que se exprese conjuntamente con la
prevalencia en la que se calcularon los valores.
DE CMO HACER EL ANLISIS CUANDO NO SE SABE CUAL

ES EL CONTROL
A veces, nos damos con que lo nico que tenemos para evaluar una prueba
diagnstica. En ese caso, nos quedan dos caminos, primero, considerar que los
resultados de una de ellas es el ccontrol. Eso es ms bien arriesgado, porque en ese
caso castramos el potencial de la prueba a evaluar al limitar nuestras expectativas a
que sea igual que la que se use de control. Nuevamente, depende de para que se vaya
a usar. Hay empero, otro camino. Si no estamos seguros cual se aproxima ms a la
realidad, podemos estudiar que tanto concuerdan.
Cuando se tiene dos variables cualitativas con una frecuencia de medidas pareadas
(dos medidas a un mismo individuo), entonces el inters que se tiene es saber que
tanto los resultados encontrados entre las mediciones se aproximan entre si. Para ellos
se utiliza dos pruebas: Kappa para determinar el grado de concordancia entre las
medidas y Mc Nemar para determinar si una medida o instrumento de medida puede
remplazar a la otra.
Una utilidad prctica que se le puede dar a estas pruebas la encontramos en los casos
que utilizamos dos tcnicas diagnsticas sobre un grupo de individuos (pueden ser
sueros o cualquier otra muestra). En estos casos observaremos si estas tcnicas
diagnsticas no ofrecen similar resultado y si una de ellas puede remplazar a la otra
(por ejemplo en el caso de que se desee remplazar una tcnica de diagnstica costosa
por una ms econmica).
Los datos de la frmula se obtienen a partir de una tabla de contingencia de 2x2, como
la que se muestra a continuacin:
Prueba A
(+)
(-)
Total
Prueba
(+)
n1
(-)
n2
f1
f2
Total
FORMULA DE KAPPA
N (a + d)
(n
f +n f
N (n f + n f )
1
El criterio para determinar el grado de concordancia entre los resultados es el

siguiente:
Valor de K
Grado de Asociacin
<0
Muy pobre
0.00 - 0.20
Ligera
0.21 - 0.40
Regular
0.41 - 0.60
Moderada
0.61 - 0.80
Sustancial
0.81 - 1.00
Perfecta
FORMULA DE Mc NEMAR
(b c )
2
Mc
b+c
REGLA DE DESCISION
El estadstico calculado se compara con el valor tabular de Chi Cuadrado utilizando
un grado de libertad y al nivel de significancia pertinente (generalmente 5%)
2 Mc < 2 Mt
Las pruebas se pueden remplazar mutuamente
2 Mc > 2 Mt
Las pruebas no se pueden remplazar mutuamente
EJEMPLO NUMERICO
Prueba A
(+)
(-)
Total
Prueba
(+)
27
31
(-)
23
32
36
27
63
Total
CLCULO DE KAPPA
63( 27 + 23)
( 31)( 36) +( 32)( 27) ]

= 05882
.
[
]
+
31
36
32
27
63 ( )( ) ( )( )
[
CLCULO DE MC NEMAR
( ) = 1 . 92
= 49
2
2
Mc
4+9
2
Mt
= 3 . 84
2 Mc < 2 Mt
DONDE SE PRESENTAN ALGUNAS DE LAS PREGUNTAS
QUE PODRIAN MOTIVAR LAS PRUEBAS DIAGNOSTICAS A
FIN DE QUE EL ESTUDIANTE ACUCIOSO LAS RESUELVA
Durante sus vacaciones fuera de Lima, un juez lo cita en provincias a una audiencia
en calidad de perito para decidir la suerte de un perro que ha mordido a una niita de
12 aos en la cara y las manos. El dueo del perro ha insistido en la audiencia
aduciendo a que el animal es manso y que est muy encariado con la familia.
Aparentemente, no se tiene certeza sobre si el perro fue o no vacunado alguna vez. En
tanto, el serumista que atiende a la nia aduce que ella es alrgica a la vacuna y que la
mejor salida es hacer el diagnstico a partir de cerebro lo antes posible, pues la
localizacin de las heridas acortara el perodo de incubacin. El dueo ha pagado un
descarte de rabia de impronta de cornea (sensibilidad = 70%; especificidad = 75%) y
el perro ha salido negativo. Cul es la probabilidad que el resultado negativo sea
cierto, si la mordedura se efectu en un vecindario durante el pico de un brote
epidmico que se estima que afect al 8% de los perros de la zona?
El diagnstico de la criptosporidiasis se suele realizar empleando la tincin cido
resistente. Si la literatura reporta que este mtodo de diagnstico tiene una
sensibilidad de 95% y una especificidad del 90%, diga usted cules seran los valores
predictivos positivo y negativo si empleara la prueba para diagnosticar la infeccin de
potrillos con criptosporidium durante el verano (prevalencia = 70%) y alpacas
(prevalencia = 12%).
Se quiere estandarizar la prueba de ELISA de captura de antgeno circulante para el
diagnstico de Taenia solium en cerdos y Dirofilaria en perros. Proponga usted las
definiciones que se emplearan para buscar los sueros control positivo y negativo.
Modifique, si es necesario, sus definiciones, si a usted le prohben sacrificar animales
para el experimento.
El laboratorio del SENASA desea implementar un banco de sueros para estar
preparados a evaluar nuevas tcnicas diagnsticas. Le piden que defina controles de
suero negativos para las siguientes enfermedades: Clera porcino, Peste Porcina
Africana, Sarcocistiosis en alpacas, Parvovirosis canina y panleucopenia felina. Las
definiciones deben sustentarse, las referencias a lugares deber ser especfica en
cuanto al lugar geogrfico.
Se quiere estandarizar una nueva prueba diagnstica para detectar la infeccin de
filetes de pescado con Difilobotrium. Se ha desarrollado un colorante no txico que
hace evidente la infeccin en carne en especimenes de 20 g. Se evalan 100

especimenes positivos y 200 negativos provenientes de 25 peces ojo de uva infectados
y de 30 bonitos libres de parsitos. Evale el uso de colorante como prueba
diagnstica si le dicen que al final hubo 5 falsos positivos y 15 falsos negativos.
Un examen clnico de la ubre en vacas y otro mediante la prueba de California
Mastitis fue llevado a cabo en 500 animales con sospecha de tener mastitis. De stos,
300 fueron encontrados con algn problema como se muestra en las tablas siguientes:
Examen clnico:
RESULTADO
POSITIVO
NEGATIVO
PROBLEMAS DE MASTITIS
PRESENTE
AUSENTE
240
40
60
160
California Mastitis Test:
RESULTADO
POSITIVO
NEGATIVO
PROBLEMAS DE MASTITIS
PRESENTE
AUSENTE
270
60
30
140
Comparado al examen clnico la prueba de California es:

Igual en sensibilidad y especificidad
Menor en sensibilidad y especificidad
Menor en sensibilidad y mayor en especificidad
Mayor en sensibilidad y menor en especificidad
Mayor en sensibilidad y especificidad.
Se quiere estandarizar una prueba de diagnstico clnico para el despistaje de tumores
mamarios en perras. Con tal fin, se realiz un examen fsico en 2500 perras mayores
de 7 aos de edad y que se saba haban tenido una biopsia positiva a adenocarcinoma.
Adicionalmente, se efectu la prueba en un grupo control de 5000 animales de la
misma edad, aparentemente sanas y con biopsia negativa. Despus del examen fsico
se diagnosticaron mediante palpacin de masas tumorales slo 1800 casos de los 2500
y 800 del grupo de 5000. Evale la prueba.
DE LAS MEDIDAS DE ENFERMEDAD EN LAS

POBLACIONES Y DE LOS PROCEDIMIENTOS PARA
SU EVALUACION
Si ya estudiamos cmo ir a evaluar los niveles de enfermedad en un lugar dado, el
siguiente paso lgico sera el de emplearlas. Enfaticemos, sin embargo, la utilidad de
hacerlo. En principio, saber cuanto hay nos sirve ms que para saciar cualquier
curiosidad, para gerenciar la enfermedad ms eficientemente a nivel del sistema
productivo y para priorizar el uso de recursos cuando se trata de manejar salud animal
a nivel micro-regional o regional. De lo que se trata, en resumen, es de tener una idea
de la cantidad de individuos afectados por una enfermedad en relacin a la poblacin
total en la que desea evaluar la enfermedad. Pero ojo, no saber por saber, ni porque
nunca se hizo en Per, ni porque no se sabe si hay. Lo primero es poder plantear el
objetivo de la evaluacin y la importancia de hacerlo.
De las medidas de enfermedad existentes, hay una que mide la cantidad de enfermos
en un momento dado. A este indicador se le conoce como prevalencia de la
enfermedad y es un indicador puntual de enfermedad que expresa los enfermos como
proporcin o porcentaje de la poblacin total en un punto dado. Un smil adecuado en
este caso sera el de una fotografa instantnea de la enfermedad. Empero, este
indicador no nos dice la velocidad (fuerza de morbilidad) con la que se enferman los
individuos. Otro indicador que tiene en cuenta la fuerza de morbilidad es uno que
expresa el nmero de casos nuevos en una poblacin dada y en un perodo de tiempo.
Esta es la incidencia.
El empleo de ambos indicadores en el transcurso de una investigacin epidemiolgica
o una investigacin es de gran utilidad, pues permite evaluar la cantidad de individuos
afectados y la velocidad a la que stos enferman. Como cualquier indicador puntual,
requieren obligatoriamente que se los exprese con intervalos de confianza del 95%
para definir los rangos entre los que se puede esperar se encuentre el verdadero valor
de la poblacin. Este hecho es descuidado con mucha frecuencia a pesar que su
omisin constituye un error grave. Es imprescindible presentar los evaluadores de
enfermedad con intervalos de confianza.
DONDE SE PRESENTA UNA OPININ INDIGNADA DEL USO

INAPROPIADO DE TERMINOLOGA POR COMENTARISTAS
DEPORTIVOS Y LA CANALLA POCO VERSADA EN
EPIDEMIOLOGIA
Lo importante de estos indicadores de enfermedad es que si bien es cierto estn muy
relacionados, no ofrecen la misma informacin, sino ms bien informacin
complementaria. Lo malo es que los trminos se suelen confundir mucho y al final
uno dice incidencia cuando en realidad quiere que le digan el porcentaje de afectados
o dice prevalencia cuando pregunta por la cantidad de nuevos casos en un perodo.
Hay que tener mucho cuidado en no confundir los trminos, sobre todo porque de
alguna manera su sonido elegante ha devenido en que se incorporen al lenguaje
cotidiano con significados lamentablemente errneos. Los medios de comunicacin
por ejemplo, confunden incidencia con prevalencia e incluso se ha hecho moda entre
los periodistas deportivos el referirse a las incidencias del partido o cuando alguna
actividad se realiz sin mayores incidenciascuando en realidad estn aludiendo a
cualquier hecho que merezca la atencin del comentarista en el curso de una

contienda de ftbol o evento que tenga que comentar. Estamos por tanto, ante otra
definicin susceptible a usos incorrectos. Prevalencia e incidencia se refieren a una
sola condicin que se manifiesta en una poblacin definida en un punto de tiempo
dado (prevalencia) o durante un intervalo de tiempo (incidencia).El comentarista de
ftbol, enterado de la definicin, podra hablar de la incidencia de lesiones en un
perodo dado del partido o de la prevalencia de jugadores que cojean en un punto de
tiempo del partido.
Incluso concediendo que las incidencias del partido se refiera a eventos dignos de
comentario el comentarista va a poder hablar de un nmero dado de eventos, que
siguen la distribucin de Poisson. En realidad sera suficiente decir que no hubo
eventos o acontecimientos dignos de mayor comentario y punto. Ahora bien, las cosas
se complican un tanto debido a la confusin generalizada sobre incidencia y
prevalencia, sobre todo en los medios de comunicacin. Tal vez suene ms sonoro
emplear incidencia para referirse a los niveles de enfermedad en una poblacin o
lugar, pero es que esta licencia potica atenta directamente contra el significado del
trmino. Lo lamentable del caso es que esta equivocacin no es rara incluso en lugares
y personas que se supone deberan manejar esos trminos correctamente. En el caso
que se trate de personas del mbito acadmico, lo ms recomendable es recordar
cortsmente las definiciones en el mejor nimo de contribuir con el intercambio
eficiente y dinmico de ideas.
DE LA DEFINICIN DE PREVALECIA Y LAS FORMULAS Y

PROCEDIMIENTOS A ELLA ASOCIADOS
La prevalencia evala la cantidad de enfermedad como proporcin o porcentaje de
individuos afectados sobre la poblacin total. La frmula, en este caso, es obvia y
depende de la definicin de prevalencia:
Nmero de individuos enfermos

Poblacin total
Como se explic en su momento para cualquier indicador que se presente como
porcentaje o proporcin, la prevalencia se expresa con intervalos de confianza del
95%, de manera que si denotamos prevalencia como la proporcin p y a la
poblacin total como n tendremos:
Prevalencia = p z (95% )
p(1 p )
n
Este indicador es muy usado sobre todo en estudios de monitoreo transversal de

enfermedad, orientados a determinar cuanta enfermedad hay en una poblacin dada.
Ejemplo
Un estudio de cisticercosis porcina en Huamachuco ha encontrado que 8 de 30
porcinos muestreados en la villa A eran positivos a la prueba de EITB para el
diagnstico de cisticercosis. Asimismo, encontr que 52 de 104 cerdos muestreados
en la villa B, a 20 Km. de A eran a su vez positivos a la misma prueba de EITB.
Discuta los resultados.
En este caso, nosotros empezamos el anlisis calculando la proporcin de cerdos

infectados en cada villa, vale decir, determinando la prevalencia para cada caso. Al
final tenemos que la prevalencia sera de 27% y 50% para las villas A y B
respectivamente. Tambin podramos concluir, aunque equivocadamente, que la
prevalencias de las villas A y B son diferentes y que la villa A tena mucha menos
cisticercosis que la villa B. Empero, al calcular el intervalo de confianza del 95% nos
encontramos con que la prevalencia en la villa A es en realidad 27 16%, es decir, el
verdadero valor de prevalencia para la villa A esta en el intervalo 11% - 43%. Del
mismo modo, la prevalencia de la villa B sera de 50% 10%. Entonces, es evidente
que ambos intervalos se cruzan, de manera que aunque los indicadores puntuales son
diferentes no se puede descartar que los niveles de enfermedad sean diferentes, pues
los intervalos se cruzan y por ende, podran tener la misma prevalencia. Atencin a la
diferencia, que es muy sutil, pero involucra el uso de evidencia estadstica adicional
para interpretar los resultados. En este caso, es evidente que las interpretaciones
basadas en prevalencias sin intervalos de confianza pueden llevarnos a error.
DE COMO LA PREVALENCIA SE AFECTA POR EL METODO

DIAGNOSTICO Y DE LAS MANERAS DE MANEJAR ESTE
ERROR
En realidad, no hay que pensar mucho para darse cuenta que el punto cuestionable de
la prevalencia es que sta depende del mtodo de diagnstico empleado para
discriminar positivos de negativos. Ms an si acabamos de ver que es muy probable
que estemos lidiando con falsos positivos y falsos negativos al hacer nuestra
evaluacin de enfermedad. Ac tenemos dos alternativas, la primera, emplear un
enfoque detallista corrigiendo los valores para descontar el efecto de los falsos
positivos y los falsos negativos. El segundo, emplear la prevalencia cruda para sacar
nuestras conclusiones. Nuevamente, el investigador debe enfrentar esta disyuntiva con
criterio y considerando el objetivo final de la evaluacin. Por ejemplo, supongamos
que para evaluar el estado de enfermedad hemos empleado una prueba de alta
sensibilidad y especificidad y que ms an, nuestra muestra es lo suficientemente
grande como para presentar intervalos de confianza adecuados. Entonces, es relativo
andar corrigiendo nada pues el valor de prevalencia tampoco cambiara mucho y peor
an, de repente el significado biolgico del resultado tampoco cambia. Me explico, si
tenemos una prevalencia de 30%, y eso significa que nos enfrentamos a una zona
endmica de la enfermedad, es muy probable que una prevalencia corregida igual a
33% no signifique algo diferente. Adicionalmente, en la mayora de los casos se
trabaja con muestras de la poblacin y se expresa la prevalencia con intervalos de
confianza, como debe ser. En este caso, corregir la prevalencia para que el valor
corregido quede incluso DENTRO del intervalo de confianza original puede verse
como un exceso que denota cierta falta de criterio y de interpretacin propias de un
epidemilogo novato o peor an con poco sentido comn. Sobretodo cuando nuestra
intencin original era la de aparentar dominio del tema corrigiendo la prevalencia, a
pesar que la correccin per se no ha variado el significado biolgico del valor
encontrado ni ha modificado las conclusiones del estudio. Hay que tener por tanto,
mucho cuidado.
Empero, en ciertos casos es importante e imprescindible corregir la prevalencia. Un
caso tpico se tiene en estudios que han considerado un tamao muestral grande y por
ende intervalos de confianza lo suficientemente pequeos como para limitar el valor
al estimador puntual de prevalencia. En este caso, las conclusiones del estudio van a
variar junto a la par de la prevalencia y es aconsejable presentarla lo ms real posible.

Otro es en el entorno acadmico, si el profesor insiste en ello. El objetivo del examen
es demostrar, aparte del criterio, la adquisicin de habilidades y destrezas. Ah
aplicamos la frmula:
p =
p + 1
+ 1
Donde:
p = prevalencia corregida
p = prevalencia encontrada
= especificidad
= sensibilidad
Incluso luego de revisar la frmula nos encontramos que incluye la sensibilidad y la
especificidad de la prueba empleada para el diagnstico de la enfermedad. Pero
cuidado, ambos son estimadores puntuales del verdadero valor de sensibilidad y
especificidad, que incluye intervalos de confianza. Entonces, hay que estar prevenidos
de la posibilidad que cometamos un error al asumir para la frmula que el verdadero
valor de sensibilidad y especificidad se encuentran a la mitad del intervalo, sobretodo
si se han calculado con pocas muestras y en realidad consideran un intervalo de
confianza ms bien amplio
DONDE SE DEFINE INCIDENCIA, SUS TIPOS Y LOS

PROCEDIMIENTOS QUE SE EMPLEAN EN SUS CALCULOS
Este indicador, de nuevos casos para una poblacin dada en un perodo conocido se
complica un poco ms al introducir la variable tiempo. El primer factor a considerar
es que como en cualquier caso se habla de casos nuevos, es evidente que no se est
trabajando con el total de la poblacin considerando sanos y enfermos. Es claro que
un individuo ya enfermo no se puede enfermar. Entonces, no podemos considerar a
todos sino nicamente a los susceptibles de enfermarse, tambin llamados poblacin
susceptible o poblacin expuesta. Bueno, en el mundo real existen enfermedades y
estados que uno puede sufrir una y otra vez, como por ejemplo accidentes, cuyo
suceso no nos exime de sufrirlo de nuevo, pero hagamos la distincin en aras de
clarificar el concepto sobretodo si lo estamos enfrentando por primera vez. En fin, si
la poblacin susceptible permanece constante, entonces el nmero de nuevos casos
representara una proporcin de la poblacin susceptible al inicio del perodo. En este
caso, cuando los nuevos casos son proporcin (porcentaje) de la poblacin expuesta se
habla de Incidencia Acumulada, tambin llamada tasa de ataque.
Cuando tratamos con una poblacin dinmica, vamos a tener animales que entran y
salen activamente de la poblacin expuesta. En este caso, tenemos que puede que
haya animales que no han permanecido todo el perodo de estudio, pero que de una u
otra manera estuvieron expuestos por algn tiempo en el perodo en el que se
estudiaron los nuevos casos. Por ejemplo, tenemos el caso de algn individuo que
entr al inicio del perodo de estudio pero que se retir de la poblacin expuesta no
porque haya contrado la enfermedad en cuestin, sino por otras causas. Podra ser el
caso por ejemplo que haya viajado o haya tenido algn accidente no relacionado con
la enfermedad y que impidieron que complete el perodo de observacin. Lo mismo
sucede con individuos que han entrado a la poblacin expuesta despus del inicio del
perodo de estudio. Todos estos individuos han contribuido con tiempo de exposicin.
Tambin es el caso de los mismos individuos que se enfermaron en el perodo. Estos
colaboran con perodos de exposicin hasta el momento en que adquieren la
enfermedad y dejan de contar en la poblacin expuesta. De ah que lo interesante de
este enfoque sea considerar como indicador de enfermedad el nmero de casos nuevos
sobre la cantidad de tiempo total expuesto. Obviamente estamos considerando un
clculo un poco ms complicado, tenemos que determinar el tiempo expuesto por
individuo. Por ejemplo, el denominador se expresa como individuos tiempo. En el
caso de personas sera personas-ao y si se trata de vacas, vacas-mes por ejemplo. A
pesar de estas complicaciones menores, las ventajas de este indicador son enormes, la
Tasa real de Incidencia, tambin llamada simplemente Incidencia, representa mejor
que ninguna la fuerza de morbilidad de la enfermedad. Por ejemplo, si nos dicen que
la tasa de incidencia es de 2 nuevos casos de tuberculosis por cada 100 vacas-mes, nos
podemos estar refiriendo a 2 casos cuando observamos 10 vacas por 10 meses o
cuando seguimos 50 vacas por dos meses. En cualquier caso, es claro que por cada
100 vacas-mes de exposicin podemos esperar 2 nuevos casos. De esta manera
estamos trabajando con un indicador muy til para evaluar ocurrencias, comparar dos
localidades o situaciones e incluso plantear pronosticar escenarios plausibles de
enfermedad dadas diferentes exposiciones e incidencias de enfermedad.
DONDE SE INDICA QUE ES INCIDENCIA ACUMULADA

Como vimos anteriormente, la incidencia acumulada no es sino una proporcin. Por
tanto, esta se maneja como lo hicimos con las prevalencias, presentando siempre la
Incidencia Acumulada con intervalos de confianza del 95%. En este caso la frmula
sera:
Nmero de casos nuevos
Poblacin expuesta al inicio del perodo
DONDE SE DEFINE INCIDENCIA REAL

Ac hay que tener cuidado para definir la exposicin. Obviamente, el grado de
precisin, sin dejar de ser importante, define el detalle con el que efecta el clculo y
por ende, el trabajo requerido al hacer el recuento de exposicin. En un primer
momento, podemos sacrificar detalle por tiempo calculando indirectamente la
exposicin, sobre todo cuando los animales entran y salen del grupo de exposicin por
razones definidas y si lo hacen a una velocidad ms o menos constante. En este caso,
vale asumir que la exposicin total ser igual a la poblacin a la mitad del perodo
multiplicado por el tiempo considerado en el perodo. Es ms, se puede simplificar
ms an considerando que la poblacin a la mitad del perodo es aproximadamente la
semisuma de las poblaciones inicial (N0) y final (Nt) luego de un perodo igual a t.
N + Nt
Exposicin = 0
2
Otra manera es el mtodo directo. En este caso hay que registrar, primero, la
exposicin de todos los individuos expuestos durante todo el perodo sin haber
enfermado. En este caso se cuentan todos los individuos sanos que han permanecido
todo el perodo y se multiplica por la duracin del perodo de observacin. Segundo,

hay que sumar la exposicin de los individuos que no se enfermaron pero que no
cumplieron con todo el perodo de observacin, sea porque entraron despus del inicio
o salieron antes del final del perodo de observacin. Hacemos esto restando para cada
individuo la fecha de salida menos la fecha de ingreso del animal al perodo de
observacin. Finalmente, hay que computar el tiempo de exposicin que aport cada
caso de enfermedad. Obviamente, se resta la fecha de infeccin menos la fecha del
individuo al perodo de observacin.
Cuando se usa uno u otro enfoque de clculo depende del investigador, de la historia
natural de la enfermedad y del nmero de nuevas infecciones. Lo importante es estar
al tanto que un mtodo de clculo ms preciso se hace necesario cuando uno enfrenta
a la posibilidad de significados biolgicos diferentes originados en diferencias al
estimar o determinar con exactitud la exposicin total. En el caso de la Incidencia
tambin es necesario presentar los valores con intervalos de confianza del 95%. En
este caso, para una exposicin total para el perodo igual a T se tiene que la incidencia
sera igual a:
Incidencia =
Nmero de casos nuevos

1
z (95% )
T
T2
ALGUNOS EJERCICIOS SOBRE MEDIDAS DE ENFERMEDAD

EN LA POBLACIN QUE PODRA SER BUENO DOMINAR A
FIN DE DEMOSTRAR PERICIA A LA HORA DE LA
EVALUACION
A usted le piden evaluar el valor real de la prevalencia de dirofilariasis en perros
policas. La nica informacin disponible es que el 25% de los animales estn
supuestamente infectados, segn los resultados de una prueba de deteccin de
antgeno circulante. El encargado de los perros le pide que se asegure de los valores
reales, pues cerrar las instalaciones es una de las posibilidades en discusin. Se
supone que usted tiene que presentar, a pedido del cliente, los mrgenes entre los que
se presenta la verdadera prevalencia (como estimador puntual). Tambin se le informa
que la sensibilidad y la especificidad de la prueba eran del 75% y 90% para
sensibilidad y especificidad, respectivamente, cuando la prueba se evalu con 200
perro positivos y 300 perros negativos. El resultado de la prueba era cuantitativo
(espectrofotometra) y el punto de corte se calcul optimizando los valores de
sensibilidad y especificidad. Un consejo: empiece por definir un escenario de alta
sensibilidad y otro de alta especificidad.
El destino insiste en mantenerlo en ascuas en el entorno planteado en el ejercicio
anterior. Primero, le piden que comente si las prevalencias corregidas para cada
escenario tendran significados biolgicos similares. Usted recuerda que al fin y al
cabo se trata de indicadores puntuales y se niega a suscribir nada por escrito sin saber
el tamao muestral con el que se obtuvo la prevalencia original a fin de calcular
estimadores de intervalo. Luego de una serie de consultas, alguien recuerda que la
prevalencia se calcul empleando un kit de ELISA que aparte de costar carsimo slo
permita diagnosticar 100 sueros. Cul fue su opinin antes y despus de conocer
este ltimo dato?
A usted lo ponen a cargo de un pequeo galpn con 750 codornices en plena postura
en un contrato de 6 meses. En realidad, el trabajo result requiriendo no slo
produciendo un intenso trabajo intelectual, sino que tambin requiri una dosis
elevada de actividad motriz. El alimento se lo proporcionaban en cuotas de media
tonelada que tenan que ser llevadas cuesta arriba empleando un triciclo y eso requera
al menos dos viajes realmente agotadores por embarque. Por si fuera poco, el
administrador se le acaba el dinero y le pide a usted que venda codornices para
afrontar los gastos de arbitrios de la granja. Le pide, eso s, que reporte la saca como
muerte idioptica con fines contables. Esta usted tan fastidiado que a la novena
semana de contrato decide vender 250 codornices a un comedor popular, en cuotas de
50 aves semanales. A fin de mes paga las deudas de la granja y a partir de ese
momento lleva los alimentos en un solo viaje bien trabajado. Dos meses antes de
cumplirse el contrato, entra un brote de Colibacilosis 100% mortal que hasta que
controla usted el brote el quinto mes, ha matado a 1 de cada 4 codornices. Para colmo,
usted no estaba prevenido que tendra que llenar un formulario sanitario antes de
pagarle sus honorarios. Responda las siguientes preguntas del cuestionario, que por
cierto es supervisado por el SENASA:
Cul fue la tasa de mortalidad de codornices durante su gestin?
Hubo algn problema sanitario durante su gestin?
Si es as, Cules fueron y cul fue la incidencia del(os) problema(s) hasta que usted
estuvo a cargo?
Responda el inciso (c) asumiendo que la poblacin de su granja fuera una muestra
representativa de la poblacin de codornices de la zona.
Detalle la mortalidad para cada mes de su gestin?
En una reunin cientfica de estudiantes de Medicina Veterinaria se presentan varias
ponencias de prevalencia de toxoplasmosis en gatos. Ms precisamente, de encuestas
serolgicas realizadas en Chiclayo, Arequipa y Lima. Los participantes, agrupados en
algn momento en barras, se han atrincherado en las siguientes posiciones:
Los chiclayanos encontraron que 123 de los 350 sueros fueron positivos y opinan que
su estudio demuestra que la mayor prevalencia de toxoplasmosis felina se da en
Chiclayo dado su clima tropical y hmedo, propicio para la perduracin del parsito.
Los arequipeos denuncian que los estudios de Chiclayo y Lima han tomado muestras
insuficientes, que ellos estn orgullosos de haber colectado ms muestras que nadie
(380) y que encontrado adems, que la prevalencia previamente reportada de 18% ha
subido a la que encontraron ellos en ste ltimo estudio, 20.7895%.
Los limeos no slo han presentado sus datos, sino que los han comparado con el de
los de Chiclayo y Arequipa. Estn confiados de sus resultados porque han empleado
un tamao muestral igual a 30, nmero que aunado a la tremenda diferencia les
permite confiar en la fuerza de sus conclusiones. Aducen que la prevalencia en Lima
es la mitad que en Arequipa y la tercera parte de la de Chiclayo, que ms datos. Han
concluido que la baja cantidad de seropositivos, uno de cada 10, se explica porque el
nivel de desarrollo en una ciudad cosmopolita de alguna manera controla la
enfermedad.
Le piden a usted que concluya sobre la validez de los estudios y sobre las
conclusiones que del anlisis general se puedan sacar, donde hay ms, donde hay
menos y adicionalmente, una pregunta comprometedora, quien no desperdici. Usted
pide un receso para ir al bao, agarra su calculadora, un lpiz, papel multipropsito y

tiene que regresar a la conferencia con respuestas documentadas que terminen,
definitivamente, con la discusin. Diga usted, cules de los diseos eran apropiados,
cules eran diferentes y cules no. Detalle cada una de las aseveraciones hechas para
cada lugar de estudio e investigue si eran o no aseveraciones verdaderas. Presente su
opinin documentndola con anlisis de diseo y datos.
Finalmente, sus sueos de trabajar en una gran transnacional se han cumplido. Usted
est ganando el equivalente a un muy buen sueldo americano, aunque esta basado en
Per. Empero, el destino har que arriesgue su situacin cuando el presidente de la
transnacional lo visita. Est obsesionado con una enfermedad y le han comunicado
que podra haber un brote en una de las granjas de la regin en la que usted gerencia
la sanidad animal. Se ha ilustrado en el viaje a Per y ha decidido que se puede
declarar un brote oficial si la prevalencia real expresada en intervalo llega a
comprender a 15%. Usted no se ha quedado atrs, ha hecho muestrear 500 animales y
ya sabe que 75 de ellos ya son positivos. Sin embargo, el comunicado que le pide
prevalencia real lo tiene indeciso sobre declarar o no el brote. El presidente le dice
explcitamente por telfono que quiere una prevalencia que trascienda la prueba
diagnstica y que lo encuentre en el trmino de la distancia en su hotel.
Lamentablemente, a pesar que uso la mejor prueba diagnstica disponible en Lima,
ELISA, no sabe su sensibilidad ni especificidad. Llama por telfono a algunos amigos
y le recomiendan a un profesor que trabaja con la enfermedad. Al preguntarle sobre
las pruebas, le dice que de lo nico que se puede estar seguro es de la sensibilidad y
especificidad del EITB, que es 98% sensible. Un detalle ms, recuerda que al hacer
diagnsticos pareados de 300 sueros positivos y 300 negativos, la prueba de ELISA
tena 1.5 ms falsos negativos que la prueba de EITB. Recuerda tambin que esa vez
cont 14 falsos positivos. Al llegar al lobby del hotel, el presidente le dice que tiene
planes para instalarlo como gerente latinoamericano en una nueva sede en Lima, pero
antes de discutir los detalles, le pide que le diga, concretamente, si se declara o no el
brote y sobre qu bases.
DE LA CAUSA, LA CAUSALIDAD Y ALGUNAS

DISGRECIONES DE CORTE CULINARIO
Se puede comenzar deslindando las coincidencias entre causa y causalidad en el
entorno epidemiolgico, con el magnfico platillo vernacular del mismo nombre. Esta
que el nombre causa se debe a que los gentil hombres de antao se juntaban para
pasar el rato, conversar derrochando picarda y buen humor, picar algo sabroso y
picante para hacer sed y brindar con chicha y pisco, haciendo alarde de virilidad. En
esos casos, el pretexto de la reunin era el picante que degustaban, que por muy
sabroso, pas de ser la causa de la reunin a llamarse, causa por extensin de la
circunstancia y en justo homenaje a la justificacin de tan amenas reuniones.
En cuanto a la causa del presente captulo, comenzaremos indicando que si una
enfermedad cualquiera, denotada como E se presenta ms en individuos que tienen en
comn una caracterstica F en comparacin a individuos que no la tienen, entonces se
sospecha que exista una asociacin entre la presencia de la caracterstica F y la
enfermedad. Si en adicin se sabe que dicha caracterstica F se presenta ANTES que
ocurra la enfermedad, entonces se sospecha que la caracterstica F sea una causa o
factor de riesgo (o indicador de riesgo) de la enfermedad E.
Por ejemplo, hay enfermedades ms comunes en individuos procedentes de una zona
geogrfica (deficiencias minerales), sexo (hemofilia), Edad (neurocisticercosis),
ocupacin (cncer de escroto) y hbitos (cirrosis). Conocer stos factores de riesgo es,
en buena cuenta, un primer paso a definir grupos en riesgo y en general a prevenir
enfermedades, esa es su principal importancia.
Causas de enfermedad
Algunos fenmenos o eventos ocurren en secuencias regulares tan dependientes que
se puede hablar sin problemas de causa y efecto. Dentro de epidemiologa las causas
de las enfermedades se estudian con objeto de explicar y eventualmente prevenir
enfermedades. En este sentido, se dice que una relacin causal existe si la incidencia
de la enfermedad es menor en los individuos que no tienen el factor en comparacin
con aquellos en los que el factor est presente.
El factor F y la enfermedad E se pueden asociar, en principio, de tres diferentes
formas:
F es la causa de E
F
F y E tienen una causa comn desconocida (X)
F
E es la causa de F
Si la enfermedad E ocurre despus de que se registra F, entonces se puede descartar c

y nos quedamos que sea a o b. En epidemiologa, se busca identificar la causa (a) o el
factor de riesgo asociado a la presencia de la enfermedad (lo que incluye por
definicin b).
Una enfermedad tiene generalmente varias causas que juntas o de forma separada
llevan a la ocurrencia de la enfermedad. Inversamente, una sola causa puede dar
origen a varias enfermedades. Las causas pueden llevar a enfermedad directamente o
indirectamente, activando otras causas. Sin embargo, en la prctica, es usualmente
imposible disecar causas intermediarias. Por tanto, es ms aconsejable enfocar el
estudio de la relacin causal en grados y direcciones ms que simplificarlas en
directas o indirectas.
SOBRE LOS TIPOS DE CAUSA

Una causa suficiente, es aquella que lleva inevitablemente a la aparicin de cierta
consecuencia. La exposicin de una vaca al bacilo de TB, por ejemplo, no siempre
lleva a la aparicin de tuberculosis bovina. El riesgo de presentar la enfermedad
tambin est asociado al estado fisiolgico, presencia de inmunidad e incluso
susceptibilidad gentica. Una causa que de por s no es suficiente se llama causa
contribuyente. Finalmente, una causa, necesaria, es una causa que tiene que estar
presente para que la enfermedad ocurra. En el ejemplo de la tuberculosis bovina, una
vaca con todas las causas contribuyentes no desarrollar la enfermedad a menos que
se exponga a la presencia del bacilo, por definicin una causa necesaria.
DE LOS CRITERIOS EXPERIMENTALES PARA EVALUAR

CAUSALIDAD DE ENFERMEDADES
Los criterios de causalidad experimental han cambiado con el tiempo desde que se
presentaron los postulados de Henle-Koch. Este ltimos resumen el punto de vista
clsico sobre la relacin causal pues se basaron en el conocimiento del siglo XIX de
las enfermedades bacterianas. Los criterios propuestos para que un parsito sea
considerado causa de una enfermedad fueron:
El parsito se encuentra siempre que hay enfermedad
El parsito no se presenta en otras enfermedades (como saprofito o en forma no
patognica)
Una vez aislado, se puede cultivar hacer pasajes y el cultivo puro luego de varios
pasajes puede producir enfermedad
En el momento en que los postulados se presentaron en 1890, Koch se dio cuenta que
el ntrax, la tuberculosis, la erisipela, el ttano y otras enfermedades no cumplan los
postulados. Tambin estaba prevenido que un nmero de agentes infecciosos tambin

fallaba en cumplir los postulados. Entre otros, el clera. De hecho, Koch fue el
primero en aislar el Vibrio, pero no pudo reproducir la enfermedad en ningn modelo
animal. El descubrimiento de los virus y la falta de metodologa para trabajar con
ellos terminaron por cuestionar la validez de los postulados.
DONDE SE PRESENTAN LOS CRITERIOS

OBSERVACIONALES PARA ESTABLECER CAUSALIDAD
Se han descrito una serie de criterios para evaluar una posible relacin causal cuando
no se puede recurrir a experimentos para comprobar o rechazar la relacin. Estos son:
Secuencia Temporal
Una asociacin causal requiere que la causa o factor de riesgo o factor predisponente
preceda a la enfermedad. Este criterio es fundamental para la relacin causal.
Consistencia
Una segunda condicin es que la relacin causal se encuentre en diferentes lugares
bajo diferentes condiciones.
Fuerza de asociacin
Esta caracterstica se resume en que a mayor fuerza de asociacin, menor la
posibilidad de que la asociacin sea espuria.
Gradiente biolgica
La existencia de una gradiente biolgica o curva de dosis-respuesta hace la
explicacin de una relacin causal mucho ms plausible.
Especificidad del efecto

Aunque existen dudas sobre este criterio y su aplicacin, se supone que una causa es
especfica si la introduccin de un agente causal putativo es seguida por la ocurrencia
de la enfermedad.
Plausibilidad biolgica
En la prctica, la evidencia biolgica colateral se usa extensivamente para apoyar o
rechazar la hiptesis de causalidad. En este sentido, es el mismo caso que el sentido
comn en epidemiologa, la relacin causal tiene que ser lgica y tener sentido.
Coherencia
Muy relacionada a la plausibilidad biolgica, la coherencia implica que la
interpretacin causa-efecto no conflicta con el conocimiento terico actual. En buena
cuenta, plausibilidad biolgica se puede interpretar como tener asidero terico.
Evidencia experimental
Postulada como criterio adicional, se refiere al caso en el que obtiene evidencia
experimental adicional. Evidentemente, su uso se restringe a relaciones causales
viables en algn modelo experimental de infeccin.
DONDE LOS PROFESORES DEL CURSO HACEN UN SESUDO

COMENTARIO DEL ANLISIS Y DISEO EN EPIDEMIOLOGIA
Mucho del nfasis que se pone al ensear diseo experimental considera cmo
plantear el estudio y, sobretodo, cmo analizarlo. Tomar esta decisin respondi a la
necesidad de optimizar este curso toda vez que al llevar bioestadstica y diseo se
discuten precisamente las bases del anlisis de datos. Este curso de anlisis tiene la
intencin de formar criterio reflexivo al disear y analizar experimentos. La presente
monografa discute algunos detalles que espero nos ayuden a cruzar el puente hacia el
uso racional de los conocimientos y actitudes sobre diseo y anlisis en el ejercicio
profesional de la Medicina Veterinaria.
Durante cualquier curso de bioestadstica se consideran, prioritariamente, estudios
experimentales o no observacionales. La variable independiente suele ser manejada
por el investigador, que se preocupa bsicamente de demostrar cambios cualitativos o
cuantitativos en la variable dependiente debidas a las modificaciones que el
investigador considera para la independiente. A pesar que en epidemiologa tambin
se consideran experimentos no observacionales, se estudian como procedimientos en
los que el investigador tiene que tener en cuenta una serie de consideraciones ticas
adicionales toda vez que el diseo considera pacientes de consulta o animales de
laboratorio cuyo uso tambin se rige por reglamentos y consideraciones de carcter
tico. La segunda diferencia, en procedimiento, mas no en razonamiento, es
encontrarnos con diseos no observacionales al estudiar epidemiologa.
Desarrollados para su uso en humanos, los estudios no observacionales, cohortes y
caso-control principalmente, estn destinados a un uso ms intensivo a medida que el
ejercicio profesional demande informacin actualizada y/o local sobre factores de
riesgo de enfermedad y/o baja productividad y no se pueda recurrir a diseos
experimentales por razones ticas o logsticas. A pesar de las diferencias, los enfoques
experimental y no experimental comparten principios que hacen fcil identificar un
lugar comn para ambos. Los dos necesitan de un objetivo experimental bsico y una
estrategia de comparacin aceptable, consideran comparar componentes similares con
reglas de decisin pre-establecidas. Bsicamente, estos cuatro componentes definen el
empleo, en ambos casos, del mtodo cientfico.
Los objetivos se desprenden de la hiptesis (no confundir con hiptesis estadstica,
aunque estn ntimamente relacionadas). Como recordarn, la definicin de cualquier
problema puntual suele devenir en el planteamiento de una serie de posibles
soluciones al problema. Una vez comparadas, de las soluciones se selecciona a
aquella que represente la alternativa ms plausible y a ella se le denomina hiptesis.
Es as que la hiptesis se plantea de manera que el experimento pruebe o no que es
una solucin viable. Los procedimientos que se llevarn a cabo para comprobar si la
hiptesis es o no verdadera se detallan en los objetivos. De ah que en algunos
crculos consideren que una hiptesis bien planteada no requiere de objetivos. En
cualquier caso, hemos visto que si los objetivos se definen en funcin al experimento
que se empleara para comprobar la hiptesis, deben hacer referencia explcita a la
hiptesis, de manera para que la realizacin del experimento tenga sentido.
La explicacin es ms evidente con un ejemplo. Muchas veces al preguntarle a un

estudiante cul es el tema de su tesis, ste responde en ELISA. Descontado el hecho
que ELISA se refiera al ensayo inmuno-enzimtico y no a alguna compaera de ese
nombre, tampoco se ha avanzado mucho en tener alguna idea del tema de tesis. Salvo
que, aparentemente, el ensayo inmuno-enzimtico esta involucrado de alguna manera
en la futura tesis. Lo peor de todo, no se sabe nada de la relevancia de la tesis, visto
que no se ha hecho mencin alguna a la enfermedad en cuestin. Incluso podra o no
relacionarse a una enfermedad, hay que recordar que se puede estar midiendo
hormonas o cualquier otro indicador. Si por ejemplo, al pedir mas detalle, el
estudiante se explayara un poco y acotara un ELISA para el diagnstico de la
toxoplasmosis ya podramos definir la relevancia del estudio en funcin a la
enfermedad. Bueno, en trminos relativos, porque todava no se sabe en que especie
espera emplear el ELISA. As podramos continuar hasta solicitar una descripcin
ms completa que incluira la especie un ELISA para el diagnstico de la
toxoplasmosis en gatos, lo que supuestamente detecta el ELISA, tal vez no
anticuerpos, lo mas comn en enfermedades, sino tal vez antgeno un ELISA de
captura de antgeno para el diagnstico de la toxoplasmosis en gatos y finalmente
que material biolgico se empleara en el ELISA un ELISA de captura de antgeno en
heces para el diagnstico de la toxoplasmosis en gatos. Aunque todava incompleta,
la descripcin ya nos permite tener una idea razonable del estudio. Este objetivo, ms
bien cercano a la hiptesis, es de tipo general. De hecho, de eso se tratan los objetivos,
de una descripcin de las acciones a ejecutarse en el estudio de manera que se tenga
una referencia a la hiptesis, en este caso, la hiptesis podra ser la captura de
antgeno en heces por el mtodo de ELISA se puede emplear para el diagnstico de
las infecciones intestinales activas por el toxoplasma en gatos. Podemos refinar el
objetivo con objetivos especficos que se acerquen ms al experimento en s pero
dependan directamente del objetivo general (y por ende a la hiptesis). Se podra por
ejemplo, considerar colectar heces de animales positivos y negativos, estandarizar el
test y finalmente evaluarlo determinando su sensibilidad y especificidad, tres
objetivos especficos concretos que nos dan una idea global del experimento.
Podramos realizar el ejercicio con cualquier diseo de datos y encontraramos que
igual se encontraran tres elementos fundamentales: un estado inicial un agente de
cambio y eventos subsecuentes. En el caso del toxoplasma, el estado inicial es libre de
enfermedad, el agente es el toxoplasma y los eventos subsecuentes son tres, el
primero, infeccin por toxoplasma, el segundo, eliminacin de antgeno debido a una
infeccin activa y el tercero, el ser ELISA positivo o negativo si la prueba detecta o
no, errnea o verdaderamente al antgeno en cuestin. Ac vale la pena hacer una
disgrecin para sealar un detalle que puede plantear mal interpretaciones. Todos los
diseos experimentales estudiados en bioestadstica son de procesos, mientras que los
diseos epidemiolgicos son principalmente de causa-efecto. Ahora bien, todos los
diseos de procesos son experimentales, igual que uno de los diseos
epidemiolgicos, el ensayo clnico, que es de causa-efecto. Asimismo, los dos diseos
epidemiolgicos restantes, cohortes y caso-control, son de causa-efecto.
La principal diferencia entre diseos de proceso y de causa efecto es que los primeros
miden cambios cualitativos y/o cuantitativos. Los estudios de causa-efecto miden
cambios de estado. En cualquier caso, sea que midan cambios cuantitativos (aumento
de peso, mejora de calidad de carcasa, produccin de leche o huevos por ejemplo) o
que midan cambios de estado (enfermedad, mejora, muerte) ambos definen su
hiptesis y sus objetivos en funcin a los elementos fundamentales estado inicial,
agente principal y eventos subsecuentes. Una manera rpida de salir del paso es
preguntarse Quin le va a hacer qu a quin?, en realidad una pregunta de inters que
funciona muy bien en un nmero de niveles. En este caso, es muy til para identificar
en los objetivos. Porqu, para qu, cundo y dnde son preguntas adicionales cuya
respuesta debe considerarse junto a la justificacin de la hiptesis y los objetivos
propuestos al sustentar el marco terico de la investigacin.
En realidad, visto de esta manera, es evidente que no se requiere ser un iluminado
para proponer los objetivos de una propuesta de investigacin en epidemiologa. Una
vez caracterizado el problema que se espera resolver, la solucin ms probable es
evidente y de ah a plantear los objetivos generales solo hay un paso que no requiere
mucha reflexin. Sin embargo, decidir qu se va a medir para estudiar el agente en s
y el efecto del agente en el estado inicial si requiere una buena dosis de conocimiento,
experiencia y manejo del recurso logstico y econmico. Se necesita definir una
estrategia de investigacin que permita medir el efecto y no siempre es el caso que se
pueda hacer directamente. Un ejemplo grfico se tiene en la variable dolor por
ejemplo. Primero, seleccionar al agente a evaluar y el tratamiento alternativo con el
cual se va a comparar requiere un conocimiento profundo de la farmacologa y la
clnica. Otro si, la variable con la que se compara el efecto. Yo puedo asumir que una
droga analgsica tendr un efecto mucho ms fuerte que otra droga dada, pero a falta
de un dolormetro confiable que todava no se ha inventado, tenemos que recurrir a
algn artificio que nos permita evaluar dolor. Sobre todo cuando se trata de
diferencias muy sutiles. Si las decisiones tomadas a este nivel no son satisfactorias, el
resto de la investigacin podra ser inaceptable.
Una vez que la hiptesis define lo que se quiere demostrar y si los objetivos son
correctos y delinean lo que se va a hacer el anlisis de datos cae por su propio peso.
Nuevamente, recurramos a un ejemplo. Supongamos que se desea evaluar un
tratamiento post-parto que acorta el intervalo parto-primer servicio. Obviamente, la
hiptesis sostendr que el nuevo tratamiento acorta el intervalo y los objetivos
definirn las acciones que se tienen que tomar para comprobar o rechazar que el
tratamiento acorte el intervalo. As a grosso modo, se hace evidente que la variable
fundamental es el tiempo entre el parto y el primer servicio. Como se trata de un
intervalo, es necesario registrar dos variables previas, fecha del parto y fecha del
primer servicio. Ms an, ya se limitan las pruebas estadsticas que pueden ayudarnos
a evaluar el efecto del tratamiento en el intervalo. Necesitamos pruebas estadsticas
que evalen intervalos de tiempo o mejor an, analicen una variable del tipo tiempo a
un evento.
El problema de este enfoque directo es precisamente, que es sencillo y directo. En
realidad, de alguna manera se cae en el vicio de querer evaluar muchas cosas en la
intencin de que nuestro anlisis sea mejor y se mejore por tanto la calidad de los
resultados. Se puede sugerir por ejemplo medir alguna hormona, alguna enzima que
sugiera estado de salud, el peso, la produccin lctea y el contenido graso de la leche.
Es que resulta muy fcil complicarse la vida. Total, se aduce que en vez de no hacer
nada, se puede medir la enzima, o cuantificar la produccin y muchas cosas ms. Ese
desperdicio de recursos tiene un impacto sobre la eficiencia del experimento y sobre
el concepto que se puede tener del anlisis. Lo ideal es definir de manera meridiana
que se quiere demostrar, cmo se va a demostrar, que se tiene que medir y como se va
a analizar. Si no se sabe que tanto una nueva variable nos va a ayudar a comprobar o
rechazar nuestra hiptesis, lo mejor es no tomarla en cuenta desde el principio. Del
mismo modo, si se sospecha que cualquier variable puede modificar el resultado final,
lo mejor es incluirla en el diseo y plantear su anlisis desde el principio. En el

ejemplo anterior, si se trata de demostrar que un tratamiento tiene un efecto sobre el
intervalo entre el parto y el primer servicio, entonces tal vez eso sea lo nico que nos
interese. Basta reflexionar sobre el siguiente escenario, en el supuesto que el
tratamiento s produzca una diferencia y que dicha diferencia sea significativa e
implique una justificacin econmica, sera necesario acotar sobre las relaciones con
variables adicionales? Tal vez no.
DONDE SE DELINEAN LAS ESTRATEGIAS DE

INVESTIGACIN
En general, se pueden adoptar dos enfoques al emprender un estudio de investigacin
epidemiolgico. El primero, experimental, introduciendo el factor que se desea
investigar. El segundo observando la ocurrencia natural con y sin factor en la
naturaleza. En este caso, mientras que el estudio observacional (no experimental) es
aquel en el que no se hace ninguna intervencin deliberada, un experimento involucra
una intervencin planificada para introducir factores que alteraran el fenmeno en
cuestin. En cualquier caso, el objetivo de ambos enfoques es el mismo, la
elucidacin de las relaciones causa-efecto.
UNOS COMENTARIOS SOBRE ESTUDIOS EXPERIMENTALES

Es usual opinar que el enfoque experimental es ms confiable, sobre todo en Medicina
Veterinaria. Bajo condiciones experimentales, cuando se logra controlar sobre todas
las posibles variables que influyan en el resultado del experimento, ms limitado ser
el mbito de las conclusiones. Cuanto ms control se tenga, ms se podra sospechar
que la intervencin per se tendr un efecto en el resultado del experimento. De hecho,
si por ejemplo queremos averiguar el efecto de un aditivo sobre la velocidad de
crecimiento, no se puede descartar que el pesaje continuo altere la velocidad y que de
hecho constituya una causa de otros problemas debidos al stress. Podemos controlar
experimentalmente el pesaje con fines experimentales pesando a los individuos sin el
aditivo, pero an as, en los dos grupos tendremos individuos en los haya razones
fundadas para sospechar que la variable velocidad de crecimiento esta subestimada.
Entonces, en este caso, se puede ver si existe o no una diferencia, pero tendremos
reparos para extrapolar el hallazgo a condiciones en las que no exista la intervencin.
Entonces, lo primero tal vez sea sealar, junto a las ventajas del mtodo experimental,
algunas de sus desventajas. Una primera ventaja la tendramos en que el mtodo
experimental no permite desenmaraar problemas de causalidad complejos. En este
caso, se resuelve el problema en sub-problemas o componentes menores y se
resuelven paso a paso sistemticamente. Por ejemplo, para estudiar la patogenia del
mal de altura en bovinos, se estudi primero el efecto de la hipoxia y luego el de
factores contribuyentes como estado fisiolgico y fro, que result siendo, finalmente,
un contribuyente mayor a la patogenia de la enfermedad.
Otra ventaja evidente del mtodo experimental es que permite remover del
experimento variables potencialmente confundentes. Un ejemplo se tiene en el empleo
de cepas de ratones para estudios biomdicos. Existen cepas de animales que tienen
los mismos componentes genticos e incluso mutaciones especficas. Al tener por
ejemplo, ratones tcnicamente iguales, se puede estudiar procesos fisiopatolgicos e
inmunolgicos descontando respuestas individuales debidas a variabilidad gentica.
Otra posible solucin a variables potencialmente confundentes en experimentacin es

el uso apropiado de un protocolo aleatorio y con repeticin.
Algunas de las desventajas del mtodo experimental incluyen la imposibilidad de
emplearlo bajo ciertas condiciones. Limitaciones de uso de humanos o animales
pueden impedir el uso apropiado del mtodo experimental por razones ticas o de
recursos limitados para su uso en el experimento. Las limitaciones de recursos
incluyen la necesidad de reclutar nmeros grandes de individuos, algo difcil bajo
condiciones experimentales. Ms an, cuando el experimento considera lapsos de
observacin relativamente grandes. Por ejemplo, si se quisiera estudiar el efecto de
cara blanca en la frecuencia de cncer de ojo en bovinos, podramos pensar en
emplear un experimento que emplee animales negros a los que se les pinta la cara de
blanco. Sera entonces cuestin de esperar un tiempo adecuado y evaluar el nmero de
vacas afectadas con cncer al ojo. El problema reside en que la probabilidad de tener
cncer al ojo es muy baja. Por lo tanto para tendramos que hacer el experimento con
un nmero muy grande de animales que habra que alimentar y cuidar por un largo
perodo de tiempo.
Ensayo clnico
El ensayo clnico es un estudio con pacientes como sujetos experimentales. La meta
del estudio clnico es la de evaluar una cura potencial de una enfermedad o encontrar
un mtodo preventivo de secuelas de la enfermedad, tales como mortalidad y
discapacitacin. No se previene la exposicin a la enfermedad porque, en principio,
los pacientes ya tienen la enfermedad. Este diseo no estudia por tanto relaciones
causales o factores de riesgo de enfermedad. Se enfoca en el tratamiento de la
enfermedad y la prevencin de las secuelas de la misma.
Los pacientes considerados en los ensayos clnicos deben haber sido diagnosticados
con la enfermedad y remitidos al centro en el que se desarrolla el estudio lo
suficientemente rpido como para que se les asigne a uno de los tratamientos en
estudio de manera oportuna. Individuos con cursos leves o muy severos de
enfermedad no se consideran en el estudio sino ms bien son excluidos de l. Un
aspecto importante en este sentido es que los nuevos tratamientos o procedimientos no
se comparan con no hacer nada (a menos que no hacer nada sea el tratamiento
usual), sino que se comparan con el tratamiento de uso corriente.
Ensayos de campo
En estos casos se evalan tratamientos preventivos de la enfermedad. A diferencia del
ensayo clnico, no se usan pacientes sino sujetos sanos. Los individuos considerados
en el estudio son aquellos que no tienen la enfermedad, pero que estn en riesgo de
adquirirla. Lo que se hace es medir la capacidad del tratamiento para prevenir la
enfermedad. Una vacuna o un tratamiento estratgico son buenos ejemplos de ensayo
de campo.
Intervencin en Comunidades y Ensayos Aleatorios de

Agrupaciones
Este diseo es una extensin del ensayo de campo. La diferencia es que la unidad
muestral es toda una comunidad o comunidades. En el caso de los Ensayos Aleatorios
de Agrupaciones, la unidad no es toda la comunidad sino agrupaciones (subunidades)

de una comunidad grande que se manejan como comunidades.
OTRA DE TANTAS CLASIFICACIONES Y TIPOS DE ESTUDIOS

DE INTERS
El gran problema sobre la clasificacin y sistematizacin de cualquier cosa es que
hasta que ocurra el consenso, va a existir ms de un criterio. De hecho, esto lleva a
malos entendidos y problemas de comunicacin, de manera que presentaremos
algunas definiciones para cubrir esa posibilidad. Haciendo la salvedad que de una u
otra manera, hasta el momento hemos cubierto las posibilidades de clasificacin,
sobre todo para los estudios de cohortes y caso-control, que son los ms importantes a
la hora de estudiar causalidad. En este acpite tambin vamos a aprovechar para
estudiar algunos tipos adicionales de estudios epidemiolgicos.
Estudios prospectivos y retrospectivos

En realidad ya nos hemos referido a esta clasificacin previamente. Los estudios
tambin se pueden dividir en estudios prospectivos y retrospectivos. Se define como
prospectivo a aquel estudio en el que la exposicin y la medicin de las covariantes se
realizan antes que ocurran los eventos de enfermedad. En los estudios retrospectivos
las mediciones se efectan despus de ocurrida la enfermedad. Evidentemente, se
puede hacer un estudio de cohortes buscando el nivel de exposicin en los registros
histricos y de ah buscar el evento enfermedad (tambin en los registros).
Estudios de mortalidad proporcional

Un estudio de mortalidad proporcional incluye solamente individuos muertos. La
proporcin de muertos que se puedan asignar a una o ms causas especficas de
mortalidad se compara con la proporcin de muertos que no estn expuestos a las
causas especficas. La tasa de mortalidad proporcional resultante (TPM) es la medida
tradicional del efecto de la exposicin a las causas y la muerte. A primera vista, se
podra suponer que de alguna manera este diseo semeja el diseo de cohortes porque
por definicin los muertos se expusieron mientras estaban vivos. Sin embargo, esta es
una impresin falsa, porque el estudio de mortalidad proporcional no involucra la
identificacin de la exposicin y el posterior seguimiento de los grupos expuestos.
Estas ambigedades no son necesariamente fatales, pues estas medidas pueden
eventualmente proveer informacin sobre pautas de inters para futuros estudios de
causalidad ms robustos. Enfocar el estudio de TPM desde la perspectiva del casocontrol puede mejorar el estudio considerablemente. Las series de control se pueden
seleccionar independientemente de la exposicin, con el nimo de estimar la
proporcin de la poblacin original que est expuesta. Las muertes de causas no
consideradas como parte de las series de control se pueden excluir del estudio o ser
estudiadas como grupos de casos alternativos.
Estudios ecolgicos
Todos los tipos de estudio descritos tienen en comn que las observaciones se hacen a
individuos. Es posible conducir un estudio cuya unidad de observacin sea un grupo
de individuos ms que individuo por individuo. Estos estudios son llamados estudios
ecolgicos o estudios de conglomerados (agregados). Los grupos pueden ser
promociones en la universidad, empresas agropecuarias, galpones de aves, establos
lecheros y granjas de cerdos. El nico requerimiento es que la informacin de las

poblaciones en estudio este disponible para medir exposicin y distribucin de
enfermedad en cada grupo-unidad de estudio. La incidencia y la mortalidad son
medidas de preferencia para cuantificar la ocurrencia de enfermedad. La exposicin
tambin se mide con algn ndice somero.
Las unidades de observacin en un estudio ecolgico son usualmente poblaciones
geogrficamente definidas (tales como pases o regiones dentro de un pas) o la misma
poblacin geogrficamente definida evaluada en diferentes puntos de tiempo. Las
variables que se consideran en un estudio ecolgico se peden sumarizar como sigue:
Medidas agregadas, que sumarizan las caractersticas de individuos dentro de los
grupos, tales como el promedio de algunos parmetros, o la proporcin de la
poblacin que comparte una caracterstica en comn.
Medidas medio ambientales que representan caractersticas fsicas del

rea geogrfica definida. Los individuos dentro del grupo pueden tener
diferentes grados de exposicin a un factor dado, que puede evaluarse
tericamente. Ejemplos de estas medidas incluyen intensidad de
polucin de aire y horas de luz solar.
Medidas globales que representan caractersticas del grupo que no se pueden reducir a
medidas individuales porque no tienen variables anlogas a nivel individual. Ejemplos
de estas variables incluyen tipo de sistema de salud, alguna ley u ordenanza local y la
presencia y magnitud de diferencias de trato en prestaciones de salud.
En un estudio ecolgico tpico, dos variables ecolgicas se contrastan y evalan para
determinar su posible relacin. Usualmente se comparan una medida ecolgica de
exposicin y una medida agregada de enfermedad o mortalidad. Las medidas
ecolgicas tambin se pueden emplear en estudios de individuos, en las que el
investigador decide definir la exposicin usando un criterio ecolgico en base a su
validez esperada
ESTUDIOS BASADOS EN INDIVIDUOS COMO UNIDADES DE

OBSERVACIN
Hay tres tipos bsicos de diseo de estudios no experimentales (obervacionales) en los
que los individuos son las unidades de observacin: las cohortes, el caso control y el
estudio transversal. Desde un punto de vista conceptual, el diseo de estudio
fundamental en epidemiologa observacional, vale decir, el diseo del cual los otros
derivan y que incluso podra llamarse el patrn de oro del diseo, es el estudio de
cohortes. Los datos de cohortes, de no estar sesgados, reflejan la vida real en cuanto a
la secuencia temporal de eventos, el criterio sine qua non para establecer causalidad.
Desde este punto de vista, los estudios de caso-control y transversales son meras
variaciones del diseo de cohortes y su uso se fundamenta en principio en las ventajas
logsticas que ofrecen.
DONDE SE PRESENTA EL CORRESPONDIENTE PRIMER

COMENTARIO GENERAL SOBRE ESTUDIOS DE COHORTES
En este caso tambin hay dos enfoques. El primero es trabajar de causa a efecto y el
segundo el de trabajar de efecto a causa. El paradigma observacional que sigue la
direccin de los estudios experimentales, de causa a efecto es el estudio de cohortes.

A los estudios de cohortes tambin se les llaman estudios de seguimiento y
prospectivos. En este caso se define cohorte como un grupo de individuos que se
sigue en un perodo dado de tiempo.
En el formato ms conocido de estudio de cohortes, una poblacin definida se
identifica y sus integrantes se dividen de acuerdo al status de exposicin y la
incidencia de la enfermedad y se les sigue por un perodo de tiempo para registrar
cuantos de los que tenan el factor han desarrollado la enfermedad. Tambin se hace
lo mismo con el grupo de individuos sin el factor. La seleccin de individuos
depender no slo de si tienen o no el factor sino tambin de asegurar que ambos
grupos sean comparables.
Una Asumcin importante para los clculos de las tasas de incidencia en un estudio de
cohortes es que los individuos que se pierden al seguimiento por cualquier razn sean
similares a aquellos que permanecen en el seguimiento en relacin a la caracterstica
que se est evaluando como potencial factor de riesgo para la presentacin de la
enfermedad. La razn es que aunque se dispone de tcnicas desarrolladas para
corregir el denominador de las prdidas, la incidencia basada en estos denominadores
no representa con precisin la incidencia de la cohorte inicial.
Donde se presentan y comparan dos tipos de estudios de cohortes

concurrentes (actuales) e histricos
Los estudios de cohortes se pueden clasificar de acuerdo a la relacin existente
entre la ocurrencia de la enfermedad y el inicio del estudio. En los estudios de
cohortes concurrentes (o realmente prospectivos) o actuales, el evento (enfermedad,
muerte, etc.) ocurre despus del inicio del estudio. La ventaja principal de los estudios
de cohortes concurrentes es que los exmenes basales y los mtodos de seguimiento y
monitoreo de eventos se planean e implementan con antelacin para los fines del
proyecto, adicionalmente a sistemas de control de calidad que se pueden implementar
durante el reclutamiento y seguimiento de individuos. Obviamente la desventaja del
estudio concurrente se relaciona con la cantidad de tiempo que se requerir para
evaluar la aparicin de los eventos de inters y el costo elevado devenido de la espera.
Alternativamente, en el estudio de cohortes histrico, no concurrente o retrospectivo,
el evento ocurre antes del inicio del estudio. En realidad este diseo identifica y
organiza las cohortes en el pasado en la base de registros de datos y se sigue hasta el
tiempo actual empleando los mismos registros. Vale decir, los eventos ocurren antes
del inicio del estudio. Esto es, nos remitimos a registros del pasado para establecer si
los individuos pertenecan a los grupos con o sin el factor. El resultado del evento
tambin se revisaba en los registros histricos. Entonces, bsicamente, el estudio de
cohortes histrico ocurre en el pasado y se analiza en funcin a registros e
informacin existente al inicio del estudio y conlleva el riesgo de todos los errores
devenidos de mal registro y registro con diferentes criterios.
DE LOS ESTUDIOS DE CASO-CONTROL

El estudio de caso-control, tambin llamado estudio retrospectivo, sigue un
paradigma diferente al del estudio de cohortes. En el caso-control los factores
predisponentes de enfermedad se estudian de efecto a causa. En estos estudios se
identifican y seleccionan individuos con una condicin o (enfermedad) dada y se
comparan con otros individuos que no tienen la enfermedad. Evidentemente, al
seleccionar los controles se verifica que ellos tengan las mismas caractersticas, de ah
el nombre controles, en cuanto a variables potencialmente confundentes se refiere. Por
ejemplo, se busca aparear individuos afectados (casos) con individuos pareados por
variables que podran afectar la presencia de la condicin en estudio.
En realidad el caso control es un diseo alternativo al de cohortes por cuanto tambin
investiga asociaciones entre exposicin y enfermedad. En contraste con el estudio de
cohortes, en los que el seguimiento va de causa a efecto, el caso control va de efecto a
causa, comparando la chance (odds) de una exposicin pasada a un factor de riesgo
potencial en grupos de casos (que ya tienen la enfermedad) comparados con grupos
controles (sin la enfermedad). Consecuentemente, la estrategia analtica se basa en el
clculo del odds ratio de la exposicin.
Entonces, la mayor diferencia entre los estudios de cohortes y de caso-control es la
seleccin de los individuos en el estudio. En el estudio de cohortes se seleccionan
individuos que inicialmente estn libres de la condicin o enfermedad en estudio y
luego se establece cuantos de ellos desarrollan dicha condicin en funcin a si
estuvieron o no expuestos al factor o los factores en los que se piensa evaluar si son o
no predisponentes. A su vez, el estudio de cohortes selecciona a los individuos sobre
la base de la presencia o ausencia de la enfermedad en estudio. Ambos mtodos
permiten estudiar el efecto de la exposicin sobre el riesgo de contraer la enfermedad
en trminos de parmetros relativos de riesgo.
Donde se explica que es el diseo de caso control basado en

casos
En la ms simple de las estrategias para la seleccin de grupos en un estudio de caso
control, los casos y los controles se identifican en un momento dado del tiempo entre
los individuos. Un ejemplo de esta estrategia, llamada caso control basada en casos, es
un estudio en el que los casos se identifican como individuos en los que la enfermedad
de inters se ha diagnosticado (por ejemplo TVM) en un hospital veterinario en un
perodo de un ao, donde los controles se escogen de entre los perros de la comunidad
servida por el hospital veterinario que no han sido diagnosticados con la enfermedad
al final del ao. Hay que notar que aunque el estudio se lleva a cabo transversalmente,
los casos tienen que ocurrir necesariamente durante un perodo de tiempo definido
para ser incluidos en el estudio. Por tanto, es imprescindible asumir que los casos que
sobrevivieron durante el tiempo del estudio son representativos de todos los casos en
relacin a la experiencia de exposicin y que si los datos de exposicin se obtuvieron
a travs de entrevistas, los datos no tendrn sesgos de recordaris o de otro tipo. Ms
an, para comparar vlidamente casos y controles en relacin a su estado de
exposicin, es necesario asumir que ellos se han originado de la misma poblacin
referencial, esto es, a una cohorte identificada explcitamente. Vale decir para que el
estudio de caso control represente una alternativa vlida al estudio de cohortes, se
espera que los casos y los controles pertenezcan a una poblacin referencial en
comn. Empero a veces es difcil definir la fuente de las cohortes en un estudio de
caso control.
Donde se detalla qu es y para que sirve el estudio de caso control

llevado a cabo en un estudio de cohortes
Cuando los casos se identifican de una cohorte bien definida, se hace posible llevar a
cabo estudios de caso control anidados o estudios de caso-cohorte. Estos diseos han
concitado gran atencin ltimamente, en parte debido a que el nmero de cohortes

establecidas va en crecimiento y en parte a los avances en metodologa y anlisis. Los
estudio de caso control en una cohorte tambin se conoce como hbridos o de diseo
ambidireccional debido a que combinan algunas de las caractersticas y ventajas de
los diseos de cohortes y caso control. En estos diseos, aunque la seleccin de
participantes se hace como en el diseo de caso control, se seleccionan de una cohorte
bien definida.
El grupo de casos consiste de todos (o una muestra representativa) de los individuos
que manifestaron el evento de inters durante un tiempo especfico de seguimiento.
Asimismo, hay dos alternativas para seleccionar al grupo control. En principio, se
pueden seleccionar los controles del de la cohorte basal y tambin se pueden
seleccionar de los individuos en riesgo al momento en que el evento ocurre para cada
caso. A la primera alternativa se le denota como diseo de caso-cohorte y al segundo
se le llama diseo de caso control anidado. Se debe sealar, sin embargo, que a
despecho de la estrategia para seleccionar controles, como los casos y los controles se
escogen de la misma cohorte original, la probabilidad de sesgos en la seleccin se
minimizan considerablemente en comparacin a los estudios de caso control
tradicionales.
Donde se describen las alternativas para seleccionar los controles en un
estudio de caso control llevado a cabo en un estudio de cohortes
La primera alternativa para la seleccin de controles es seleccionarlos al azar del total

de individuos de la cohorte basal. El trmino diseo de caso cohorte se emplea cuando
el total de la cohorte basal representa el marco muestral para la seleccin de controles,
permitiendo por tanto que los casos que se desarrollan durante el seguimiento que
puedan ser parte de los grupos de casos o controles. La segunda alternativa es
seleccionar a los controles al azar al momento en el que evento ocurre cada uno de los
casos. A este diseo se le llama de diseo de caso control anidado y se basa en un
enfoque de muestreo conocido como muestreo de densidad de incidencias. La idea
detrs de este esquema de muestreo es que permite la comparacin casos con un
subgrupo de los miembros de la cohorte en riesgo de convertirse en casos en el
momento en que el evento de cada caso ocurre. Dada esta estrategia, los casos que
ocurren hacia el final del seguimiento son elegibles de ser controles para los casos que
ocurren al principio del seguimiento. El muestreo de densidad de incidencias es
equivalente a parear los casos y los controles por la variable duracin de seguimiento,
y permite el uso de tcnicas de estadsticas de anlisis directas.
Donde se explica en que casos se debe efectuar un estudio de caso
control en el marco de un estudio de cohortes
Los trminos estudio de caso-cohorte y estudio de caso control anidado se han

empleado para distinguir la seleccin de controles a partir de la cohorte basal o de los
subgrupos de riesgo. A pesar que la terminologa es la ms empleada en el campo, no
hay consistencia en el uso de los trminos en cuestin. Las expresiones caso control
anidado y caso cohorte se usan ocasionalmente para distinguir estudios anidados de
acuerdo a si ellos incluyen o excluyen casos como controles potenciales. A despecho
de la terminologa empleada, es importante entender porque podra ser ventajoso
comparar casos y controles seleccionados de la misma cohorte original en lugar de
analizar los datos de toda la cohorte. Una razn se tiene en que los estudios de caso
control llevados en el estudio de cohortes representan una aproximacin eficiente
cuando se necesita informacin adicional que no se ha obtenido o medido para toda la
cohorte. Una condicin similar se tiene cuando la evaluacin de variables claves de

exposicin o potencialmente confundentes requiere actividades de gran dificultad o
son demasiado onerosas.
Donde se presentan y comparan dos tipos de estudios de casocontrol, los exploratorios y los analticos
El estudio de caso-control es el diseo de eleccin cuando se inician los estudios de
etiologa y de factores de riesgo de una enfermedad. Un estudio exploratorio se
ejecuta a ver que se encuentra y que factores de riesgo podran estar asociados a la
enfermedad. De all que le llame expedicin de pesca, como que a falta de
informacin, tiramos una red y vemos que aparece en ella. En este caso, se proponen
y evalan hiptesis mltiples para ver, de manera preliminar, en cul o cules valdra
la pena insistir con estudios posteriores ms detallados. Un ejemplo se tiene en un
primer estudio sobre factores de riesgo de cisticercosis porcina. En una primera
evaluacin se consideraron factores mltiples entre los que se consider la letrina
como factor de proteccin. Una vez analizados los datos, se encontr que la presencia
de letrina en la casa era un factor de riesgo para cisticercosis porcina. Este resultado
intrigante dio lugar a una investigacin epidemiolgica ms detallada que encontr
que el mal uso de la letrina era predisponente de la enfermedad.
El estudio de caso-control de tipo analtico es una investigacin diseada para evaluar
una hiptesis especfica concerniente a una causa supuestamente predisponente de
enfermedad. En este caso la hiptesis debe ser planteada meridianamente, de manera
que permita una evaluacin definitiva. Un ejemplo se tiene en la toxoplasmosis como
factor de riesgo del aborto en alpacas. Se disea un experimento para comprobar o
rechazar la hiptesis y punto.
ESTUDIOS TRANSVERSALES
Es el estudio que incluye todos los individuos en una poblacin al momento de
evaluar una poblacin, subpoblacin o muestra, incluyendo a aquellos que tienen la
enfermedad y que tiene como objeto describir la enfermedad. Por tanto, en un diseo
de estudio transversal una muestra o el total de una poblacin referencial es
examinada en un punto de tiempo dado. Como en los estudios de caso control, el
estudio transversal se pueden conceptuar como una manera de analizar datos de
estudios de cohortes, por cuanto consiste de tomar una imagen de la cohorte al
registrar la informacin sobre eventos de exposicin y enfermedad en un momento
dado. En consecuencia, cuando se obtienen datos transversales para una poblacin
referencial o cohorte definida, el enfoque de anlisis debe consistir de una
comparacin las tasas de prevalencia puntual o emplear una estrategia de caso control,
en la que los que los Odds de exposicin se comparan entre casos y controles
prevalentes.
GENERACIN DE HIPTESIS VERSUS IDENTIFICACIN DE

HIPTESIS
Los estudios en los que la validez no es muy segura se consideran usualmente como
estudios generadores de hiptesis, para distinguirlos de los estudios llamados
analticos de una mejor validez. Los estudios ecolgicos son por ejemplo
considerados generadores de hiptesis porque estn sujetos a sesgos severos. Empero
la distincin entre estudios generadores de hiptesis y los analticos no es
conceptualmente vlido. Es el investigador, no el estudio, el que general las hiptesis,

y cualquier tipo de datos se puede emplear para contrastar una hiptesis. Una
propuesta mucho ms apropiada sera referirse a los estudios preliminares o de validez
limitada como identificadores de hiptesis. En analoga a la bsqueda de pacientes
positivos con pruebas tamiz, se podra identificar posibles hiptesis con estudios
dirigidos a identificar la asociacin de factores de riesgo y enfermedad y finalmente
hiptesis potencialmente viables.
DE CMO ELEGIR LA ESTRATEGIA DE ESTUDIO

Mientras que se acepta que el mtodo cientfico es el ms poderoso de los mtodos
para buscar explicaciones, no siempre se puede recurrir a l en Medicina Veterinaria
debido a consideraciones de ndole tico o logstico. En consecuencia, hay que estar
preparados para emplear diseos de cohortes o caso-control. De hecho, el primer paso
es escoger cul de los dos es ms apropiado de emplear. En ese sentido, lo mejor va a
ser estar al tanto de las ventajas y desventajas de cada mtodo:
Tabla 1. Ventajas y desventajas de los estudios de caso-control
Ventajas
Apropiado para el estudio de enfermedades raras o de latencia prolongada

Relativamente fcil de implementar y ejecutar
En trminos relativos, es poco oneroso
En trminos relativos, requiere de pocos individuos
Aprovecha registros ya en existencia
No representa un riesgo para los individuos participantes
Permite estudiar mltiples causas de enfermedad
Desventajas
El estado de exposicin depende de registros pre-existentes

La validacin de la enfermedad es difcil y a veces imposible
El control de variables externas suele ser deficiente
La seleccin de los grupos control puede ser difcil
No se puede determinar las
expuestos
tasas de enfermedad en individuos expuestos y no
Es un mtodo difcil de explicar a la comunidad

Usualmente es difcil estudiar mecanismos en este diseo
Tabla 2. Ventajas y desventajas de los estudios de cohortes
Ventajas
Provee informacin sobre eventos subsecuentes a la exposicin incluyendo evolucin,

regresin de enfermedad e historia natural de la enfermedad
Permite evaluar mltiples efectos potenciales dada una exposicin, proveyendo
informacin no slo sobre riesgos, sino tambin sobre beneficios

Permite calcular las tasas de infeccin en poblaciones expuestas y no expuestas
Permite flexibilidad para escoger qu variables se deben registrar
Permite hacer controles de calidad al proceso de coleccin de enfermedad y al registro
de variables
Desventajas
Se requiere un gran nmero de individuos

Se tiene que planificar perodos largos de seguimiento
Prcticas, usos y exposiciones pueden cambiar en el curso del estudio
Es relativamente costoso
Mantener el seguimiento es difcil
El control de variables externas suele ser incompleto
El estudio del mecanismo es muy difcil
DE LAS MEDIDAS RELATIVAS DE OCURRENCIA DE

ENFERMEDAD
Consideremos el siguiente ejemplo, donde se trata de describir lo que ocurri con dos
cohortes de pacientes que sufrieron un infarto moderado cuando fueron hospitalizados
y cuando siguieron un control domiciliario.
Hospitalizaci
n
Outcome
Si
No
Muri
17
14
Vivi
115
118
132
132
Lo primero que se hace es definir un poco los intervalos de confianza de los outcomes
calculando los intervalos de confianza para cada proporcin:
IC ( p) =
p(1 p)
n
Al terminar el clculo tenemos que los intervalos de confianza del 95% definen el
intervalo en el que se encontrar el porcentaje en riesgo de muerte para cada caso,
esto es, (7.1 18.7) para el grupo de cuidado en casa y (5.2 16.0) para el porcentaje
de pacientes que se han internado en el hospital. Este mtodo nos permite calcular
diferencias estadsticas de una manera rpida, sea para dos o ms muestras, en estos
casos, se trata de ver si existen puntos en comn en el intervalo. De ser el caso, no se
puede descartar que el verdadero valor se encuentre precisamente en los puntos en
comn y por ende no se puede descartar que en realidad tengan los mismos
porcentajes.
Empero, cuando se comparan los parmetros de dos poblaciones es til calcular el
intervalo de confianza para la diferencia (o tasa) de los dos parmetros en cuestin. En
este caso la frmula para el error estndar sera:
SE ( p1 p2 ) =
p1 (1 p1 )
n1
p2 (1 p2 )
n2
Al hacer los clculos para la diferencia resulta que sta es 2.3% y el error
estndar calculado por la frmula 0.039. Los intervalos de confianza del 95% seran
entonces (-5.5 10.1). Ac hay que destacar que el intervalo de confianza de la
diferencia comprende al 0. Por tanto, deducimos que como el intervalo comprende al
0, entonces tericamente, no se puede descartar que la diferencia entre ambos grupos
sea precisamente 0, vale decir, no existe diferencia entre grupos. Esta frmula se
puede aplicar indistintamente a dos o ms observaciones, comparando de dos en dos,
pero sin poder referirnos de ninguna manera a riesgo y menos a causalidad.
Del odds Ratio

En cualquier caso es importante destacar que el riesgo se puede medir en muchas ms
formas que slo estudiando su diferencia, se puede observar el riesgo relativo, es
decir, el riesgo de morir en casa o en el hospital. En estudios epidemiolgicos es
mejor (y ms comn), emplear el odds ratio para comparar dos riesgos. Se le llama
odds a lo que viene a ser el chance de un solo evento. Por ejemplo, si un caballo gana
dos de cada diez carreras, la chance que gane una carrera en particular es cinco a uno
que gana. Igualmente, si en Huancayo llueven 4 de cada 5 das en el mes de Febrero,
entonces la chance que llueva en cualquier da de Febrero ser de 4 a 1 a favor que
llueva. Fjese que en este caso, la chance se calcula a partir de la probabilidad de que
se produzca un evento comparado con la probabilidad que no se produzca el evento.
Vale decir, la probabilidad de un evento dado sobre la probabilidad complementaria
del evento. Hasta ah slo hemos comparado un solo evento contra s mismo.
Podramos entonces, definir chance como la proporcin obtenida al dividir la
probabilidad de ocurrencia sobre su complemento para cualquier evento. Entonces,
una chance de 7 (7/1) significa en buena cuenta que se observarn 7 xitos de cada 8
eventos. Del mismo modo, cuando decimos que la chance es 0.2 (1/5) esperamos
observar un xito cada 6 eventos.
En principio, Odds Ratio (OR) es un trmino que seguir en ingls para los efectos
del presente curso. El problema es que el consenso sobre su significado todava no es
definitivo. En cualquier caso, lo ms seguro va a ser emplear el trmino en ingls
mientras se define este detalle menor. En realidad el concepto de odds es muy cercano
al significado de chance. La chance se diferencia de la probabilidad en que mientras la
probabilidad se calcula sobre la base de un denominador que considera el total de a
poblacin o muestra definida:
Probabilidad =
Exitos
Nmero total de eventos
A su vez, la chance expresa la relacin entre los xitos y fracasos a despecho del
tamao de la poblacin:
Chance =
Exitos
Fracasos
Insistamos en el concepto. El odds ratio (tasa de chances) no es sino la divisin de dos

chances, denotada por la frmula general:
Odds (Chance) =
p
1 p
Ahora bien, ambas probabilidades p y (1-p) se obtienen a partir del nmero de xitos
y fracasos sobre el nmero total de eventos:
p=
exitos
n
y del mismo modo,
(1 p) = n exitos
n
Entonces la chance queda una frmula totalmente equivalente a la anterior, que sera:
exitos
Odds (Chance) =
n exitos
La chance no es, ni ser nunca probabilidad y eso debe quedar muy claro. La relacin
entre dos chances, la chance del grupo expuesto (casos) sobre la chance del grupo no
expuesto (controles). El OR es una medida relativa de asociacin muy relacionada al
Riesgo Relativo (R). Al OR tambin se le denota con el smbolo griego. El OR es
importante por dos razones. Primero, en las enfermedades raras (prevalencia baja), su
valor se aproxima bastante al riesgo relativo. Segundo, el OR se puede calcular tanto
en estudios de cohortes o de caso-control. En general, el riesgo relativo slo se puede
calcular a partir del estudio de cohortes, aunque, como veremos ms adelante, el
riesgo relativo se puede estimar a partir del valor de OR empleando una frmula de
aproximacin.
En el caso ms simple, el anlisis de datos de riesgo empieza por la presentacin de
datos en una tabla de contingencia 2 x 2:
Tabla 3. Tabla de contingencia 2x2 para riesgo
Exposicin
Enfermedad
La comparacin relativa entre los riesgos de ocurrencia de enfermedad en el grupo

expuesto con relacin al no expuesto se calcula empleando el odds ratio, cuya frmula
es:
OR =
ad
bc
Como comentamos anteriormente, es imprescindible que cualquier estimador puntual

se exprese con intervalos de confianza. En el caso del OR, el clculo e inspeccin del
intervalo nos provee de informacin sobre la significancia estadstica del valor. Si el
intervalo comprende al 1, entonces no se puede descartar que el riesgo de enfermedad
en ambos grupos, de casos y controles, no sea el mismo. Si el intervalo es mayor que
1 y obviamente, no lo comprende, entonces estamos frente a un factor de riesgo.
Igualmente, si el intervalo es menor y no comprende al 1, entonces se trata de un
factor de salud. Los intervalos de confianza para el Odds Ratio se calculan diferente a
los de proporciones o tasas. Ya no se suma y se resta, en este caso se calcula el valor
mnimo y mximo empleando la frmula:
eln (OR )1.96 ( SE [ln (OR )])

Donde el error estndar del logaritmo neperiano del OR
empleando la frmula:
SE [ln( OR ) ] =
( SE [ln (OR )]) ,
se calcula
1 1 1 1
+ + +
a b c d
Recuerde siempre que si cualquiera de las cuentas es igual a cero la frmula no da

resultados muy confiables y por eso es bueno agregar una pequea cantidad a la celda
que dio cero (0.25 o 0.5, segn sea), para asegurarnos que los estimados son finitos.
Entonces, en el ejemplo del hospital tendramos una chance para morir cuando los
cuidados son en la casa y otra cuando los cuidados son en el hospital, es decir el odds
(chance) de morir cuando el cuidado es en casa es de 17/115 = 0.148 y la chance de
morir cuando el paciente esta internado en el hospital es de 14/118 = 0.119. Ahora
bien, si yo a su vez comparo ambos odds, tendremos 0.148/0.119 = 1.24. Eso significa
que por cada paciente que muere en el hospital, 1.24 pacientes mueren cuando se
atienden en su casa.
Lo que sucede es que siempre se presenta en una tabla de contingencia 2 x 2 y eso
tiende a confundirnos un poco. Al igual que varios mtodos en epidemiologa, se
ordena de esa manera para entender mejor, pero las frmulas aplicadas a la tabla
suelen atentar contra la definicin sobre la que estn fundadas. No confundir odds con
riesgo. Cuando decimos riesgo, sobre todo si nos referimos a una incidencia o tasa de
ataque, estamos comparando probabilidades, lo que a fin de cuentas es ms o menos
lo mismo, pero su uso y significado se restringe slo a ciertos tipos de estudio
epidemiolgico. Por ejemplo, si los pacientes hubieran sido seguidos en una cohorte,
tendramos que las probabilidades de morir en cada caso habran sido:
0.129/0.106 = 1.22. Lo que significa que es 1.22 veces ms probable que uno muera
en la casa que atendido en un hospital. Empero, insistimos en que en los estudios
epidemiolgicos es mucho ms corriente emplear odds ratio principalmente porque su
uso no se restringe por el modelo empleado para generar los datos.
Como cualquier indicador puntual, el Odds Ratio tiene ciertas limitaciones debidas al
significado que podra tener dado su tamao muestral, calcule usted los intervalos
para el ejemplo del hospital empleando la frmula denotada lneas arriba.
Del Riesgo Relativo (R)

El riesgo relativo es una medida que nos permite evaluar la relacin entre dos
incidencias en trminos relativos. Como ya hemos establecido que la incidencia en el
grupo expuesto y no expuesto no es sino la probabilidad de infeccin en un perodo

dado, la comparacin relativa de ambas incidencias nos ofrecer informacin sobre
cuntas veces es ms probable que un individuo expuesto a un factor dado se infecte
con relacin a un individuo no expuesto. Supongamos que desde un tiempo t 0 hasta el
tiempo t f se observa que la incidencia en la cohorte expuesta al factor en estudio es
igual a I e y que a su vez la incidencia en la cohorte no expuesta es igual a I 0 , la tasa
de Riesgo Relativo entre las dos incidencias es igual a:
R=
Ie
I0
Esta tasa representa cuantas veces es ms probable que un individuo expuesto

contraiga la enfermedad en el intervalo desde un tiempo t 0 hasta el tiempo t f .
Para un estudio de cohortes en el que la exposicin es dicotmica y no hay
covariantes, los datos se pueden presentar en una tabla de contingencia similar a la
que sigue:
Tabla 4. Tabla de contingencia 2x2 (RR)
Exposicin
Enfermedad
n1
n0
Los subtotales n1 y n0 consignan al total de individuos expuestos y no expuestos,

respectivamente. Los estimados de riesgo en los dos grupos seran entonces a / n1
para el grupo expuesto y b / n0 en el grupo expuesto. Por lo tanto, el riesgo relativo
sera:
R=
a n1
b n0
Para un estudio de cohortes, a y b representan el nmero de casos en los dos grupos

expuestos y el trmino tasa de incidencias acumuladas se usa para describir el riesgo
relativo cuando se presenta esta situacin. El intervalo de confianza para el riesgo
relativo se obtiene empleando una frmula similar a la del odds ratio. Al igual que en
OR, tambin se calculan intervalos de confianza empleando la frmula:
eln ( R )1.96 ( SE [ln ( R )])

Si la muestra es razonablemente grande, el estimado del error estndar del logaritmo
natural del riesgo relativo es:
SE [ln (R )] =
1 1 1 1
+
a n1 b n 0
Tasa de densidad de incidencias (TDI)

En la prctica, los estudios de cohortes se complican por el hecho de que la duracin
de la exposicin vara entre los sujetos. Por eso es que se usa la tasa de incidencia
dividiendo los nuevos casos por la exposicin medida en individuos-tiempo. En este
caso los datos quedan como sigue:
Tabla 5. Tabla de contingencia para TDI
Exposicin
+
Casos nuevos
Total exposicin
L1
L0
El riesgo relativo de los dos grupos de exposicin puede ser definido como tasa de
densidades de incidencia, para diferenciarlo de los otros riesgos relativos (a pesar que
nunca dejan de ser lo mismo). El estimado de densidad de incidencia para este caso es
entonces:
IDR =
a L1
b L0
Para los casos en los que el riesgo individual es pequeo, el estimado del error
estndar del logaritmo de la tasa de densidad de incidencias se da por la frmula:
eln (TDI )1.96 ( SE [ln (TDI )])

Donde el error estndar del logaritmo neperiano de la tasa de densidad de incidencias
se calcula de acuerdo a:
SE [ln( TDI ) ] =
1 1
+
a b
Qu es y como se interpreta el Riesgo Atribuible

Cuando nos encontramos ante un riesgo relativo (R) igual a 2, hemos visto que se
concluye que el grupo de individuos expuestos tiene el doble de probabilidad de
infectarse que el grupo no expuesto. Vale decir, que hay un aumento del 100% en la
probabilidad de infeccin debida a la presencia del factor. Igualmente, si tenemos un
R igual a 0.8, significa, primero que es un factor de salud y segundo, que el grupo con
el dicho factor tiene un 80% de riesgo de infeccin en comparacin con el grupo no
expuesto. Pero igual, estamos hablando en trminos relativos. Cuando tenemos un R
de 2, puede significar que las incidencias en los grupos expuestos y no expuestos son
de 0.00016 y 0.00008 respectivamente o que las incidencias son 0.8 y 0.4. Entonces,
si bien sabemos cul es la relacin entre incidencias, no tenemos informacin,
basados slo en ese dato, sobre cul es la incidencia en cada grupo. Se hace propicio
entonces, considerar alguna medida de riesgo de enfermedad en trminos absolutos.
El parmetro que ofrece sta informacin es el Riesgo Atribuible, que como su
nombre lo indica, seala cual es la diferencia absoluta, tambin llamada diferencia de
riesgo. Vale decir, se define como la diferencia entre las tasas de incidencia, la
incidencia en el grupo expuesto menos la incidencia en el grupo no expuesto. Como al

riesgo atribuible se le denota con la letra griega, tendremos:
= I f I0
De los esquemas de muestreo para los estudios de cohortes y

caso-control
Anteriormente se seal que la diferencia fundamental entre los diseos de cohortes y
caso control era la seleccin de los individuos que participaran del estudio. En esta
seccin vamos a enfatizar lo dicho detallando las semejanzas y diferencias de los
diseos de cohortes y caso-control en funcin a los parmetros que pueden o no ser
estimados a partir de ambos estudios. Veremos que los estudios de cohortes pueden
calcular tasas de incidencia para cada grupo especfico de exposicin (Io e If) y, por
ende, el riesgo atribuible (If - Io). Asimismo, permite calcular el riesgo relativo R y el
odds ratio. Nuevamente, un estudio de caso-control solo puede estimar.
Muestreos en estudios de cohortes

Siempre hay que recordar que al buscar individuos con un factor de exposicin
especfico y dependiendo de la proporcin de la poblacin con dicho factor y de
acuerdo a la facilidad de ubicar dichos individuos se obtendr una fraccin de la
poblacin que ser, obviamente, desconocida. Es el mismo caso con la poblacin
expuesta y la fraccin desconocida de la poblacin expuesta que se considera en el
estudio. La idea del siguiente ejercicio es ver cmo podemos manejar esa falta de
informacin y cuales son las ventajas y desventajas que ofrece el diseo de cohortes
para manejar el desconocimiento de la fraccin muestral. Empecemos por definir que
se va a hacer un muestreo una proporcin f1 (desconocida) de un total de M1
individuos expuestos de una poblacin dada. Asimismo, hacemos un muestreo una
proporcin f2 (tambin desconocida) de un total de M2 individuos no expuestos al
factor. Al ordenar estos datos en una tabla tendramos:
Tabla 6. Manejo de fracciones muestrales en estudios de cohortes
Exposicin Total
Fraccin Enfermedad Chance

muestral
odds
Si
No
Incidencias
Si
M1
f1
f1a
f 1b
f/ 1 a
f/ 1 b
f/ 1 a
f/ 1 (a + b )
No
M2
f2
f 2c
f2d
f/ 2 c
f/ 2 d
f/ 2 c
f/ 2 (c + d )
OR ()
ad
bc
RR (R)
b
d
a
c
(a + b )
(c + d )
If
I0
En este caso, es interesante ver que en este estudio no es necesario conocer las
fracciones muestrales para calcular el OR y el riesgo relativo. Las fracciones
muestrales se cancelan. El requisito es obvio, eso es cierto cuando se va de causa a
efecto. Ahora bien, si hiciramos un muestreo de efecto a causa, tendramos tambin
que se considerara una fraccin f1 (desconocida) de un total de M1 individuos
enfermos (cuidado con la diferencia, esta vez se muestrean los positivos). Asimismo,
se toma una proporcin f2 (tambin desconocida) de un total de M2 individuos sanos.
Entonces, los datos ordenados en una tabla nos ofrecen la siguiente informacin:
Tabla 7. Manejo de fracciones muestrales en estudios de caso-control
Exposicin
Enfermedad
Si
Chance
Incidencia
No
Si
f1a
f 2b
f1a
f 2b
f1a
f1a + f 2 b
No
f 1c
f2d
f1c
f2d
f 1c
f 1c + f 2 d
Fraccin muestral f 1
f2
Total (todos)
M1
M2
OR ()
f1a
f1c
RR (R)
f 2b
( f/1 a )( f/ 2 c )
( f/ 2 b )( f/1c )
ad
bc
a( f 1c + f 2 d )
c( f 1 a + f 2 b )
f2d
f1a
( f1 a +
f 2b)
f 1c
( f 1c +
f2d )
En general, las tablas Tabla 6 y Tabla 7 sealan claramente la diferencia en cuanto al

muestreo y el efecto que ste tiene sobre el clculo de los indicadores relativos de
enfermedad. Primero, cuando las fracciones muestrales son de los individuos
expuestos o no, se pueden simplificar para el caso de OR y de riesgo relativo. Por lo
tanto, no necesitamos saber el valor de la fraccin muestral para efectuar los clculos
de incidencias, OR y riesgo relativo. Note, empero, que en el estudio caso-control se
pudo eliminar las fracciones muestrales en el caso del OR, pero no se han podido
simplificar en el caso de las incidencias ni del riesgo relativo.
DONDE SE EXPLICA COMO TRABAJAR Y

SOBREVIVIR EL EFECTO DE LAS VARIABLES
CONFUNDENTES Y LA LLAMADA CONFUSIN
CONSECUENTE
En este caso, la nocin es fcil de definir pero difcil de entender. Por tal razn
acudiremos al auxilio de un ejemplo didctico para aclarar conceptos. Los datos de la
siguiente tabla son resultado de un estudio transversal que involucr 715 nacimientos
en un hospital. La variable en estudio fue si los bebes no sobrevivan por un mes
luego del nacimiento y el determinante (factor de exposicin) fue la cantidad de
atencin prenatal recibida por la madre (en menos de un mes (+) y al menos un mes o
ms de un mes (-) para los sin factor). Estos datos se clasificaron por una variable
binaria adicional, la clnica en la que recibieron el control prenatal (clnicas A y B).
Poco cuidado prenatal (< 30 das)
No
+
sobrevivi
el mes
176
293
No
sobrevivi
el mes
CLINICA A
17
197
23
CLINICA B
Los odds ratios estimados son entonces
3 * 293
= 1.25 (IC:0.27 - 5.83) para la clnica
4 * 176
17 * 23
= 0.99 (IC:0.21 - 4.71). Ninguno de estos dos estimados difiere de 1 pues
2 * 197
los intervalos de confianza lo comprenden, de manera que no hay evidencia de que
exista alguna asociacin entre cuidado prenatal y mortalidad en el primer mes de vida
en ninguna de las dos clnicas. Esta conclusin difiere de la que se hubiera obtenido si
se hubieran agregado los datos de las dos clnicas, donde el estimado hubiera sido
Ay
20 * 316
=2.824 (IC: 1.10 7.25).
6 * 373
La conclusin es que la muerte neonatal es ms probable en mujeres que
atienden a la clnica B y que la cantidad de atencin prenatal no es un problema. En
este caso la clnica es una variable confundente entre la mortalidad neonatal y la
atencin prenatal. Como lo demuestra este ejemplo, errores en identificar variables
confundentes pueden llevar a conclusiones completamente errneas.
Revisemos algunos casos de confusin utilizando ejemplos. En primer lugar,

presentemos un caso en el cual no hay confusin:
Exposicin
Exposicin
Enfermedad +
50
30
30
20
40
60
90
130
Enfermedad
OR = 2.5
OR = 2.17
AGREGADO
Enfermedad
Exposicin
+
80
50
130
190
OR = 2.34
Como se ve, a pesar que al estratificar se observan OR ligeramente diferentes, el OR
de los valores agregados sigue siendo ms o menos el mismo. Recuerden, para
demostrar una posible confusin, nosotros vamos de los datos agregados y los
desagregamos por el factor que se sospecha sea confundente (proceso inverso al
ejemplo) y si los odds son diferentes, entonces podemos tener cierta evidencia que la
confusin existe.
Veamos un segundo ejemplo de confusin, presentado de desagregado a agregado con
fines didcticos. El siguiente ejemplo corresponde a una confusin que se llama de
inflacin:
Exposicin
Exposicin
Enfermedad +
80
20
10
30
80
20
40
120
Enfermedad
OR = 1.0
OR = 1.0
AGREGADO
Enfermedad
Exposicin
+
90
50
120
140
OR = 2.1
En este caso, los datos crudos (agregados), sugieren que existe asociacin entre
exposicin y enfermedad (OR = 2.1), pero al estratificarlo por el factor confundente,
tenemos que el OR de los estratos es igual a 1. Entonces, como los OR son diferentes,
podemos concluir que existe confusin y que sta es del tipo inflacin.
El siguiente ejemplo demuestra lo que se denomina confusin de enmascaramiento,

nuevamente de desagregado a agregado tenemos:
Exposicin
Exposicin
Enfermedad +
120
10
80
190
160
30
40
170
Enfermedad
OR = 2.25
OR = 1.79
AGREGADO
Exposicin
Enfermedad
200
200
200
200
OR = 1
Recuerden siempre, primero nos encontramos con los datos crudos (agregados), pero
luego, al desagregarlos (estratificarlos), por un posible factor confundente, hacemos
evidente la confusin y actuamos de acuerdo a este nuevo escenario. En este caso, al
evaluar los datos agregados, tenemos que el OR es igual a 1 y por tanto aparentemente
no hay relacin entre exposicin y enfermedad, sin embargo, cuando los
estratificamos por una posible variable confundente, tenemos que esta variable ha
estado enmascarando la relacin. Esta es una confusin de enmascaramiento.
DE CMO SE PUEDE COMBINAR ODDS RATIOS

Ignorar un confusor solo provee un estimado crudo del OR total, para obtener un
estimado nico o un OR ajustado por una variable confundentes deben combinar los
valores individuales obtenidos al estratificar los datos. En esta seccin vamos a
estudiar mtodos para obtener estimados de odds ratio a partir de varias tablas de
contingencia. Un primer estimado se puede obtener calculando el promedio de los
odds. Como los odds ratios tienen distribuciones sesgadas, es mejor trabajar con sus
logaritmos. Tomemos el siguiente ejemplo:
Enfermedad
Exposicin
Exposicin
120 10
Enfermedad +
80
190
160 30
40
170
AGREGADO
Enfermedad
Exposicin
+
80
50
130 190
Este caso es uno en el que la variable confundente enmascara la asociacin, pues a

pesar que en la tabla de valores agregados no existe ninguna relacin entre la variable
en estudio y la enfermedad, si se desagregan los datos, los odds difieren claramente de
uno. Los logaritmos de odds ratio de ambos estratos es 0.81 y 5.82 y su promedio es
igual a 0.0696, lo que da un valor exponencial de 2.01 para el odds ratio general.
Promediar los odds ratios asume que los componentes tienen un peso similar,
lo que lo hace recomendable si es que las tablas tienen totales similares. Sin embargo,
este no es siempre el caso, cuando los estratos tienen totales diferentes se debe
emplear promedios ponderados. Si denotamos al logaritmo del odds ratio en el estrato
g como y g , la frmula para el promedio ponderado sera:
y=
w y
w
g
1
SE g2
, wg =
Donde los estimados para el error estndar (SE) se dan por la frmula para el error
estndar del odds ratio. Los pesos w g al ser inversamente proporcionales al cuadrado
de los errores estndar, son por tanto directamente proporcionales a los totales.
Tambin hay una frmula para el error estndar del promedio as calculado, lo que
nos permitira definir intervalos de confianza:
SE =
1 SE g
Las frmulas descritas son de carcter general y se pueden emplear en

cualquier situacin en la que se necesite estimar odds ratios combinados. Para los
datos que hemos descrito en el ejemplo anterior tendramos la siguiente tabla de
trabajo:
g
yg
SEg
Wg
wgyg
0.811
0.385
6.76
5.48
0.582
0.221
20.56
11.96
37.32
17.44
El promedio ponderado termina siendo 17.44/27.32 = 0.638 y empleando la ecuacin

1
= 0191
. . El estimado del odds
del error estndar tenemos que ste es igual a
27.32
ratio es entonces exp(0.638) = 1.89, con un IC del 95% igual a exp(0.638 2*0.191),
esto es (1.29, 2.77).
Un problema que aparece al emplear la frmula de ponderacin es que cuando
las cuentas son demasiado pequeas, los odds ratios y los errores estndar varan
considerablemente, dando un resultado poco preciso. Para superar este problema,
Mantel y Haenzel propusieron el siguiente estimado:
OR MH =
a d
b c
ng
g g
ng
Donde g especifica el estrato. Este estimado es conocido como estimado Mantel

Haenzel para el odds ratio ajustado.
El intervalo de confianza para el odds ratio ajustado se puede obtener mediante la siguiente
frmula:
P R
SE ln(OR MH ) =
2R
2
+
(P S
g
+ Qg R g
2 R+ S +
) + Q S
g
2S
2
+
En la que:
R+ = R g , S + = S g
Y tambin:
Pg =
ag + dg
ng
, Qg =
bg + c g
ng
, Rg =
agd g
, Sg =
ng
bg c g
ng
Problema
Calcule el riesgo de mortalidad neonatal empleando los estimados de Mantel y
Haenzel.
Mantel y Haenzel tambin propusieron un mtodo estadstico para comprobar la
hiptesis que el odds ratio general de varias tablas de contingencia 2 x 2 es igual a 1.
Esta prueba estadstica se puede evaluar comparando el valor obtenido con el de una
tabla X 2 con un grado de libertad y esta dado por:
2
=
X MHZ
G
(a
G a g d g bg c g

ng
g =1
)(
)(
)(
+ c g bg + d g a g + bg c g + d g
(n 1)n
g =1
2
g
Al aplicar el test a los datos de hospital encontramos un valor de Chi cuadrado de

11.46 que corresponde a un valor de P = 0.007.
DONDE SE EXPLICA COMO MANEJAR CONFUSIN EN EL

CASO DEL RIESGO RELATIVO
Para un estudio transversal o de cohortes en el que la exposicin es dicotmica y no
hay covariantes, los datos se pueden presentar en una tabla de contingencia similar a
la que sigue:
Exposicin
Enfermedad
80
50
130
190
n1
N0
Los subtotales n1 y n0 consignan al total de individuos expuestos y no expuestos,

respectivamente. Los estimados de riesgo en los dos grupos seran entonces a / n1
para el grupo expuesto y b / n0 en el grupo expuesto. Por lo tanto, el riesgo relativo
sera:
a n1
b n0
RR =
Para un estudio de cohortes, a y b representan el nmero de casos en los dos grupos

expuestos y el trmino tasa de incidencias acumuladas se usa para describir el riesgo
relativo cuando se presenta esta situacin. El intervalo de confianza para el riesgo
relativo se obtiene empleando una frmula similar a la del odds ratio. Si la muestra es
razonablemente grande, el estimado del error estndar del logaritmo natural del riesgo
relativo es:
SE [ln( RR) ] =
1 1 1 1
+
a n1 b n0
TASA DE DENSIDAD DE INCIDENCIAS

En la prctica, los estudios de cohortes se complican por el hecho de que la duracin
de la exposicin vara entre los sujetos. Por eso es que se usa la tasa de incidencia
dividiendo los nuevos casos por la exposicin medida en individuos-tiempo. En este
caso los datos quedan como sigue:
Exposicin
+
Casos nuevos
Total exposicin
L1
L0
El riesgo relativo de los dos grupos de exposicin puede ser definido como tasa de
densidades de incidencia, para diferenciarlo de los otros riesgos relativos (a pesar que
nunca dejan de ser lo mismo). El estimado de densidad de incidencia para este caso es
entonces:
IDR =
a L1
b L0
Para los casos en los que el riesgo individual es pequeo, el estimado del error
estndar del logaritmo de la tasa de densidad de incidencias se da por la frmula:
SE [ln( TDI ) ] =
1 1
+
a b
Que a su vez se puede emplear para obtener los intervalos de confianza y verificar si
el intervalo comprende al 1. Los mtodos de estratificacin del odds descritos
anteriormente tambin se pueden extrapolar al caso de la tasa de densidad de
incidencias. La frmula de Mantel Haenzel para estimar la tasa de densidad de
incidencia basada en un estudio de cohortes estratificado esta dado por la frmula:
TDI MH =
a L
b L
g
0g
1g
(L
(L
0g
+ L1g
0g
+ L1g
)
)
Una prueba estadstica para descartar que la tasa de densidad de incidencia sea igual a
1, similar a la de odds, se da por la siguiente frmula:
2
MH
G a g bg L1g L0 g
=
g =1 1 + L1g L0 g
g =1
(a + b ) L L
(1 + L L )
g
1g
0g
1g
0g
Como ejemplo, consideremos un estudio sobre tabaquismo y muerte coronaria (Doll y

Hill, 1996).
Edad
35-44
45-44
55-64
65-74
75-84
Muertes
Fumador
No Fumador
32
2
104
12
206
28
186
28
102
31
Personas - ao
Fumador
No Fumador
52,407
18,790
43,248
10,673
28,612
5,710
12,663
2,585
5,317
1,462
TDI
5.74
2.14
1.47
1.36
0.90
El Mantel Haenzel estratificado es 1.425 y los intervalos de confianza son de 1.15,

1.77. El valor de X2 es 10.2 que en el presente caso con cuatro grados de libertad da
un valor de P de 0.037.
FACTORES DE RIESGO MLTIPLES

Los ejemplos discutidos hasta ahora involucran variables de exposicin binarias que
se estratifican por una variable confundente. Sin embargo, la variable de
estratificacin puede ser considerada un riesgo tambin. En este sentido sera
interesante evaluar los riesgos conjuntamente. En nuestro anlisis de mortalidad
neonatal y cuidado prenatal segn clnica (A o B) obtuvimos un estimado para el odds
ratio ajustado de 1.114 para la mortalidad asociada a un menor cuidado prenatal. Si el
factor de exposicin se considera como la clnica B (versus clnica A), y el nivel de
cuidado prenatal se toma como una variable de estratificacin, los datos quedaran de
la siguiente manera:
CLINICA
No
+
sobrevivi
el mes
17
197
176
No
sobrevivi
el mes
23
293
Cuidado prenatal < 30 das (OR Cuidado prenatal 30+ das (OR
=5.06)
= 6.37)
Si empleamos la frmula de Mantel-Haenzel encontraremos que el odds ratio
combinado es de 5.27 para la clnica B versus la clnica A. Ahora consideremos el
cuidado prenatal y la clnica en conjunto. En este caso la variable de exposicin tiene
cuatro categoras que corresponden a la combinacin de factores, y los datos se
pueden ordenar de la siguiente manera:
Resultado
Vivos
Muertos
A:CPN+
4
293
Categoras de exposicin
A:CPNB:CPN+
3
2
176
23
B:CPN17
197
Aunque hay cuatro categoras en vez de dos, todava se puede proseguir con el
anlisis escogiendo uno de los estratos como exposicin de referencia y computando
los odds para cada estrato con relacin a la referencia. En este caso, si escogemos la
primera categora (clnica A y mayor cuidado prenatal) como referencia, tendremos:
Clnica/CPN
A:CPN+
A:CPNB:CPN+
B:CPN-
Odds Ratio
(1)
1.25
6.37
6.32
Limites de confianza del 95%

(0.27, 5.82)
(1.07, 37.97)
(2.05, 19.50)
Hay que tener cuidado al escoger el estrato de referencia cuando hacemos este tipo de
clculos debido a que nmeros bajos en el estrato de referencia llevan a intervalos de
confianza muy amplios. Tambin hay que ver que el estrato escogido tenga, de
preferencia el odds mas bajo. Los resultados se pueden acomodar de la siguiente
manera para facilitar la interpretacin:
CPN+
CPN-
Clnica
A
B
(1)
6.37
1.25 6.32
DONDE SE EXPLICA QUE ES PAREAMIENTO

(MATCHING)
El pareamiento se refiere a un procedimiento por el cual durante los estudios de
cohortes o caso-control se seleccionan individuos para el grupo no expuesto cuidando
que los valores de las variables potencialmente confundentes de los individuos no
expuestos sean iguales a las de los individuos expuestos. El procedimiento de
pareamiento se deriva de los conceptos de igualdad de grupos en comparacin que se
emplean al disear estudios experimentales. Sin embargo, en epidemiologa el
pareamiento se emplea bsicamente al disear estudios de caso-control, donde el
concepto de pareamiento representa un procedimiento completamente diferente al
pareamiento en un experimento.
El pareamiento se puede efectuar en una base individual, sujeto-sujeto, lo que se
conoce como pareamiento individual, o puede llevarse a cabo pareando grupos de
individuos, lo que se conoce como pareamiento de frecuencia. El pareamiento
individual consiste en seleccionar individuos control con caractersticas iguales a los
de cada caso individualmente. En los estudios de cohortes, cada sujeto expuesto es
pareado a uno o ms individuos de las mismas caractersticas en lo referente a las
variables potencialmente confundentes. En el caso de pareamientos de frecuencia, un
estrato expuesto es pareado con un estrato control de similares caractersticas. En los
estudios de caso control se procede de la misma manera, pareando cada uno de los
casos a uno o ms controles sin enfermedad.
Una recomendacin se aplica al pareo cualquiera que sea el estudio empleado, el
pareamiento por un factor requiere necesariamente que se controle por el factor al
momento de efectuar el anlisis. Esta observacin es particularmente importante para
los estudios de caso-control, en los que fallas en controlar por el factor o factores
considerados en el pareamiento pueden devenir en estimaciones de efecto sesgadas.
Cuando se parea individualmente, cada subgrupo pareado se trata como un estrato
diferente si se conduce un anlisis de datos estratificados.
PROPSITO DEL PAREAMIENTO

Al principio, el pareamiento se efectuaba con el propsito de mejorar la validez de los
estudios. Sin embargo, la importancia del pareamiento en estudios observacionales
radica ms en su efecto en la eficiencia del estudio ms que en su validez. El pareo
puede llevar, en estudios de caso control, a introducir un sesgo que debe ser
controlado durante el anlisis de datos. Estudiemos un ejemplo en el cual se puede
definir el efecto del sesgo en los estudios de caso-control definiendo una poblacin
terica como sigue (tomado de Rothman y Greenland ed. Modern Epidemiology, 2nd
ed. Philadelphia: Lippincot-Raven,1998):
Tabla 1 . Poblacin hipottica de 2 millones de personas en los que la exposicin

aumenta 10 veces el riesgo, los hombres tienen 5 veces ms riesgo y la exposicin se
asocia fuertemente a los hombres.
Nmero de Casos
Poblacin expuesta
Riesgo anual
Riesgo Relativo
Hombres
Expuestos
No Expuestos
4,500
50
900,000
100,000
0.005
0.005
10
Mujeres
Expuestos
No Expuestos
100
90
100,000
900,000
0.001
0.0001
10
33
En este caso, la exposicin y el sexo son factores de riesgo para la enfermedad.

Dentro de los estratos de sexo, los expuestos tienen 10 veces ms riesgo de contraer la
enfermedad y dentro de cada nivel de exposicin, es cinco veces ms probable que los
hombres contraigan la enfermedad. Tambin hay un nivel significativo de confusin
porque el 90% de los expuestos y slo el 10% de los no expuestos son hombres. El
riesgo relativo crudo, al comparar expuestos con no expuestos es de 33,
considerablemente diferente al obtenido en los riesgos especficos de sexo, que es de
10.
Supongamos que en un estudio de cohortes saque una cohorte de la poblacin descrita
y la paree a un grupo no expuesto pareando por la variable sexo. Si el estudio
considera el 10% del grupo expuesto y estos individuos se seleccionan al azar
independientemente del sexo que tengan, se tendran aproximadamente 90,000
hombres y 10,000 mujeres en la cohorte expuesta. Si el grupo de comparacin se saca
al azar del milln de personas no expuestas independientemente del sexo que tengan,
la poblacin control tendr los mismos factores de confusin que la poblacin original
no expuesta. En total se tendran 100,000 individuos expuestos y la misma cantidad de
no expuestos. Ojo que al parear tendramos la misma cantidad de individuos en la
cohorte no expuesta para hombres (90,000) y mujeres (10,000), porque estamos
pareando con un individuo no expuesto por cada expuesto. La tabla 2.1 nos muestra
cmo empezaramos el experimento:
Tabla 2.1. Cohorte de comparacin por exposicin y sexo. Clculos hechos sobre la
base que 90% de los expuestos y 10% de los no expuestos son hombres.
Expuestos
No expuestos
Hombres
90,000
90,000
Mujeres
10,000
10,000
Total
100,000
100,000
Si no ha habido errores de muestreo, la probabilidad de enfermedad en las cohortes de

individuos expuestos y no expuestos por sexo seguira la de la poblacin general
descrita en la Tabla 1 y encontraramos los resultados detallados en la Tabla 2.2.
|Tabla 2.2. Comparacin de riesgos relativos de datos desagregados por sexo
Nmero de Casos
Poblacin expuesta
Riesgo Relativo
Hombres
Expuestos
No Expuestos
450
45
90,000
90,000
10
Mujeres
Expuestos
No Expuestos
10
1
10,000
10,000
10
10
En este caso, es evidente que el pareamiento ha superado la confusin, pues tenemos

que el riesgo relativo de los datos agregados es igual al riesgo relativo de cada uno de
los estratos de sexo, hombres y mujeres. Podemos entonces concluir que el caso de los
estudios de cohortes, el pareamiento ha superado la confusin introducida por la
variable sexo. Empero, aunque concebida para superar confusin, el pareamiento no
necesariamente cumple con su objetivo en el caso de los estudios de caso-control. El
pareamiento introduce una serie de sesgos que a final de cuentas se comportan como
confusin. Si el factor de pareamiento no se relaciona a la enfermedad en la poblacin
original, no producir confusin, sin embargo, si la variable de pareamiento se
relaciona a la enfermedad introducir un sesgo de seleccin controlable en el estudio
de caso control. Esta situacin podemos ilustrarla recurriendo a la poblacin
hipottica y estimando los datos que se obtendran al efectuar un estudio de casocontrol.
Consideremos todos los casos (4,740) detallados en la tabla 1. De stos, 4550
(4,500+50) son hombres y 190 (100+90) son mujeres. Por lo tanto tendremos un total
de 4,740 controles, de los cuales 4,550 sern hombres y 190 sern mujeres.
Asimismo, sabemos que el 90% de los hombres son no expuestos en la poblacin
general, por lo tanto, si los controles se toman al azar de la poblacin general,
tendremos que el 90% de los 4,550 hombres del grupo control sern expuestos, es
decir, 4,095 hombres control. Del mismo modo, el 10% de las mujeres en la poblacin
general est expuesta, por las razones expuestas para los hombres, el nmero de
mujeres control expuestas sera igual al 10% de las 190 mujeres control. Vale decir,
19 mujeres control sern expuestas y 171 sern expuestas. La Tabla 3 detalla como
quedaran los participantes del estudio caso-control de acuerdos a los clculos
descritos en el presente prrafo:
Tabla 3. Detalle de los resultados a obtenerse de haber empleado un diseo de caso

control contando a todos los casos de la Tabla 1 como casos.
Nmero de Casos
Nmero de
controles
Odds Ratio
Hombres
Expuestos
No
Expuestos
4,500
50
4,095
455
Mujeres
Expuestos
No
Expuestos
100
90
19
171
10
TOTAL
4,740
4,740
10
Al agregar los datos tendramos los resultados presentados en la Tabla 4. En este caso,
se presenta una clara confusin, pues el odds ratio de los datos agregados difiere del
encontrado en los datos estratificados por sexo.
Tabla 4. Datos de la Tabla 3 agregados
Casos
Controles
Odds Ratio
Expuestos
4,600
4114
No Expuestos
140
626
5
En un estudio de cohortes, sin riesgos adicionales ni prdidas por causas no

relacionadas al estudio, no se requieren acciones adicionales para controlar confusin
del estimador de punto por los factores de pareo debido a que parear exposicin a no
exposicin previene la asociacin entre la exposicin y el factor de pareacin. En
contraste, si el factor de pareacin est asociado a la exposicin en la poblacin
original, el pareamiento en un estudio de caso-control requiere controlar la pareacin
durante el anlisis, an cuando el factor de pareacin no sea un factor de riesgo de la
enfermedad. La diferencia se debe a que en el estudio de cohortes el pareamiento se
hace primero entre expuestos y no expuestos. Esto se hace a despecho del estado final
de enfermedad, que de hecho es desconocido al inicio del estudio. En cambio parear
en el estudio de caso-control se hace entre individuos enfermos y sanos, lo que afecta
la distribucin del factor de pareamiento en la poblacin de la que se sacan los
controles en caso de que la enfermedad est asociada al factor de pareacin. Si la
enfermedad no se asocia al factor de pareacin, entonces el pareamiento no influir en
la distribucin de la enfermedad en el grupo control y no producir ningn sesgo o
confusin.
La pregunta clave es entonces porqu utilizamos pareamiento en caso-control? La
mejora de la eficiencia del experimento justifica el tener que controlar por la variable
de confusin. El pareamiento en un estudio de caso-control se puede considerar como
una forma de proveer un anlisis estratificado ms eficiente ms que una manera
directa de controlar variables potencialmente confundentes.
DONDE SE REPASAN CONCEPTOS DE

EPIDEMIOLOGIA DESCRIPTIVA
La salud representa el balance dinmico entre el hospedador y su medio ambiente. Es
obvio para todos que este balance frecuentemente se inclina en contra del hospedador,
dando origen a la enfermedad; uno de los roles principales del epidemilogo es la
identificacin y descripcin de las circunstancias y factores que llevan a este
desbalance. Como el ecologista, el epidemilogo se interesa en la relacin entre los
factores (el hospedador y el medio ambiente incluyendo el agente) y cmo esta
relacin cambia. La ocurrencia de casi toda enfermedad est influenciada por factores
representando tanto al hospedador, el medio ambiente como al tiempo. Adems de
tener en cuenta los aspectos humanos, los efectos de la enfermedad en la
productividad deberan ser
una caracterstica ms cuando se describe la
epidemiologa de la enfermedad.
Durante el siglo pasado, el estudio de la enfermedad se ha concentrado principalmente
en la patognesis de la enfermedad,
ignorando muchas caractersticas
epidemiolgicas importantes. En muchas circunstancias, la identificacin de las
fuentes, transmisin sobrevivencia y efectos de los agentes de enfermedades fueron
considerados al describir la epidemiologa de la enfermedad. De cualquier modo, las
investigaciones epidemiolgicas van ms all del agente y se concentran en los
factores del hospedador, el medio ambiente, y el tiempo que altera la ocurrencia y/o
severidad de la enfermedad para grupos de individuos. En stas bsquedas, la
epidemiologa es esencialmente una disciplina holstica, mientras que la mayora de
disciplinas mdicas son reduccionsticas. (Este postulado no intenta criticar a otras
disciplinas, solamente destaca dos puntos de vista divergentes de la enfermedad y la
salud. La sociedad puede ser mejor servida mediante la cooperacin y el
entendimiento entre los proponentes de cada punto de vista.)
Este captulo resalta y discute aquellos factores del hospedador, medio ambiente y
tiempo que deben ser incluidos al describir la epidemiologa de la enfermedad; estos
factores son referenciados algunas veces como su historia natural. Desde que la
epidemiologa es una disciplina pragmtica, se espera que luego de su identificacin
existira una manipulacin de factores causales de modo que el conocimiento sera de
valor prctico. Al menos una descripcin cuidadosa de la historia natural de la
enfermedad debe mejorar el entendimiento de la misma. A pesar de que existen
secciones separadas en este captulo para el hospedador, el ambiente y el tiempo, es
importante recalcar que estas categoras se encuentran ntimamente relacionadas en
trminos de sus efectos en la salud.
A menudo, los factores del hospedador son de inters secundario en los estudios
epidemiolgicos. A pesar de esto, es importante describir la relacin de los factores
del hospedador con la ocurrencia de la enfermedad y, si es necesario, el controlar los
efectos de los factores del husped (por ejemplo, por medio de mtodos analticos
como la estandarizacin de ndices). Por el otro lado, los factores del hospedador
pueden distorsionar la asociacin observada entre los factores medioambientales y la
enfermedad. Los factores del hospedador pueden ser ignorados slo cuando se sabe
que no ejercen un efecto significativo en la ocurrencia de la enfermedad.
FACTORES DEL HOSPEDADOR

Los factores del hospedador ms intrnsecos son la edad, el sexo y la raza.
Dependiendo de las circunstancias, otros factores del hospedador como especie o
estado fisiolgico (por ejemplo, preez) deben ser considerados. La ocurrencia de la
enfermedad a diferentes niveles de estos factores es mejor descrita utilizando ndices
de incidencia o proporciones de prevalencias, en lugar de los ndices de morbilidad
proporcionales o las cantidades de casos. Como se mencion previamente, los ndices
de incidencia y las proporciones de prevalencias proveen de estimados de riesgo
(probabilidad) de ocurrencia de enfermedad a diferentes niveles del factor
hospedador (por ejemplo, en machos versus hembras, enteros versus castrados, viejos
versus jvenes, Holsteins versus Jerseys), por otro lado, las cantidades de casos estn
influenciadas por el riesgo de la enfermedad y el nmero de animales en dicha
categora de hospedador. Por lo tanto, la distribucin de los casos con respecto a los
factores del hospedador probablemente no refleje el riesgo subyacente de enfermedad.
Algunos textos medico veterinarios describen el patrn de enfermedad y hacen
inferencias acerca del riesgo de la enfermedad basndose solamente en el nmero de
ocurrencias, en lugar de ajustarse a la poblacin en riesgo. El lector debe estar alerta
para identificar y no aceptar fcilmente inferencias acerca de riesgo de enfermedad
hechas de esta manera. Por ejemplo, aunque el 60% de todos los casos de mastitis
ocurran en vacas de 4 a 7 aos de edad, uno no debe concluir que las vacas de esta
edad estn necesariamente ante un mayor riesgo de mastitis en comparacin con otros
grupos etreos. Uno debe relacionar la distribucin de edades de los casos con la de la
poblacin fuente, de modo que se pueda inferir acerca del riesgo de mastitis.
Algunas veces los ndices base de la poblacin son desconocidos y no se pueden
estimar fcilmente. En estas circunstancias los efectos de los factores del hospedador
en la ocurrencia de la enfermedad pueden ser descritos comparando la frecuencia
relativa de los factores del hospedador en los casos a su frecuencia en los no casos. Un
estadstico formal para estos propsitos es el odds ratio.
Edad
La edad es probablemente la variable del hospedador ms importante, debido a que el
riesgo de enfermedad es usualmente ms relacionado a la edad que a otros factores del
hospedador. Por esto, la edad debera ser incluida siempre que se describa la
distribucin de la enfermedad. Despus de todo, existen muchos factores que pueden
afectar el patrn de ocurrencia de la enfermedad con la edad. Es importante el
considerar cuando la distribucin se debe a la edad en s, a los efectos actuales de la
exposicin reciente de los animales de diferentes edades al medio ambiente, o a
exposiciones pasadas de los animales de diferentes edades al medio ambiente.
Posteriormente se describirn tcnicas para separar estos efectos. Se desconoce si es
que la edad de por s altera el riesgo de enfermedad independientemente del medio
ambiente de los factores medio ambientales. De cualquier manera, los epidemilogos
intentan identificar los factores medio ambientales que se relacionan con la edad pero
que se pueden separar de la misma y que puedan alterar el riesgo de enfermedad. Por
ejemplo, las injurias consecutivas de la mquina de ordeo pueden proveer una
explicacin ms razonable para el incremento progresivo en el riesgo de infecciones
en las glndulas mamarias mientras las vacas envejeces que la edad de por s. Tal
hiptesis es muy fcil de probar, y si se encontrara soporte para este hallazgo, se
pensara en un mejor diseo de ordeadoras y/o tcnicas de ordeo ms cuidadosas

para prevenir al menos algo del creciente riesgo relacionado con la edad. Algunos
cambios inevitables e inalterables en la glndula mamaria debido al envejecimiento
podran persistir para siempre.
Si se trazan los ndices especficos de la edad (por ejemplo, como un histograma), la
figura del trazado resultante depender en si se usan los ndices de morbilidad
(incidencia o prevalencia), de mortalidad, o los ndices de otros eventos intermedios
como el sacrificio. Si la edad ejerce una influencia mayor en el riesgo de la
enfermedad en cuestin, uno podra esperar ya sea un incremento uniforme o una
disminucin uniforme, no necesariamente lineal- o un patrn unimodal de ocurrencia
de enfermedad con la edad. Por ejemplo, informacin en la ocurrencia de una cantidad
de sndromes en ganado lechero indica que el ndice de incidencia (riesgo) de la
mayora de enfermedades se incrementa con la edad. Para muchas de las
enfermedades el incremento es consistente con un patrn lineal, mientras que para
otras el patrn es curvilineal. Algunas enfermedades (por ejemplo, varias neumonas
del ganado bovino) tienen un patrn de edad en forma de U. Esto es, que la
enfermedad ocurre con relativa frecuencia en animales jvenes y viejos
probablemente sea ya por recrudecimiento o por susceptibilidad incrementada pero
con poca frecuencia durante los aos intermedios. Este patrn probablemente sera
ms pronunciado si las cohortes de ganado bovino fueran seguidas desde el
nacimiento que desde el primer parto.
A menudo, slo se dispone de datos en prevalencias provenientes de estudios
peridicos, y esto hace difcil el determinar el riesgo de adquisicin de una infeccin
enfermedad segn la edad. Existen frmulas disponibles para estimar la incidencia de
la edad desde la prevalencia, pero la mayora se basan en la suposicin de que las
sustancias a ser medida (usualmente anticuerpos) estn presentes de por vida en el
animal y de que el movimiento animal entre la poblacin es mnimo. Basados en esta
suposicin, una probabilidad constante (riesgo) de adquirir una infeccin con la edad
producira un patrn de prevalencia curvilineal especfico para la edad que se
incrementara con la misma. De un modo similar, es difcil el hacer inferencias acerca
del riesgo de infeccin basados en ndices de edad edad-especficos, o el hacer
inferencias acerca del riesgo de enfermedad basados en ndices de mortalidad edadespecficos. No es para menos, el saber el patrn de edad de la enfermedad y la
mortalidad puede ayudar a generar hiptesis tiles acerca de factores que puedan
influenciar a la infeccin y a la enfermedad respectivamente.
Si el patrn de ocurrencia con la edad de enfermedad aparenta ser bimodal (por
ejemplo, si se presentan dos picos), esto indicara que en efecto se encontraran dos
sndromes diferentes presentes an cuando presenten similitudes clnicas o
patolgicas- o, que los factores que influencian la ocurrencia de la enfermedad en los
diferentes grupos etreos difieran. Aparentemente, existen patrones bimodales para la
leucemia felina y la atrofia progresiva de la retina canina. El virus de la rinotraquetis
infecciosa bovina (IBR) se asocia con un nmero de sndromes, y la frecuencia de
los mismos producen un patrn bimodal o trimodal con la edad. En terneros menores
a 1 mes de edad, el virus produce un sndrome entrico. En terneros mayores, de 6 a
18 meses de edad, se observa un sndrome del tracto respiratorio alto. En hembras
adultas, el virus se asocia tanto con infertilidad como con abortos. Desde que el
mismo virus es comn a estas diferentes condiciones, los diferentes sndromes
probablemente reflejaran cambios en la condicin fisiolgica de los animales al
envejecer y las diferencias en las condiciones ambientales, ms que las diferencias en

el virus en s.
En humanos, los nios tienen un riesgo mayor de enfermedades infecciosas que los
adolescentes o adultos, debido a que stos ltimos han adquirido inmunidad debido a
exposiciones previas con los agentes infecciosos de estas enfermedades, y debido a
cambios fisiolgicos y de comportamiento con la edad. A pesar del elevado ndice de
ocurrencia en los menores, a menudo la severidad de la enfermedad (principalmente
bajo control del hospedador) es menor entre los jvenes que en los mayores. Esto es
particularmente verdadero si la exposicin inicial de los jvenes ocurre mientras ellos
tengan proteccin. El nivel y la duracin de la proteccin pasiva en los jvenes
depende principalmente en la cobertura y la duracin de la exposicin de sus madres
al agente. Cuando infecciones como el sarampin o poliomielitis ingresan a
poblaciones que no han sido expuestas por varias generaciones, el ndice diferencial
de ocurrencia con la edad est ausente y se presenta un incremento en la severidad
entre los adultos.
El fenmeno descrito anteriormente relacionado con la edad probablemente ocurra a
su vez en animales, pero los patrones son desconocidos por varias razones. Primero,
un gran porcentaje de animales domsticos son beneficiados antes de llegar a una
edad equivalente a la adultez en humanos. Segundo, los estndares de higiene en la
mayora de las granjas facilitan la exposicin temprana de los animales a los
patgenos ms comunes, y los programas de vacunacin pueden haber alterado el
patrn de resistencia tanto en animales jvenes como en adultos. Por ejemplo, si una
cohorte observada de gatos callejeros, el patrn de enfermedades como la
panleucopenia probablemente sera bastante diferente que el patrn en los gatos
domsticos. Estas diferencias reflejaran las diferentes exposiciones medioambientales
de estos grupos de gatos, as como posibles diferencias inherentes al hospedador como
son el genotipo. Brotes severos de enfermedad (como el IBR o el BVD) en hatos
cerrados probablemente representen una analoga a los brotes aislados (islas) de
sarampin humano. El mantener hatos cerrados puede permitir al dueo de los
problemas diarios de las enfermedades endmicas; de cualquier modo, se requiere
vigilancia adicional para prevenir brotes serios luego de la introduccin de la
infeccin a esta poblacin altamente susceptible.
La mayora de las medidas de produccin estn relacionadas con la edad; los ejemplos
van desde la habilidad para la carrera de los caballos hasta la produccin lctea en
vacas lecheras. Los animales jvenes aparentan ser ms eficientes que los adultos en
convertir la energa de los alimentos en productos utilizables, ya sean huevos o
protena muscular. A pesar de esto, debe haber un valor econmico en prolongar la
vida de ciertos animales. Por ejemplo, el tiempo de supervivencia promedio de las
vacas lecheras en Canad es de aproximadamente 4 aos luego de su primer parto.
Desde que el potencial productivo de una vaca no decrece marcadamente entre los 7 y
10 aos de edad, la industria lechera se beneficiara si se pudieran prevenir las
enfermedades que conllevan a una remocin prematura e involuntaria de los animales
del hato. Esto es particularmente cierto debido a la gran inversin en criar animales
de reemplazo para rebaos de porcinos, ganado de carne y leche. Claro que este
beneficio potencial debe balancearse contra la creciente oportunidad de mejoramiento
gentico adquirido por con los animales para reemplazo de los beneficiados. Debe
tenerse en consideracin la economa del beneficio de animales y el desembolso para
comprar o criar animales de reemplazo. Como se mencion previamente, debido al
efecto marcado y consistente de la edad en el nivel absoluto de produccin, algunos
parmetros (por ejemplo la produccin de leche en vacas lecheras) son estandarizados

para facilitar las comparaciones directas de la produccin en animales de diferentes
edades.
Sexo
Varias enfermedades estn asociadas con el sexo de los animales; por ejemplo, las
enfermedades infecciosas pueden ocurrir con mayor frecuencia, o con mayor
severidad, en jvenes varones que en mujeres jvenes. Por otro lado, las perras tienen
un riesgo mucho mayor de diabetes mellitus que los machos. Esto es verdad tambin
para los humanos, y es un indicativo de que los perros podran ser un buen modelo
para estudiar la patognesis de la diabetes.
Muchas de las enfermedades asociadas al sexo estn directa o indirectamente
relacionadas a las diferencias anatmicas y/o fisiolgicas entre los sexos. Tales
enfermedades incluyen la paresia post parto (fiebre de la leche), mastitis, metritis y
cncer de glndula mamaria en hembras, as como problemas relacionados con la
conducta sexual como abscesos en gatos machos como resultado de peleas y rociado
de orina sobre las heridas.
La castracin puede estar relacionada tambin con la presentacin de enfermedades.
Estas asociaciones van desde el efecto de la esterilizacin en el riesgo de cncer de la
glndula mamaria en hembras esterilizadas hasta aumento en el riesgo de laminitis en
ponis castrados, estando este ltimo relacionado tambin con cambios conductuales y
de manejo. El riesgo del sndrome urolgico felino se incrementa en machos
castrados; de cualquier modo, no todos estos incrementos son debidos a cambios
anatmicos debidos a que las hembras esterilizadas tienen tambin un riesgo mayor
que las hembras enteras. Cuando investigamos los efectos de la esterilizacin, la edad
a la que fue realizada debe ser considerada.
El sexo del animal tambin necesita ser tomado en cuenta cuando se evala la
productividad, desde que la habilidad para la carrera, la ganancia de peso, la
deposicin de grasa corporal, y la eficiencia de la conversin alimenticia puede diferir
entre sexos.
Raza
Las diferencias en el riesgo de enfermedades y el nivel de productividad entre razas
son comunes, y los efectos de la raza deben ser considerados y controlados (ajustados
para) cuando se estudia los efectos de otros factores en la ocurrencia de la enfermedad
o en la productividad. En general, las diferencias en la raza deben ser separadas en dos
componentes: diferencias debido a factores genticos y las diferencias debido a
factores fenotpicos.
La gentica de poblaciones, como la epidemiologa, depende bastante de la coleccin
y anlisis de informacin de estudios observacionales. Ambas disciplinas estn
interesadas en los determinantes de la enfermedad, y como a menudo no es claro si
una enfermedad tiene determinantes genticos, hay muchas coincidencias entre
ambas disciplinas. Los genetistas animales han desarrollado un grupo de mtodos
analticos especializados para identificar la heredabilidad de las caractersticas de la
produccin continua. Recientemente estas tcnicas han sido modificadas para estudiar
la heredabilidad de las caractersticas discretas como la presencia o ausencia de
enfermedades. La equivalencia entre estas tcnicas y la estadstica epidemiolgica
como la fraccin poblacional atribuible an no esta clara. Aunque an esta en paales,
una cosa es clara: pocas enfermedades son determinadas solamente por el genotipo o
factores medioambientales. En realidad, en realidad, nuestro actual material gentico
es producto de la presin de seleccin ejercidas por el medio ambiente o nuestros
ancestros.
La estrecha relacin entre los determinantes genticos y medio ambientales puede ser
demostrada por dos enfermedades aviares, como patas amarillas o buche penduloso.
Las patas amarillas se producen en aves con cierto defecto gentico que son
alimentadas con maz amarillo. Si un granjero que slo tiene aves con este defecto
gentico, y las alimenta con maz amarillo ay maz blanco, la racin aparentemente
seria el determinante, ya que solamente las aves alimentadas con maz amarillo
desarrollaran la enfermedad. Si un granjero tuviera aves normales y aves con el
defecto gentico y las alimentara slo con maz amarillo, el genotipo sera el
determinante, desde que slo las aves genticamente defectuosas desarrollaran la
enfermedad. En este sndrome, ambos factores son requeridos para producirla
enfermedad, y es la sintaxis de las causas suficientes, el defecto gentico y el factor
medioambiental especfico (maz amarillo) seran considerados componentes
necesarios de la causa suficiente (por ejemplo, ambos deben de estar presentes para
que la enfermedad ocurra). El buche penduloso en pavos es ligeramente ms
complejo ya que tres factores genotipo (pavos bronceados), medio ambiente (clima
muy caliente) y exceso de consumo de agua se combinan para producir el sndrome.
Suponiendo que no hay restriccin en el consumo de agua que slo se cren pavos
bronceados, la enfermedad parecera ser determinada por el medio ambiente. Si se
criaran dos o ms razas son criadas bajo condiciones medioambientales calurosas, la
enfermedad aparentemente sera determinada genticamente. Nuevamente, el
genotipo y los factores medioambientales son componentes de una causa suficiente.
La fenilcetonuria representa una enfermedad anloga en nios en los que tanto los
factores genticos y medioambientales estn involucrados. En estos ejemplos, debido
a que ambos factores (genotipo y medio ambiente) son requeridos para que ocurra la
enfermedad, la interaccin entre el genotipo y los factores medioambientales se dice
que es completa. La relacin entre los determinantes genotpicos y medioambientales
de muchas enfermedades a menudo no es tan obvia como en los ejemplos antes
mencionados. Si la enfermedad tiene otros determinantes y no una combinacin
particular genotipo-medio ambiente, la interaccin estadstica entre el genotipo y el
medio ambiente es menos que completa. Aunque es factible, es ms difcil identificar
causas putativas en estas circunstancias. En general, la meta es identificar el rol que
juega cada factor como determinante de la enfermedad, y utilizar este conocimiento
para prevenir la enfermedad mientras los factores puedan ser manipulados.
En algunos casos, las enfermedades inicialmente se consideraron como de origen
gentico, y ms adelante se demostr que son esencialmente determinadas por
factores medioambientales. Por ejemplo, se condujeron experimentos detallados para
probar que una malformacin ciclopiana particular en ovejas era causada por un
defecto gentico. Los experimentos fallaron, y luego, estudios experimentales
observacionales identificaron una planta venenosa, el Veratrum californicum como la
causa principal. En retrospectiva, el anlisis cuidadoso de la informacin
observacional disponible puede haber convencido a los investigadores de esto sin la
necesidad de estudios experimentales costosos. En este caso, mientras en las primeras

investigaciones de la fiebre de Texas, las observaciones de los rancheros fueron luego
validadas, los investigadores veterinarios inicialmente ignoraron y algunas veces
ridiculizaron las observaciones iniciales.
Se han identificado las enfermedades debido a defectos genticos, como terneros
calvos, enanismo y paresia espstica en toros (la mayora siguiendo un patrn de
herencia mendeliano). La heredabilidad de las enfermedades que siguen patrones ms
complejos (por ejemplo, caractersticas Galtonianas) no han sido estudiadas as como
las caractersticas mendelianas simples. Ciertamente, la resistencia a enfermedades
infecciosas tiene un componente gentico, como se ha demostrado por experimentos
con animales de laboratorio (por ejemplo, la seleccin y desarrollo de lneas de aves
resistentes a la leucosis y minks resistentes a la enfermedad Aleutiana). De cualquier
forma, la identificacin de heredabilidad de la mayora de las enfermedades en los
animales domsticos debe esperar el desarrollo de grandes y muy precisas bases de
datos, similares a aquellas disponibles en la actualidad para registrar la produccin.
Trabajos preliminares sugieren que las enfermedades tales como mastitis, rinitis
atrfica y ovarios qusticos tienen un componente gentico, y que su heredabilidad lo
suficientemente grande como para que la seleccin tanto de hembras como de
machos, sea suficiente para reducir su ndice de incidencia. Adems, informacin de
algunas granjas porcinas indica que la variabilidad en el ndice de mortalidad en
camadas debido a la madre es bastante grande, variando de 2 a 6 veces. Esto sugiere
que la seleccin de las hembras puede reducir la mortalidad de los lechones
significativamente.
En animales de compaa, el riesgo de muchas enfermedades incluyendo el cncer,
artritis y defectos del corazn varan enormemente entre razas. De cualquier modo, la
proporcin genticamente basada de la diferencia en el riesgo es desconocida. Por
ejemplo, los factores fenotpicos probablemente alteren el riesgo de enfermedades
como displasia de cadera, teniendo las razas grandes un riesgo excesivo. Hay una
variacin significativa en el riesgo de displasia de cadera entre perros del mismo
fenotipo y ms del 25% de ciertas razas con fenotipo de bajo riesgo desarrollan
displasia. Ambos hechos sugieren un rol importante del genotipo. Se ha demostrado
que para algunas razas, los perros que pertenecen a una sola persona tienen ndices de
displasia de cadera significativamente ms altos o ms bajos que el promedio de la
raza. Esto nuevamente apoya el rol potencial del genotipo y/o el medio ambiente
compartido como determinantes de enfermedad. Para complicar an ms esto, los
efectos del genotipo y el fenotipo en el riesgo de la displasia de cadera aparentan ser
parcialmente confundidos con los factores medioambientales, como la cantidad de
ejercicio que el perro recibe de joven.
Los factores fenotpicos se cree que son determinantes importantes en varias
enfermedades, que van desde cncer al hueso en perros hasta desplazamiento de
abomaso en vacas. Una falta de pigmentacin incrementa el riesgo del ojo
canceroso del ganado Hereford mientras que la coloracin gris incrementa el riesgo
de melanoma en caballos. En la mayora de los casos se desconocen las razones
subyacentes de estas asociaciones. En un futuro cercano, se tendrn disponibles bases
de datos que puedan permitir un asesoramiento en este tipo de problemas
multifactoriales. Por ejemplo, uno debe ser capaz de predecir el impacto de los
factores fenotpicos en el padrillo (por ejemplo, tamao de la vaca, profundidad de
pecho, forma del abdomen), y otras variables tales como facilidad de parto, (la cual
puede estar relacionada con el tamao del canal plvico o el tamao del feto) en el
riesgo de desplazamiento de abomaso y otras enfermedades.
Los perros han sido y continuar siendo objeto de estudio intensivo para ayudar en el
entendimiento del rol de los factores genotpicos y fenotpicos en la ocurrencia de la
enfermedad y para identificar los modelos de enfermedades humanas. Ninguna otra
especie de animales domsticos tiene tan amplio rango de genotipos y fenotipos como
los perros, y estos comparten el medio ambiente del hombre muy de cerca y la
ocurrencia de sus enfermedades (tales como el cncer de vejiga) pueden ser un
indicativo de las sustancias txicas en el medio ambiente que seran potencialmente
dainas para el hombre.
Como se mencion previamente, los factores del hospedador pueden distorsionar la
asociacin entre la enfermedad y los factores de un inters ms inmediato. Por
ejemplo, las perras con diabetes tuvieron 16 veces ms diagnsticos positivos de
tumores mamarios benignos que las perras con otras enfermedades endocrinas.
Cuando se calcula un estadstico de resumen (odds ratio) ajustado por la edad (usando
la tcnica de Mantel-Haenzel) el odds ratio se redujo a 5.6. Esta tcnica es utilizada
frecuentemente en estudios analticos para controlar el efecto de factores extraos.
ESTANDARIZACIN DE TASAS
Debido a que los factores del hospedador a menudo son determinantes de enfermedad,
las tasas atribuibles especficamente al hospedador (por ejemplo, tasas especficas de
edad, sexo, y/o raza) deben ser utilizadas para describir patrones de enfermedad. Cada
nivel de cada caracterstica es utilizado para formar un estrato; las tasas especificas da
los estratos deben ser estudiadas cuidadosamente antes de intentar resumirlas, desde
que los resmenes de tasas ignoran y a menudo sobre simplifican y/o distorsionan el
patrn verdadero de la enfermedad en la poblacin bajo estudio. De cualquier modo, a
pesar de estos percances, sera deseable el tener un estadstico de resumen uni base
(libre de la influencia de los factores del hospedador) para describir la frecuencia de la
enfermedad. Un mtodo que puedes ser utilizado para producir dicha tasa resumen es
la estandarizacin (o ajuste) de tasas. La estandarizacin puede ser utilizada tambin
para prevenir la distorsin por otros factores distintos a las caractersticas del
hospedador. (A este respecto es muy similar a la tcnica de Mantel-Haenzel; de
cualquier modo, no es tan poderosa y se utiliza principalmente con propsitos
descriptivos en ves de para probar hiptesis.) Los dos mtodos de estandarizacin son
directos e indirectos.
ESTANDARIZACIN DIRECTA
Mediante estandarizacin directa, deben conocerse las tasas especificas de estratos
observadas (OBS R i), y una distribucin de poblacin estndar (STD P i), con
respecto a los factores por los que seran ajustadas, se utilizarn como base para el
ajuste. La STD P i es la proporcin de la poblacin estndar en cada uno de los
estratos, el indicador de estrato i varia de 1 hasta el nmero de estratos a ser
considerados. Cada estrato representa cada nivel de edad, raza, sexo o una
combinacin de estas.
La oportunidad de la poblacin estndar para una estandarizacin directa no es

crucial; de cualquier modo, cuando sea posible es deseable el seleccionar un estndar
que sea demogrficamente sensible. Por ejemplo, si las tasas de enfermedad en
diferentes reas del pas se compararan y se ajustaran por edad, la distribucin de la
poblacin por edad para el pas entero seria un estndar apropiado. Si no existe un
estndar obvio, cree un estndar tomando la distribucin promedio de todos los
grupos a comparar.
El enfoque principal al ajuste directo de tasa en cada uno de los grupos a comparar es:
Tasa directa ajustada =
proporcin de la poblacin estndar en el estrato i,

multiplicado por la tasa observada en el estrato i, y
sumando el producto de todos los estratos.
(STD P i x OBS R i )=
la suma de P i (estndar) x R i (observado) de todos los

estratos.
Este clculo se repite para cada grupo a ser comparado, como se muestra en la Tabla
1. La tasa ajustada nos da la tasa esperada si las tasas especficas de los estratos
observados caen dentro de la poblacin estndar. Cualquier diferencia entre las tasas
ajustadas debe ser debido a factores diferentes a los incluidos en el proceso de ajusta.
Las tasas directamente ajustadas solamente pueden ser comparadas con otras tasas
directamente ajustadas cuando se usa la misma distribucin estndar de poblacin
como base para la estandarizacin. Existen pruebas estadsticas disponibles para
calcular la posibilidad de que la variacin en el muestreo pueda explicar cualquier
diferencia entre el resumen de las tasas del grupo que permanece luego del ajuste.
Tabla 1. Un ejemplo de las tasas de estandarizacin directa.

Suponiendo que UD. est estudiando la asociacin entre la fuente de ganado vacuno (granja versus
feria de venta) y la ocurrencia de neumona en el perodo de 3 semanas subsiguiente a la llegada
del lote de animales. Su estudio inicial, basado en muestras al azar de 500 terneros que vienen
directamente de la granja y de 500 terneros que fueron adquiridos en las ferias de venta,
obtenindose los siguientes resultados:
Fuente
Neumona
Feria de Venta
Sin Neumona
Total
Tasa de Incidencia (%)
120
380
500
24
25
475
500
Granja
Superficialmente, estos resultados incriminan a las ferias como determinantes de neumona. UD.
est preocupado, de cualquier modo, estos resultados pueden estar distorsionados debido a la edad
del ganado, desde que se adquieren tanto terneros como vaquillas / toretes. El mtodo siguiente
puede ser utilizado para ajustar la tasa para efecto de la edad.
Fuente
Nmero
de
Distribucin
observada
animales
OBS (P i )
Cantidad de
casos de
Tasa de
Distribucin
incidencia
Estndar de la
Neumona OBS (P i ) %
Poblacin STD(R i )
Ferias
Terneros
Vaquillas / Toretes
400
100
0.8
0.2
112
28
0.45
14
0.55
Granja
Terneros
50
Vaquillas / Toretes
450
0.1
0.9
18
0.45
0.55
Es obvio que la edad tiene un efecto marcado en la tasa de neumona, pero la fuente
parece interferir tambin. La distribucin estndar de la poblacin fue obtenida
promediando las dos distribuciones observadas [por ejemplo: 0.45 = (0.8 + 0.1) / 2].
Las tasas ajustadas directamente se encuentran multiplicando la tasa de observados de
la enfermedad en cada estrato por la distribucin estndar de la poblacin en ese
estrato y aadiendo los productos de todos los estratos.
Para el grupo Feria:
(0.28 x 0.45) + (0.08 x 0.55) = 0.17 17%
Para el grupo Granja: (0.14 x 0.45) + (0.04 x 0.55) = 0.085 8.5%

La diferencia, 17% versus 8.5%, an sugiere que la fuente de origen es determinante
de neumona. Al menos, esta ltima diferencia no es debido a los efectos de la edad;
al ser estos removidos por el proceso de estandarizacin.
ESTANDARIZACIN INDIRECTA
La estandarizacin indirecta puede ser usada si las tasas especficas de cada
estrato son desconocidas, y la distribucin (OBS P i) del(los) factor(es) de inters (por
ejemplo; edad) en los grupos a ser comparados es conocida. Es til tambin cuando el
nmero de animales en el estrato es pequeo, y por lo tanto las tasas especficas para
cada estrato seran imprecisas.
El ajuste se realiza utilizando un grupo de tasas especficas para cada estrato de una
poblacin estndar (STD R i). Para escoger la tasa estndar uno debe seguir las
mismas consideraciones que se utilizaron en el ajuste directo. De cualquier modo, es
muy importante que las tasas de poblacin estndar reflejen lo que en realidad ocurri
en los grupos a comparar. El primer paso en el ajuste indirecto es calcular la tasa
anticipada dada (tasa global esperada), toda vez que las tasas de poblacin estndar se
aplican a cada uno de los grupos a ser comparados, como se muestra en la Tabla 2.
El procedimiento general es el siguiente:
Tasa global esperada =
La proporcin del grupo observado en el estrato es

multiplicada por la tasa del estrato i de la poblacin
estndar, sumando el producto de todos los estratos.
(OBS P i x STD R i)=
Suma de P i (observados) x R i (estndar) de todos los

estratos.
Luego, la tasa observada cruda es dividida por la tasa global esperada; el resultado es
llamado una proporcin
estandarizada de morbilidad / mortalidad (SMR)
dependiendo en el punto final (puede ser otro evento tal como el beneficio). Para
completar estos clculos, la tasa ajustada indirectamente se halla utilizando la
siguiente frmula:
Tasa global promedio en poblacin estndar x SMR
Las diferencias en las tasas ajustadas indirectamente (o en las SMRs) son
interpretadas de manera similar a las ajustadas directamente; es as, que cualquier
diferencia remanente no es debido a los factores considerados en el proceso de ajuste.
Debe de tomarse en cuenta, de cualquier modo, que los ajustes indirectos remueven la
mayora pero no todos los efectos de las diferentes distribuciones de los factores en
cada grupo. Es por esto que es importante que la seleccin de las tasas de poblacin
estndar reflejen las tasas (desconocidas) en los grupos a ser comparados. La ventaja
de la estandarizacin indirecta es que las tasas especficas para cada estrato en cada
grupo no son requeridas, slo la distribucin de los factores en los grupos a ser
comparados. Como se mencion, la estandarizacin indirecta es preferida por sobre
los mtodos directos si el nmero de individuos en los diferentes estratos es pequeo.
Tabla 2. Un ejemplo de estandarizacin indirecta de tasas

Suponga que obtuvo dos muestras al azar de ganado lechero, cada una de ellas obtenida de diferentes
reas del pas. Se obtuvo una muestra de sangre de cada animal y se registr su edad. Las muestras de
sangre se enviaron a un laboratorio y se analizaron en busca de anticuerpos contra el virus de la diarrea
viral bovina. Del rea A, 300 de 575 animales y del rea B 325 de 625 animales presentaron ttulos
positivos. Desafortunadamente slo el rea se registr en los viales y por lo tanto no se pudo calcular
tasas de reaccin especficas para la edad. Por esto, UD. desea remover cualquier distorsin en la tasa
global debida a las diferencias de edad entre las muestras. El mtodo indirecto de ajuste puede ser
utilizado en este caso.
Nmero en la Muestra
rea A
rea B
Tasas de Poblacin
Edad
estndar
(aos)
No
2 3.9
100
0.17
25
0.04
0.3
4 5.9
200
0.35
100
0.16
0.4
6 7.9
150
0.26
8 9.9
75
0.13
150
0.24
0.6
10 +
50
0.09
100
0.16
0.7
Total
575
Reactores
300
Tasa Cruda
0.52
(OBS P i )
No
(OBS P I )
250
(STD R i )
0.40
625
325
0.52
0.5
Tasa promedio para

la poblacin estndar :
0.42
Asuma que tiene disponible un grupo de tasas de reactores de poblacin estndar edad(STD R i) y que estas sern utilizadas para obtener la tasa esperada de reactores.
especficas
La tasa esperada si se aplica la tasa estndar en el rea A es:

0.17 x 0.3 + 0.35 x 0.4 + 0.26 x 0.5 + 0.13 x 0.6 + 0.09 x 0.7 = 0.46
La tasa esperada si se aplica la tasa estndar en el rea B es:
0.04 x 0.3 + 0.16 x 0.4 + 0.40 x 0.5 + 0.24 x 0.6 + 0.16 x 0.7 = 0.53
Esto lleva a proporciones estandarizadas de reactores de (0.52/0.46) x 100 = 113%, y (0.52/0.53) x 100
= 97.7% para las reas A y B, respectivamente.
Las tasas ajustadas indirectamente se hallan multiplicando la proporcin estandarizada para cada rea
(expresada como proporcin) por la tasa promedio de la poblacin estndar. Esto conlleva a tasas
ajustadas indirectamente de 1.13 x 42% = 47.5% para el rea A y 0.98 x 42% = 41.2% para el rea B.
Esta diferencia sugiere que, luego de ajustarla por las diferencias de edad, la prevalencia de anticuerpos
al virus de la diarrea viral bovina es ms alto en el rea A que en la B. por lo menos la diferencia
residual no es debida diferencias en la estructura de edad de los animales para ambas zonas.
Las tasas estandarizadas de morbilidad y mortalidad a menudo se utilizan en

presentaciones pictricas de la ocurrencia de la enfermedad en diferentes reas
geogrficas. Esto permite comparar visualmente el nivel de enfermedad en muchas
reas sin preocuparnos acerca del efecto de las diferencias en la estructura subyacente
de la poblacin.
Como ejemplo del uso de la estandarizacin, el ajuste de tasas se utiliza en el esquema
de salud porcina Dans. En este programa, la tasa observada de neumona enzotica
entre porcinos en camales de diferentes reas del pas, es ajustada segn el tamao de
la piara antes de hacer comparaciones de prevalencia de neumona en esas reas. (Se
requiere el ajuste debido a que el tamao de la piara tiene una influencia importante
en el nivel de neumona enzotica, y la distribucin de los tamaos de piara difieren
de un rea de Dinamarca a otra. Es por ello, que para conseguir una comparacin justa
de las tasas de enfermedad desde los camales, sin que esta comparacin se vea
distorsionada por efecto del tamao de la piara, es necesario el ajustar las tasas segn
el tamao de la piara.
INMUNIDAD EN POBLACIONES
El que una enfermedad se disemine o persista depende no slo de la naturaleza del
agente causal, pero tambin en la inmunidad de los individuos y en la estructura y
dinmica de la poblacin.
La habilidad individual de los animales para resistir a las infecciones, o para resistir a
enfermarse si se infectan, se conoce como inmunidad y puede ser innata o adquirida.
La inmunidad innata es a menudo de origen gentico y no depende de un contacto
previo con el agente por el individuo o sus parientes. Algunos ejemplos incluyen a la
resistencia de los caballos al virus de la fiebre aftosa y la actual resistencia de los
conejos Europeos en Australia al virus de la mixomatosis. La inmunidad adquirida es
la resistencia resultante de un contacto previo del individuo con un agente (inmunidad
activa), o a la resistencia que le transmiti su madre (inmunidad pasiva) como
resultado de su contacto con el agente. El contacto con el agente puede haber sido
natural o artificial (por ejemplo, despus de la vacunacin). En trminos simples, la
inmunidad adquirida en la naturaleza es humoral (anticuerpo mediada) y/o celular
(clula mediada).
La inmunidad en los individuos es ms relativa que absoluta, dependiendo en la
naturaleza del agente, la dosis del desafo y el medio ambiente del individuo. Para
propsitos de nuestra discusin. Se clasificar como alta, moderada o baja. Desde el
punto de vista del organismo infectivo, un hospedador con una inmunidad alta
constituye un mayor impedimento para la supervivencia desde que es difcil infectarlo
y por esto el organismo infectante morira. Un hospedador con una inmunidad
moderada sera ms favorable para la supervivencia ya que permite la infeccin, algo
de multiplicacin y a menudo muestra pocas seales de enfermedad. Los
hospedadores con una inmunidad baja o nula (por ejemplo, individuos altamente
susceptibles) son infectados fcilmente, y el organismo puede multiplicarse
libremente, resultando a menudo en enfermedad en el hospedador infectado. Este
ltimo estado puede significar un gran peligro a otros animales debido al incremento
en el desafo a su inmunidad. El mejor plan para la supervivencia del organismo
aparentara ser el invadir a individuos altamente susceptibles y multiplicarse
libremente. De cualquier modo, si como resultado de la enfermedad es hospedador
muere y la poblacin husped es diezmada, el contactar a un nuevo hospedador

susceptible puede volverse algo difcil, y el organismo puede morir. Por esto, una
estrategia apropiada para la supervivencia a corto plazo del organismo en un
individuo no es necesariamente apropiada para la supervivencia a largo plazo en la
poblacin.
La habilidad de grupos de animales para resistir la infeccin o para minimizar la
extensin de la infeccin (por ejemplo, el nmero y/o la severidad de los casos) es
denominada inmunidad de rebao. Al igual que la inmunidad individual, la inmunidad
de rebao puede ser innata o adquirida y debe ser considerada un estado relativo ms
que absoluto. En la mayora de grupos animales la distribucin de inmunidad
individual vara de muy susceptible a muy resistente. La frecuencia de contacto entre
individuos dentro del rebao juega un rol principal en la determinacin del nivel de
inmunidad del rebao. (En los modelos comunes de rebaos, como el de Reed-Frost,
la frecuencia de contacto es referida como la probabilidad de un contacto adecuado).
Esta ltima es la probabilidad de que un individuo de la poblacin tenga contacto con
otro individuo; la naturaleza del contacto vara con la enfermedad pero sera suficiente
para transmitir la infeccin de un individuo infectado a uno susceptible. Este factor
junto con la cantidad de individuos susceptibles en el rebao juegan un papel
predominante en la determinacin del nivel de inmunidad del rebao. As como la
inmunidad individual determina cuando un organismo puede persistir en el individuo,
la inmunidad del rebao determina si un organismo puede sobrevivir en el rebao.
El nmero de animales susceptibles es influenciado generalmente por las dinmicas
poblacionales como el nmero de nacimientos, muertes, adiciones y remociones de la
poblacin, as como por exposiciones pasadas de la poblacin al agente. A grandes
rasgos, la tasa de contacto est influenciada por el manejo, alojamiento y
comportamiento de los animales. Si la tasa de contacto entre los individuos en una
poblacin es baja, o hay solamente un poco de animales susceptibles en la poblacin,
el agente infeccioso puede diseminarse fcilmente. El hecho de si la enfermedad
desarrollar o no infecciones subsecuentes est mayormente influenciado por la
inmunidad a nivel individual, an cuando los factores de poblacin pueden servir para
alterar la cantidad de exposicin y por ello cambiar la posibilidad de que ocurra
enfermedad.
Los estudios experimentales iniciales del fenmeno de inmunidad de rebao son tanto
interesantes y esclarecedores. Uno debe recordar que a principios del siglo 20, se crea
que la aparicin y desaparicin de epidemias era debido a una combinacin de
virulencias crecientes y luego decrecientes por parte del organismo as como la
inmunizacin activa de los individuos por probabilidad de exposicin a pequeas
dosis del organismo. Durante los aos 1920s y 1930s, se condujeron experimentos en
colonias de animales de laboratorio para investigar formalmente algunos de los
factores que influencian la diseminacin de agentes en las poblaciones. En general, el
formato de estos experimentos era infectar un nmero de animales de laboratorio
(usualmente ratones) y colocarlos en una colonia con otros ratones susceptibles. Los
organismos utilizados (generalmente Salmonella typhimurium o, ms recientemente,
el virus Ectromelia) produce enfermedad y/o muerte en una alta proporcin de
animales infectados, y por lo tanto la diseminacin de la infeccin a lo largo de la
colonia era monitoreada fcilmente. El nmero total de ratones en la colonia, el
nmero de ratones susceptibles en la colonia y el ndice (frecuencia) de contacto
variaron. El ndice de contacto se alter por el cambio en el tipo de alojamiento o por
una mezcla forzada de los animales en una sola jaula grande por diferentes periodos
de tiempo. Los principales resultados de estos experimentos pueden resumirse como

sigue: (1) Para cualquier ndice dado de contacto el nmero de animales enfermos o
muertos se relacionaba directamente al nmero de animales susceptibles; (2) Si el
nmero de animales susceptibles se reduca por debajo de un nivel crtico, la infeccin
ya podr fallar o volverse persistente o extinguirse; (3) A menudo, no todos los
animales susceptibles se infectan durante un brote o el brote no siempre se da, an
cuando hubiera muchos animales susceptibles en la poblacin; (4) Para cualquier
nmero dado de animales susceptibles, los brotes de enfermedad pueden controlarse o
prevenirse al dispersar a la colonia de ratones en un nmero mayor de grupos,
conteniendo cada uno slo un pequeo nmero de animales. (Esto reduce
efectivamente la frecuencia de contacto entre los miembros de la poblacin de
ratones).
Estos experimentos demostraron el papel principal que juega el nmero de animales
susceptibles y la frecuencia de contacto. Los resultados indican tambin que hay una
base gentica para la resistencia a la enfermedad, y experimentos posteriores
demostraron que en grupos heterogneos de ratones existe una interaccin entre los
factores genticos y nutricionales y la resistencia a enfermedades. Ms
especficamente, la resistencia a la infeccin era mayor en ciertas lneas genticas de
ratones bajo dietas especficas que lo predicho, basndose en el efecto general de esa
lnea gentica de ratn o en esa dieta. Recientemente se ha postulado que algo de la
susceptibilidad a enfermedades luego de la mezcla de ratones en grandes colonias o la
introduccin de nuevos ratones susceptibles a la colonia era resultado de la
disminucin de la inmunidad debido a una reaccin adrenocortical por el estrs. Por
ejemplo, se cree que las caractersticas conductuales de los animales y las
interrupciones en el orden social de su poblacin son caractersticas importantes en la
inmunidad individual y de rebao.
Los resultados de estos primeros experimentos han sido validados tambin por
numerosos estudios de casos y estudios observacionales en poblaciones humanas (por
ejemplo, la ocurrencia de sarampin y poliomielitis). Tambin probaron tambin ser
invaluables en el entendimiento de las tan llamadas epidemias aisladas y el patrn
cclico de enfermedades humanas tales como el sarampin.
Indudablemente, la inmunidad de rebao es un fenmeno importante en enfermedades
de animales silvestres, de compaa o domstico. Por ejemplo, la densidad de zorros
(nmero de zorros por hectrea) es un determinante principal de la transmisin de
rabia en Suiza y tambin en Canad. En Suiza la rabia es raramente diagnosticada en
reas donde la poblacin de zorros est por debajo de 0.3 zorros por Km2. Al mismo
tiempo, las campaas de vacunacin de zorros que alcanzan slo el 60% de su
poblacin parecen ser efectivas en detener la diseminacin de la rabia. Si esto es
verdad, puede ser que el proteger cerca de la mitad de los zorros en un rea disminuye
el nmero de zorros susceptibles por debajo la densidad crtica, previniendo as la
diseminacin continua y la perpetuacin del virus. Como otro ejemplo, la densidad de
perros parece influenciar la diseminacin de la enteritis por parvovirus. En Estocolmo,
Suecia, donde la densidad de perros era elevada, se observaban los brotes de
parvovirus, mientras que en otras reas del pas con densidades menores, la
enfermedad ocurra solo espordicamente si es que se presentaba.
Los brotes de panleucopenia felina son influenciados probablemente por la falta de
inmunidad de rebao. En este caso, grandes cantidades de gatitos nacen en la
primavera y comienzos del verano. Estos gatitos se vuelven susceptibles al perder los
anticuerpos maternales a los 3 a 4 meses de edad. Esta es tambin la poca en que los
gatitos se dispersan, tanto en las poblaciones de gatitos mascota como en la de gatitos
callejeros, y podra explicar los brotes de distemper felino a finales del verano, y
comienzos del otoo. Aun cuando no esta muy bien documentado, la falta de
inmunidad de rebao puede ayudar en explicar los hallazgos duales de incremento de
ocurrencia de enfermedades (principalmente enfermedades respiratorias) en rebaos o
jaulas conteniendo grandes cantidades de animales, y el impacto negativo de mezclar
animales de diferentes procedencias. La exposicin de estos animales a nuevos medio
ambientes y/o clima adverso probablemente reducira tambin la inmunidad de los
individuos. Es por esto que, bajo estas condiciones, los organismos que estn
presentes normalmente sin producir enfermedad pueden volverse patgenos.
FACTORES MEDIOAMBIENTALES
El medio ambiente incluye todos los componentes biticos y abiticos de un lugar,
pudiendo ser ste una jaula o corral dentro de un granero o un rea geogrfica amplia.
El conocimiento de la tasa de riesgo de enfermedad de acuerdo al lugar es un primer
paso esencial en el entendimiento de la enfermedad. En investigaciones iniciales la
cantidad de diferencias potenciales entre las reas donde la enfermedad es frecuente y
donde es infrecuente es tan amplia que slo las teoras generales pueden desarrollarse
para explicar su distribucin. Subsecuentemente, investigaciones ms detalladas de
componentes especficos del medio ambiente pueden ser declaradas. Las categoras
generales de los factores medio ambientales incluyen caractersticas de la tierra o
lugar, elementos abiticos (por ejemplo, aire, tierra, agua y clima), y caracteres
biticos incluyendo la flora y la fauna. Las causas inmediatas de enfermedad, ya sean
organismos vivos o txicos, deberan ser vistas tambin y se debera cuantificar su
importancia como causantes de enfermedad. Dependiendo de la localizacin y
naturaleza del problema, uno deber concentrarse ya sea inicialmente en las
caractersticas generales como calidad del aire o la vida de las plantas de un rea, o en
la identificacin de agentes especficos. Como una sugerencia general uno no debe
concentrar su inters en agentes especficos excluyendo el estudio de caractersticas
ms generales de la ocurrencia de la enfermedad. A menudo, el conocimiento de las
caractersticas generales provee de ayuda til para la generacin de series lgicas de
hiptesis acerca de la naturaleza y dimensin de agentes especficos.
Como un ejemplo de este alcance, consideremos a la esclerosis mltiple en humanos,
la ltima causa que an elude a los investigadores. La frecuencia de esclerosis
mltiple est directamente correlacionada con la latitud y se incrementa
dramticamente junto con la distancia desde el ecuador. Por esto, una de las mayores
constantes de los estudios epidemiolgicos actuales est concentrada en cohortes de
personas que bien entren o salgan de zonas de alto o bajo riesgo. Desde que el cambio
en el riesgo de la enfermedad en los individuos parece estar relacionado con su edad
al migrar, se supone la presencia de un agente especfico en reas de alto riesgo.
Cuando la enfermedad ocurre con mayor frecuencia en ciertas reas que en otras, se
dice que la enfermedad est agrupada (cluster). La enfermedad puede estar limitada
geogrficamente por una variedad de razones, muchas de las cuales se relacionan a
fuerzas que actan en el hospedador, el vector o el agente de la enfermedad.
Caractersticas geogrficas tales como ros. Lagos y montaas pueden servir tambin
para restringir la diseminacin de la enfermedad. Algunas veces la enfermedad est
limitada a las rutas comerciales o migratorias comunes; esto fue lo que sucedi con la
fiebre de Texas (piroplasmosis bovina). Aunque usualmente es grande, el rea
geogrfica de inters puede variar de tamao desde una jaula o corral dentro de un
establo, establo dentro de una granja, o reas a lo largo de un pas. Una publicacin
reciente provey de informacin en la distribucin de una variedad de enfermedades y
de brotes de enfermedades en pases a travs del mundo.
Histricamente, se saba que ciertos marcadores geogrficos (por ejemplo, cinagas o
pantanos) eran predictivos de un incremento en el riesgo de la enfermedad, y se
utilizaban para prevenir las enfermedades simplemente con evitar esas reas. Algunas
enfermedades como la fiebre del pantano (anemia infecciosa equina) son nombradas
por su asociacin con estas caractersticas geogrficas. Durante los aos 1800s, se
observ que la distribucin de la fiebre de Texas era similar a la de la garrapata
sospechosa de diseminar la enfermedad, esto sirvi de instrumento para apoyar un
estudio posterior sobre el papel de la garrapata. Luego se demostr que esta garrapata
era reservorio del agente y era capaz de pasar la infeccin por transmisin vertical a
una siguiente generacin de garrapatas. Recientemente, el estudio de la asociacin
entre los agentes de la enfermedad y ciertos ecosistemas o marcadores geogrficos se
ha expandido y se le conoce como epidemiologa de paisaje.
Existen varias maneras de determinar el agrupamiento espacial, muchos de los cuales
se basan en procedimientos matemticos muy justos. Para los propsitos prcticos, los
mtodos grficos simples para detectar el agrupamiento son tiles. Estos incluyen
tcnicas cartogrficas como mapas de puntos, lminas transparentes superpuestas,
mapas isodmicos y mapas de coordenadas.
MTODOS CARTOGRFICOS
Los mapas de puntos son una herramienta bsica para el estudio de los patrones
geogrficos de la enfermedad. Cada ocurrencia de la enfermedad se ingresa (plotea)
en un mapa estndar, la escala del mismo depende de la investigacin. Los mapas de
puntos pueden ser modificados para mostrar el cambio en la distribucin de la
enfermedad a travs del tiempo. Por ejemplo, se puede usar diferentes colores para
plotear la ocurrencia de la enfermedad durante diferentes periodos de tiempo, o cada
punto puede numerarse para indicar el tiempo relativo de la ocurrencia de la
enfermedad.
Algunas veces, en lugar de plotear cada caso individualmente, se puede representar el
nivel promedio de enfermedad por medio de diferentes tipos de marcas en mapas en
blanco y negro, o diferentes colores en mapas a color. Las tasas ajustadas, o ms
frecuentemente, los ndices estandarizados de morbilidad y mortalidad pueden ser
ploteados en lugar de tasas no ajustadas (usualmente se incluyen en el ajuste los
factores del hospedador que puedan afectar el nivel de enfermedad). An cuando son
muy elaborados para ser utilizados rutinariamente, los mapas tridimensionales
diseados por computadora (con la altura proporcional al nivel de enfermedad)
proveen una visin fabulosa de la distribucin geogrfica de la enfermedad. La
poblacin de zorros de Suiza se ha demostrado utilizando esta tcnica.
Las lminas transparentes superpuestas son tiles tambin
para mapear la
enfermedad. Uno puede describir la diseminacin de la enfermedad (como rabia a lo
largo del pas) ploteando la cobertura de la rabia en diferentes periodos de tiempo en
transparencias separadas; luego la diseminacin de la enfermedad puede ser

demostrada por un sobre posicionamiento consecutivo de las transparencias.
Los mapas de coordenadas no son particularmente tiles para el practicante, pero es
til cuando los mapas sean dibujados utilizando informacin en archivos de
computadora. En esta instancia, cada localizacin en particular es referenciada por
una coordenada x y especifica (un marcador de latitud y longitud). Utilizando esta
tcnica, grandes cantidades de
informacin acerca de la localizacin de casos
especficos pueden ser almacenados fcilmente en archivos de computadora, y los
mismos archivos pueden ser utilizados para crear un mapa. Los archivos son puestos
al da regularmente y los mapas pueden ser re dibujados segn se requiera.
Nuestra ingenuidad es nuestro nico limitante real para la utilidad de las tcnicas
cartogrficas. De cualquier modo, desde que la poblacin riesgo normalmente no esta
distribuida uniformemente al azar, uno debe ser cuidadoso en interpretar el
agrupamiento slo la distribucin de los casos se plotea. El mapeo isodmico es una
tcnica cartogrfica utilizada para corregir la poblacin en riesgo por distribuciones
determinadas. En los mapas ordinarios, el rea de diferentes porciones del mapa
refleja el rea fsica actual de la unidad administrativa. Por lo tanto, dos estados de
igual tamao geogrfico sern representados por reas de igual tamao en un mapa.
En el mapeo isodmico cada rea administrativa (por ejemplo, un estado) mantiene su
forma original, pero el tamao de cada rea al mapearse, corresponde a la magnitud
relativa a su poblacin en riesgo, no al tamao fsico real de tal rea.
MTODOS ANALTICOS
A menudo, un ploteo de premisas de infeccin indicara agrupamiento, sugiriendo una
diseminacin de granja a granja. De cualquier manera, en ausencia de informacin en
la distribucin de todas las granjas en el rea, tales agrupamientos son difciles de
interpretar. Una forma de calcular este agrupamiento aparente es comparar la
distancia promedio entre dos granjas infectadas cualesquiera con la distancia
promedio entre dos granjas libres seleccionadas al azar, o con la distancia ente granjas
no infectadas seleccionadas al azar y la granja infectada ms cercana. La distancia
puede ser por el camino o a vuelo de pjaro dependiendo de la situacin. Si los
automviles o camiones son sospechosos de diseminar la infeccin, debe medirse la
distancia por los caminos. (Esto no impedir que se trace el movimiento de vehculos
ya conocido y se que relacione con la distribucin de las granjas afectadas.) Si se
sospecha de diseminacin aergena, sera ms til medir la distancia con una lnea
recta. Esto ltimo puede ser obtenido utilizando un comps para medir la distancia en
un mapa ploteado con precisin y con una escala apropiada. Si la diseminacin de
granja a granja es un medio importante de transmisin, uno podra esperar que la
distancia promedio entre pares de granjas infectadas sea menor a la distancia
promedio entre una granja no infectada y la granja infectada ms cercana. Un mtodo
similar se utiliz en dos condados de Ontario, Canad en un estudio caso-control de
brucelosis. Las granjas caso eran granjas infectadas identificadas de los registros
veterinarios regulares del distrito. Los controles se obtuvieron tomando una muestra
promedio de hatos con pruebas negativas, habindose realizados estas durante el
periodo de tiempo sealado por el estudio. La distancia promedio entre las dos granjas
infectadas ms cercanas era menor a la distancia entre una granja libre y la granja
infectada ms cercana, apoyando la hiptesis de la diseminacin granja-granja. Esta
tcnica no discrimina entre lnea de baranda y diseminacin aergena, pero provee

de un indicador de cuando el agrupamiento es un artefacto debido a la distribucin de
las granjas o un fenmeno real.
INTERPRETACIN DEL AGRUPAMIENTO

Una vez que una relacin entre la enfermedad y reas geogrficas se ha
documentado, debe ser estudiada para ver si existen caractersticas de los animales en
el rea que puedan explicar la asociacin. Si no se puede encontrar una explicacin en
trminos de factores del hospedador, las siguientes observaciones proveen de
evidencia adicional de que los factores localizados en un rea geogrfica puedan ser
responsables por la asociacin: animales que dejan la zona de alto riesgo y
subsecuentemente desarrollan un menor riesgo de contraer la enfermedad, y animales
saludables que entran a la zona experimentan un riesgo incrementado de enfermedad;
la mayora de los animales del rebao o especies de importancia tienen un alto ndice
de enfermedad en el rea sospechosa, y los animales de la misma raza o especie no
tienen altos ndices de enfermedad fuera del rea sospechosa; y todos los animales de
diferente raza o especie tienen un alto ndice de enfermedad en la zona de alto riesgo.
Esta ltima observacin apoya pero no concluye, ya que slo una raza de animales
estara bajo riesgo de enfermedad. Esto puede ser debido a comportamientos
inherentes a la raza o debido al sistema de alojamiento utilizado.
ELEMENTOS ABITICOS DEL MEDIO AMBIENTE

Los elementos abiticos incluyen el aire, el suelo (roca), y el agua, adems del clima
de la zona. En pases desarrollados, la polucin qumica del aire es tambin una
preocupacin mayor desde el punto de vista de sus efectos en la salud y el medio
ambiente. Brotes de fluorosis y envenenamiento consecuente han sido registrados en
animales pastoreando alrededor de plantas elaboradoras de fertilizantes y plantas
fundidoras de plomo. Histricamente, las muertes de ganado vacuno en la exhibicin
Smithfield de ganado de engorde en Inglaterra eran indicaciones tempranas de los
efectos adversos de la polucin del aire; siendo el principal contaminante el xido de
azufre resultante de la quema de carbn. Estas muertes precedieron al primer
incremento en gran escala de mortalidad en humanos por varios aos. La muerte de
gatos causada por envenenamiento con mercurio (enfermedad de minamata) puede
haber predicho de forma similar los efectos adversos de la polucin, en este caso,
contaminacin del agua, en humanos. Otro ejemplo del efecto de contaminantes del
aire inespecficos en la salud es el hallazgo de ms enfermedades pulmonares en
perros que viven en zonas contaminadas que en perros que viven zonas relativamente
libres de contaminacin. De hecho, los animales domsticos de compaa pueden
servir de centinelas de medio ambientes peligrosos para el hombre.
En lo concerniente a la transmisin aergena, un fomite (de 1 a 2 micrones de
dimetro) puede contener organismos vivos o contaminantes qumicos. Este ncleo no
se asienta muy fcilmente, y alcanzan al pulmn al ser inspirados. Material proteico
no infeccioso puede ser transportado al pulmn de una forma similar y conllevara a
neumonas por hipersensibilidad. A pesar de la importancia potencial de la
transmisin de agentes productores de enfermedades va aergena, dos hechos deben

ser tomados en cuenta. Las turbinas nasales sirven para calentar y filtrar el aire que
entra pero aparentemente no es esencial para el animal el tener un pulmn normal.
Los cerdos que poseen una nariz moderada o severamente distorsionada como
resultado de la rinitis atrfica, aparentemente tienen slo un ligero incremento en la
presencia de neumonas que sus compaeros de corral con la nariz normal. Segundo,
la transmisin aergena de algunas infecciones del tracto respiratorio (por ejemplo,
los rinovirus humanos) sera de menor importancia que el contacto directo y la
transmisin por fomites. Esto se aplicara tambin para los ahogos en caballos y la
pasteurelosis en vacunos, como se mencion previamente. Cuando el ganado baja su
cabeza para beber, grandes cantidades de moco nasal infectado y descargas caern en
el agua. An cuando hay poca evidencia que apoye esta teora, sera una fuente
importante de infeccin para otros animales del grupo.
El tipo de suelo puede influir en la supervivencia de los agentes as como de la
disponibilidad de minerales (por ejemplo, selenio) para las plantas y por lo tanto para
los animales. Los hongos zoonticos como Histoplasma y Criptococci sobreviven
mejor en suelos con contenidos orgnicos. El bacilo del ntrax aparentemente
sobrevive mejor en suelos alrededor de valles ribereos. Suelos que contienen caliza
y dolomita son indicadores de la posible presencia de leptospiras. Se realiz un
estudio a nivel nacional de suelos en los Estados Unidos en busca de clostridios; se
muestrearon 4 sectores transversales de este a oeste con intervalos de 50 millas para
asegurar una muestra representativa a nivel nacional. El Clostridium tetani estuvo
presente en aproximadamente el 30% de las muestras sin relacin con el tipo de suelo,
mientras que el Clostridium botulinum apareci con ms frecuencia en algunos tipos
de suelos que en otros. Esto remarca el peligro potencial de los organismos que viven
en el suelo, incluyendo la potencial de los alimentos (como la miel) especialmente en
reas donde ocurre una marcada erosin del suelo debida al aire. Brotes recientes de
botulismo a gran escala en nios se concentraron en zonas secas del sud oeste de los
Estados Unidos, pero no estuvieron limitados a stas. (El autor recalca que, de
cualquier modo, la presencia de grandes hospitales infantiles puede haber influenciado
esta distribucin.)
El agua puede contener qumicos txicos as como organismos infecciosos. La
temperatura y el patrn de flujo del agua pueden tambin influenciar la concentracin
de hospedadores intermediarios o vectores de agentes infecciosos. Bajo ciertas
condiciones medio ambientales, los organismos del agua proliferaran; en el caso del
alga azul-verdosa, al morir y descomponerse sta libera potentes toxinas en el agua.
En otras circunstancias, los humanos y los animales pueden defecar y orinar en
canales de regado; de esta forma parsitos y otros microorganismos infecciosos
podran entonces contaminar los alimentos, que luego serviran como fuentes de
infeccin para otros animales y humanos.
Las precipitaciones (lluvia o nieve) limpian el aire, trayendo consigo agentes
infecciosos, partculas radioactivas y contaminantes al nivel del suelo. La
contaminacin de las pasturas y cosechas pueden ocurrir de esta forma. El dao a
largo plazo ocasionado por la lluvia cida, un tipo de contaminante distribuido por
este mecanismo, puede ser ms severo que cualquier dao a corto plazo.
El clima es un determinante importante para muchas enfermedades. Un clima adverso
puede afectar el manejo y cuidado de los animales, estresar al animal directamente, o
proveer de condiciones apropiadas para la supervivencia de microorganismos y
parsitos o sus vectores. Desafortunadamente, el explicar los efectos del clima no es

fcil. Las razones para esto incluyen: que sus componentes son a menudo
determinantes muy indirectos de enfermedades; podra tener mltiples efectos debido
a que hay una gran variedad de componentes del clima (por ejemplo, temperaturas
mnima, mxima y promedio; fluctuaciones de temperatura diurnas o da a da; lluvia,
humedad, velocidad del viento, etc.) y es difcil separar los efectos de los muchos
componentes del clima. Ms an, el macroclima general, (del cual si hay informacin
disponible) puede ser bastante diferente del microclima (por ejemplo, el clima en un
establo o a nivel del suelo). La informacin sobre los microclimas que hay entre los
muchos tipos de alojamientos no est disponible, y pocos estudios han sido
reportados. Un estudio de efectos microclimticos realizado en vacas lecheras de
California confirm los estudios de macroclimas previos sobre la asociacin entre el
clima y el nivel de salud de los terneros.
A pesar de estas dificultades, incluso una investigacin superficial sobre informacin
en la ocurrencia de enfermedades respiratorias en humanos o animales indicara el
impacto potencial del clima en la ocurrencia de enfermedad. En California, donde la
mayora de los terneros son criados a la intemperie, se demostr que el clima adverso
increment significativamente la mortalidad en terneros en pleno verano y pleno
invierno. An cuando el factor manejo aparentemente es el culpable de la mayor parte
de la variacin en las tasas de mortalidad entre granjas, el efecto del clima es an
aparente, an cuando el nivel promedio de mortalidad en una granja fuera bajo.
Muchos propietarios de ganado y veterinarios creen que el clima ejerce un efecto
significativo en la salud y productividad de sus animales. Anlisis formales tienden a
dar apoyo a esta teora, an cuando el porcentaje de enfermedad explicado por el
clima es pequeo. Ciertamente, animales criados de forma intensiva (aves, porcinos o
ganado) requiere de un control cuidadoso y manipulacin de su microclima para
permanecer saludables y productivos. El conocimiento de los requerimientos exactos
en cuanto a microclima se refiere y los beneficios de los diferentes tipos de sistemas
de alojamiento y ventilacin son insuficientes, aunque en forma parcial es debido a
falta de estudios formales en este tema.
Otro ejemplo del efecto de los factores climticos es la demostracin de la
diseminacin aergena del virus de la fiebre aftosa en Inglaterra. Los veterinarios en
muchos pases europeos creen tambin que la introduccin de sta y otras infecciones
en sus pases puede haber sido debida a transmisin aergena. Se cree que el viento es
un factor importante en la diseminacin y prolongacin de los brotes del virus de la
enfermedad de New Castlle y de la bronquitis infecciosa de las aves, de cualquier
forma, estas teoras an no han sido adecuadamente probadas.
La importancia de documentacin completa y adecuada del patrn geogrfico de
locales infectados se demuestra por el brote de 1967 de fiebre aftosa en Inglaterra. Se
podra creer generalmente que la diseminacin aergena transmitira el agente de
locales infectados a las granjas cercanas. An cuando este patrn est presente,
tambin se ha encontrado luego del brote que un fenmeno meteorolgico conocido
como ondas lee (lee waves) puede haber sido responsable de las distancias de 18 a 29
Km. de recorrido del viento entre las agrupaciones de granjas infectadas. Como el
brote no fue adecuadamente documentado, en trminos de tiempo y localizacin, no
se cuenta con informacin adecuada disponible para identificar la diseminacin de la
onda lee.
BIOCLIMATOGRAMAS
Un mtodo grfico til para investigar la relacin entre dos factores climticos y la
supervivencia de parsitos es el bioclimatograma Por ejemplo, la temperatura puede
ser ploteada en el axis vertical Y y la precipitacin en el axis horizontal X. Para cada
mes del ao la temperatura y precipitacin promedio son ingresadas como un punto.
Cada uno de esos puntos es unido por medio de una lnea empezando en enero,
conectndose con el punto de febrero, y continuando as hasta completar la lnea con
el punto de diciembre. Si los requerimientos de temperatura y humedad para la
supervivencia y/o desarrollo de un agente o sus vectores son conocidos, el
bioclimatograma puede proveer una presentacin visual de los meses en los que los
requerimientos de temperatura y precipitacin son suficientes para permitir la
sobrevivencia y/o desarrollo de un agente en particular. Como un ejemplo, la tasa de
enfermedad mensual puede ser representada directamente en el bioclimatograma (o
con la utilizacin de lminas transparentes superpuestas) para calcular visualmente si
la ocurrencia de enfermedad pudiera estar asociada con la temperatura y la
precipitacin. Este conocimiento puede ser aplicado por ejemplo, para disear
alojamientos para terneros de forma que se reduzca incidencia de neumona enzotica.
Al plotear la temperatura promedio y los requerimientos de humedad para la
supervivencia de un agente (como el micoplasma) uno puede planear sus instalaciones
de forma de que la temperatura y la humedad dentro del establo sean consistentes con
las condiciones necesarias para mantener al ternero saludable, pero inconsistente con
las condiciones necesarias para el mantenimiento del medio para la sobrevivencia de
los micoplasmas.
ELEMENTOS BITICOS: FLORA Y FAUNA

Debido a que los veterinarios se enfocan slo en algunas pocas especies de animales,
sera fcil el olvidar que una gran cantidad de enfermedades en humanos y animales
son resultado de una compleja interaccin entre las especies animales y vegetales.
Bajo condiciones naturales, la evolucin de las especies vegetales influencia
directamente el nmero y tipos de animales presentes en un ecosistema definido. Esto
es an menos cierto hoy en da en nuestros altamente manipulados sistemas de
agricultura, donde la mayora de alimentos deben ser desarrollados a cierta distancia
de la industria animal y transportados a las granjas por camin o tren.
Flora
Las plantas pueden ser causas importantes de enfermedades debido a que son la base
de la racin o dieta de la mayora de los animales. La seleccin y procesamiento de
plantas y sus productos para formar una dieta nutritiva a un mnimo costo es ahora
una industria altamente especializada y competitiva. Adems, la disponibilidad y
costos de los componentes principales de una racin (como el maz) dictarn la
expansin o reduccin de las industrias animales.
De cualquier modo, no todas las plantas son comestibles. Las intoxicaciones por
plantas (por ejemplo, toxicidad por alcaloides en las especies lupin, el tejo japons y
los gneros Crotalaria o Senecio) ocurren comnmente. Las enfermedades
carenciales son muy comunes (por ejemplo, hipomagnesemia resultante de una
alimentacin prolongada con avena o cebada; deficiencia aguda de vitamina A en

ganado de engorde resultante de pastar en pasturas inadecuadas, y pobre eficiencia
reproductiva en ganado alimentado con cantidades inadecuadas de energa, protena y
fsforo). El heno seco puede ser un mejor forraje que el ensilado de maz para el
inicio en terneros estresados debido a que el heno tiene niveles de potasio mucho ms
altos, y se cree que el requerimiento de potasio se incrementa durante los periodos de
estrs.
Las plantas pueden tambin ser asociadas como causantes indirectas de varias
enfermedades. El eczema facial en ovejas resulta del consumo de pasturas altamente
contaminadas con hongos (Pithomyces chartarum). Las ovejas se infectan tambin
con metacercarias de fasciola enquistadas en las plantas, as como con las formas
larvarias del Echinococcus granulossus. De una manera similar, el ganado vacuno
puede ingerir la forma larvaria de Dictyocaulus de pasto contaminado. La
contaminacin de heno con hongos Thermophilus puede llegar a producir neumona
intersticial en humanos y ganado vacuno (llamada Pulmn de ganadero); mientras que
otros hongos producen toxinas ( a menudo hepatotxicas) como aflatoxinas u
ocratoxinas as como sustancias estrognicas como la zearalenona. La produccin de
Dicumarol por el clavo de olor mohoso fue una de las principales fuentes de
envenenamiento en los Estados Unidos. Hoy en da, los agricultores de clavo de olor
permitiran una nueva produccin de este producto tan rentable. Como se mencion
previamente, los contaminantes pueden asentarse en pastos cultivados y ser ingeridos
en grandes dosis.
Plantas en descomposicin pueden producir enfermedades al producir gases txicos.
Algunos ejemplos incluyen la enfermedad del filtro de silo (causada por la produccin
y liberacin de xidos nitrosos en el fermento de ensilados), y los efectos de los gases
txicos tales como el metano, sulfato de hidrgeno y amoniaco liberados de las heces
en descomposicin. Los efectos crnicos de estos gases en la salud del ganado y el rol
que juegan en la predisposicin del tracto respiratorio a enfermedades infecciosas son
de gran preocupacin para la cra intensiva de animales como aves, porcinos y ganado
de carne.
Finalmente, los alimentos de origen vegetal pueden servir de vehculos para una
variedad de microorganismos y parsitos. Algunos ejemplos incluyen a Lysteria
monocytogenes en el ensilado de maz (tal vez debido a que el organismo crece bien
en el ensilado o por la concentracin de roedores en el silo), y la diseminacin de los
quistes de toxoplasma en granos, debido al hbito de los gatos de defecar en graneros
mientras de paso mantienen a la poblacin de roedores en lnea.
Fauna
Con respecto a las especies animales, y para la mayora de las enfermedades
infecciosas, cualquier grupo particular de animales puede estar en riesgo de infeccin
por otros miembros de su propia especie o por miembros de otras especies de
invertebrados. Las zoonosis proveen de una buena explicacin de lo complejo del
mecanismo por el que se combinan para asegurar la supervivencia y transmisin de
agentes infecciosos. Para propsitos de la presentacin, las zoonosis han sido
clasificadas en base a su ciclo de perpetuacin como directas, ciclo-, meta- y
saprozoonosis.
ZOONOSIS DIRECTAS. Las zoonosis directas pueden perpetuarse en una sola

especia de hospedador. Ejemplos incluyen la brucelosis bovina y la tuberculosis; la
rabia en animales silvestres, domsticos y de compaa; y la pseudorabia en porcinos.
An cuando estas enfermedades en una especie, pueden haber excepciones locales.
Antes de asegurar esto, se requiere una breve discusin de la distincin entre
reservorios y portadores. Un reservorio es la especie sin la cual el agente no puede
perpetuarse. Un portador puede transmitir el organismo silenciosamente (ya que esta
infectado subclnicamente), pero no es necesario para la perpetuacin del agente. Por
lo tanto, muchas especies son portadores. Por ejemplo, muchas especies (incluyendo
perros, gatos y ovejas) son susceptibles a la infeccin por B. abortus pero slo son
portadores, no reservorios, y no soportan la infeccin por largos perodos. La
tuberculosis bovina depende esencialmente de la familia Bovidae para sobrevivir, an
cuando se conocen reservorios potenciales locales (como los tejones y zorrillos en
Nueva Zelanda). El ganado vacuno puede estar infectado con el virus de la
pseudorabia, pero, nuevamente, ellos aparentan ser portadores a corto plazo y
usualmente desarrollan enfermedad clnica (escozor) y son hospedadores sin salida.
El mayor reservorio para la rabia vara segn la localidad; por ejemplo, los zorros lo
son en Europa, zorros y zorrillos en Canad central, y el mapache en el sur de los
Estados Unidos. Los murcilagos tanto los insectvoros como los chupadores de
sangre) aparentan ser el principal reservorio de rabia en reas como Mxico.
CICLOZOONOSIS. Las ciclozoonosis requieren de ms de una especie de
vertebrados para su supervivencia. Los ejemplos incluyen a los parsitos gnero
Taenia y equinococo. La enfermedad hidatdica, descubierta por casualidad hace
menos de 20 aos atrs en California, depende del ciclo perro-oveja para sobrevivir.
De cualquier modo en California y probablemente otros estados del oeste, la
enfermedad ahora se ha establecido sola en la vida silvestre, particularmente en el
ciclo coyote venado.
METAZOONOSIS. Las metazoonosis requieren un hospedador vertebrado y uno
invertebrado para su perpetuacin. Existe una larga lista de enfermedades en las que
estn involucrados agentes; principalmente parasticos, virales, rickettsiales y en
menor frecuencia, bacterianos. Ejemplos de enfermedades parasticas incluyen
Tripanosomiasis Africana con sus efectos devastadores en animales y humanos, y la
dirofilariosis canina en Norte Amrica. La dirofilaria se reconoce como endmica en
es sudeste de los Estados Unidos desde hace muchos aos, pero slo recientemente se
ha encontrado que es hipoendmica en el sur de Ontario, Canad. En Ontario, se
presume que los vectores sean los mosquitos y que mantengan el desarrollo de los
parsitos, an cuando no se han encontrado mosquitos locales infectados.
Las metazoonosis virales incluyen a la encefalitis equina del este y del oeste y a la
lengua azul. Las especies aviares son el reservorio de los virus de la encefalitis equina
y la transmisin de ave a ave se da por los mosquitos. Es un alivio para los humanos y
los caballos el que estos mosquitos prefieran alimentarse de aves. La lengua azul es
un problema desconcertante en la actualidad en norte Amrica debido a que el ganado
vacuno sera probablemente el reservorio funcional. De cualquier manera, el ganado
no es afectado excesivamente, y el virus se disemina por medio de insectos
mordedores como el Culicoides. Por otro lado, las ovejas desarrollan enfermedad
clnica severa.
La peste es quizs la ms interesante de las metazoonosis bacterianas. La infeccin es

endmica en muchas colonias de ardillas terrestres en el sud oeste de los Estados
Unidos. Se disemina principalmente por pulgas que prefieren a la ardilla terrestre a
otras especies. Espordicamente, perros, gatos y humanos pueden ser infestados y
picados por las pulgas, y por esto infectarse con la peste bubnica. Brotes de peste se
observan luego de una muerte masiva en colonias de ardillas.
SAPROZOONOSIS. Las saprozoonosis requieren un sitio no animal, usualmente

suelo o agua, para desarrollarse y/o sobrevivir. Muchas de las saprozoonosis micticas
no requieren un vertebrado para su perpetuacin, mientras que la mayora de las
saprozoonosis parasticas requieren de un vertebrado para por lo menos parte de su
ciclo se desarrolle. Ejemplos de saprozoonosis micticas incluyen la histoplasmosis,
coccidiomicosis, blastomicosis, cryptococosis y aspergilosis. Las saprozoonosis
incluyen a las coccidiosis, larva migrante visceral, ancilostomiasis y ascariasis. An
cuando se presentan aqu para completar la clasificacin de las zoonosis, la
sobrevivencia y multiplicacin de los agentes de las saprozoonosis a menudo depende
en gran medida en la estructura y composicin del suelo.
Infecciones entre especies

A pesar de la importancia de las zoonosis, el mayor problema que afronta el
veterinario de prctica privada es la amenaza y diseminacin de la infeccin entre
miembros de una especie animal. Estas enfermedades (algunas de las cuales son
zoonosis) reducen grandemente la eficiencia productiva de los animales domsticos y
amenazan la salud de los animales de compaa. Ejemplos incluyen a la fiebre aftosa,
la brucelosis y la mastitis en vacunos, neumona por corinebacterium e infertilidad en
caballos, distemper, parvovirus, tos de la perrera y neumonitis en animales de
y
Mycoplasma en porcinos; y
compaa, neumona por Haemophilus
laringotraquetis infecciosa y enfermedad de New castlle en aves.
An cuando todas las enfermedades mencionadas tienen un agente como causa, otros
componentes importantes de la enfermedad son el alojamiento, manejo (incluyendo la
cuarentena) y alimentacin. Los siguientes captulos proveern de informacin y
mtodos tiles para identificar agentes causales y prevenir y controlar enfermedades
Agentes de Enfermedades
La mayora de las enfermedades tienen agentes especficos identificados como una de
sus causas. En realidad, muchas enfermedades se llaman segn su agente causal. En
otros casos, los organismos son nombrados de acuerdo a los signos del sndrome que
producen. Esta relacin de agentes y enfermedades ha tenido mucha utilidad en lo que
a prevencin y control de enfermedades se refiere, de cualquier modo, esto demuestra
tambin algunas de las predisposiciones que se tuvieron en la nomenclatura y
conceptualizacin del rol de los agentes especficos en el proceso de enfermedad. Por
ejemplo, el meningococo reside normalmente en la faringe y el tracto respiratorio
superior junto con organismos llamados neumococos, y ninguno produce enfermedad
a este nivel. Los nombres de estos organismos reflejan la localizacin anatmica de
las enfermedades que causan. Las condiciones bajo las cuales los meningococos
infectan el sistema nervioso an no se comprenden; talvez el origen de esta
enfermedad humana es similar a la enfermedad del sistema nervioso producida por H.
somnus en vacunos, un residente aparentemente normal del tracto respiratorio y otras
superficies mucosas. En neumococo normalmente entra y es removido de los

pulmones, pero la enfermedad clnica resulta en humanos con resistencia reducida.
Las propiedades de los agentes vivos (incluyendo el tamao, estructura y
metabolismo) y las propiedades de los agentes no vivos (como tamao, y composicin
qumica) son importantes para entender las enfermedades especficas; de cualquier
modo, estos son materia para otras disciplinas, particularmente microbiologa,
parasitologa y toxicologa. Lo que el epidemilogo requiere a menudo es una idea de
cuando un especfico tipo de agente est presente, donde y la concentracin del
mismo. Obviamente la sensibilidad y especificidad de los procedimientos utilizados
son de inters, as como los mtodos de muestreo, incluyendo puntos como la forma
de coleccin de las muestras o que animales fueron seleccionados para obtener
muestras. A menudo, lo que se conoce como diseminacin intermitente debera
llamarse diseminacin continua, por que debido a la naturaleza del procedimiento
de muestreo se espera que slo espordicamente uno encuentre al agente. Otro
ejemplo de esto ocurre con la diseccin de vectores en busca de parsitos (mosquitos
larvas de dirofilaria) o el cultivo de vectores en busca de la enfermedad. La
probabilidad de encontrar el agente en un insecto es extremadamente baja, por lo
tanto, se examinan pools de insectos. Procedimientos matemticos se han desarrollado
para proveer de ayuda al decidir el nmero ptimo de insectos por pool, as como para
la interpretacin y extrapolacin de os resultados.
Hasta el momento, no se han aplicado muchos mtodos satisfactorios para identificar
la presencia y concentracin de agentes en poblaciones. Recientemente, un programa
de monitoreo se empleo para identificar la presencia de bacterias selectas en granjas
lecheras. El programa se baso en muestras de heces de hasta dos terneros menores a
dos semanas de edad al momento de la visita. La sensibilidad de este procedimiento
para identificar locales infectados es desconocida (probablemente bajo); de cualquier
modo, basndonos en este procedimiento, cerca del 22%, 41% y 13% de las granjas se
cree que estn infectadas con Salmonella, E. coli y Campilobacter respectivamente.
La asociacin entre la presencia de estos agentes infecciosos y la ocurrencia de
enfermedad es desconocida hasta el momento, de cualquier modo, la mayora de los
terneros positivos al cultivo estaban normales al momento del muestreo. Este tipo de
trabajos junto con monitoreos epidemiolgicos serolgicos multifsicos (celulares)
necesitan ser expandidos para establecer adecuadamente la historia natural de estos
agentes y sus enfermedades. Desafortunadamente, estas actividades estn fuera de
moda para la mayora de microbilogos e inmunlogos, las tecnologas lderes en
estas disciplinas se han dirigido ms hacia actividades reduccionsticas dirigidas a las
bases biolgicas incluyendo la tecnologa del DNA recombinante.
Las fuentes comunes del agente deben ser identificadas en lo posible, nuevamente, es
til ordenar a las fuentes en orden de frecuencia (importancia) en lugar de hacer un
listado de todas las fuentes posibles y/o medios de transmisin. Es tambin importante
para los epidemiolgicos el investigar diferentes mtodos de transmisin. La
posibilidad de contaminacin por platos de agua o por alimentos como fuentes de
contaminacin para enfermedades respiratorias requiere de mayor estudio.
Recientemente, se ha demostrado que los rinovirus humanos se diseminan ms por
contacto directo y/o por vehculos que por aerosoles.
Es importante entender los requerimientos de los agentes para su supervivencia o
persistencia. Para los agentes inertes, esto podra incluir puntos como el si esta
concentrado en la cadena alimenticia, en que forma es mas estable el qumico y si es
afectado por el secado o por la luz del sol. Para los agentes infecciosos, es importante
el conocer sus condiciones optimas para la sobrevivencia (incluyendo si sobreviven
fuera del tejido vivo), que vehculos proveen de proteccin para el organismo y su
resistencia al desecado, a la luz solar y a los agentes antimicrobianos, incluyendo
desinfectantes.
Finalmente, debido a la naturaleza dinmica de los agentes infecciosos y a la falta de
conocimiento acerca de sus distribuciones, es importante revisar tanto animales sanos
como enfermos utilizando las mismas tcnicas diagnsticas. Debido a la mayora
abrumadora de organismos ubicuos, se debe dar poca importancia al hallazgo de un
organismo especfico en el tejido de los animales. Con respecto a las investigaciones
acerca de la relacin entre el agente y la enfermedad, la pregunta es usualmente no si
un organismo puede causar una enfermedad, sino que evidencias existen de que este
organismo en particular es una causa importante de enfermedad bajo condiciones
naturales. Adems, el identificar las circunstancias bajo las cuales el agente puede
producir enfermedad puede ser de ms ayuda en trminos de prevencin y control de
la enfermedad que actuar directamente contra el organismo.
Factores Temporales
As como la ocurrencia de la enfermedad esta relacionada al hospedador y a su
medio, hay cambios en la frecuencia de muchas enfermedades con el tiempo. Los
patrones temporales de enfermedad deben ser elucidados claramente y se deben
buscar explicaciones detalladas para ellos utilizando estudios formales. En esta
seccin se presentan varios mtodos grficos utilizados para identificar el patrn de
los cambios temporales en la enfermedad. El conocimiento de los patrones temporales
puede proveer de un nuevo enfoque a los factores que afectan el balance entre el
hospedador y el agente. Por ejemplo, en brotes de enfermedad, el patrn de cambio
(particularmente su manera abrupta) puede necesitar un mtodo de investigacin
ptimo para el brote.
Patrones Temporales Generales.

Al plotear el numero de casos de la tasa de enfermedad versus el tiempo, debe
utilizarse la escala de tiempo ms corta y prctica. Si la enfermedad se da de forma
infrecuente y sin un patrn discernible, se clasifica como espordica. Si la ocurrencia
de la enfermedad tiene un patrn predecible, se clasifica como endmica. Las
fluctuaciones cclicas o estacionales de la ocurrencia de la enfermedad no evitan el
uso correcto del trmino endmico, mientras los cambios sean predecibles (que
ocurren con regularidad). La frecuencia promedio de enfermedades endmicas puede
ser baja (hipoendmica), moderada (mesoendemica) o alta (hiperendmica). Si el
nivel de ocurrencia de la enfermedad es significativamente ms alto de lo usual (ms
de dos desviaciones estndar por encima del promedio) y el incremento no es
predecible, el patrn de enfermedad se clasifica como epidemia. Si la epidemia se
presenta a lo largo de varios pases se llamara Pandemia.
Los tres patrones de ocurrencia de la enfermedad (espordica, endmica y epidmica)
proveen de informacin til acerca del equilibrio entre el hospedador y el agente. Los
patrones espordicos sugieren que el agente pueda que infecte con poca frecuencia al
hospedador, o que el agente se encuentra presente normalmente y que la presentacin
de la enfermedad clnica depende de los efectos de otros factores. La mastitis clnica
en vacas lecheras y meningoencefalitis tromboemblica infecciosa en vacunos son

enfermedades que ocurren espordicamente. Los agentes infecciosos de estas
enfermedades estn presentes con frecuencia, pero la enfermedad clnica no lo est y
no es predecible. Algunas evidencias indican que la meningoencefalitis tiende a estar
relacionada con brotes de enfermedades respiratorias, y el estres y los cambios
fisiolgicos resultantes de esta ltima permitiran que el Haemofilus entre al sistema
circulatorio, produciendo luego una lesin en el sistema nervioso central. Se
argumentar decir que un gran porcentaje de las enfermedades infecciosas vistas por
los veterinarios son espordicas por naturaleza y probablemente resulten de un
desbalance en el equilibrio hospedador agente que favorezca al agente, ocasionado
por factores desconocidos, en lugar de depender de las propiedades intrnsecas del
agente en s.
Las enfermedades endmicas son resultado de un balance predecible, probablemente a
largo plazo entre el agente y el hospedador. A menor nivel de enfermedad (grado de
endemicidad), mejor seria el balance entre el hospedador y el agente. El balance es
bastante dinmico, y tanto el nivel como la estabilidad del balance pueden estar
influenciados por factores medioambientales as como por factores del hospedador. La
mastitis sub clnica es mesoendmica en las vacas lecheras de Norte Amrica y la
mortalidad de sus terneros es mesoendmica en las granjas lecheras de California. El
incremento en las enfermedades (principalmente respiratorias) que se ven luego del
establecimiento de un hato de ganado de engorde deben llamarse tambin endmicas
debido a su predictibilidad. El nivel de endemicidad es ciertamente menor pero
aparentemente el manejo es un determinante principal. An cuando es casi siempre
fatal para los zorros individuales, la rabia es endmica en la poblacin de zorros
Canadienses y se incrementa su ocurrencia, bastante predecible, en el otoo de cada
ao cuando los zorros dejan sus hogares y buscan nuevos territorios.
Los patrones de epidemia sugieren un desbalance grosero con ventaja para el agente.
Este desbalance es comn cuando una nueva cepa de organismos se produce por
ejemplo por mutacin, o durante la exposicin inicial del hospedador al organismo.
Comnmente, no hay una explicacin adecuada de la pandemia del parvovirus canino.
Todos los patrones antes mencionados con el tiempo se relacionan a lmites
geogrficos explcitos. Las enfermedades (como la fiebre aftosa) que debieran ser
endmicas en ciertas reas del mundo, pueden producir epidemias en otras reas, an
cuando el numero de casos en la zona de la epidemia sea de lejos muchos menor que
la del rea designada como endmica. Un principio epidemiolgico general dice que a
lo largo del tiempo, la relacin entre el hospedador y los agentes cambia de la forma
parastica (que favorece al agente) a un estado de comensalismo (no favoreciendo a
ninguno). Por lo tanto, dado un periodo de tiempo y un medio ambiente estable, el
patrn de enfermedad cambia de epidmico a endmico y finalmente a espordico. En
el estado natural los hospedadores ms resistentes tienen una probabilidad mayor de
supervivencia. Desde un punto de vista ecolgico, la produccin de enfermedad o
muerte raramente favorece la perpetuacin del agente; por esto la seleccin natural
favorece a menos organismos patgenos. La rabia y la peste son excepciones notables
a esta regla. An en un corto plazo existe usualmente una correlacin positiva entre el
nivel de infeccin, enfermedad y muerte, esto no sera verdad por un perodo largo de
tiempo. En lugar de eso, el nmero de casos o muertes relativas al nmero de
animales infectados declina con el paso del tiempo. Bajo condiciones de laboratorio es
posible el seleccionar agentes por alta virulencia mediante pasajes repetidos del
agente, usualmente en las mismas especies. Esto no contradice el principio previo, y
es principalmente debido a seleccin no natural- si el proceso previo se llama

seleccin natural- de los individuos ms enfermos para cultivo y pasajes sucesivos del
agente aislado. Bajo estas condiciones artificiales restringidas, las cepas ms
virulentas de organismos tienen una seleccin marcada y una ventaja en la
supervivencia.
La historia de los esfuerzos para el control biolgico desarrollados en el conejo
europeo, Oryctolagus cuniculi, en Australia proveen de una excelente oportunidad
para examinar la evolucin de una relacin hospedador -parsito. El conejo fue
introducido en la parte sur de Australia por Tomas Austin en 1859. En los siguientes
aos, debido a la falta de predadores naturales, avanz a una proporcin de
aproximadamente 70 millas por ao a lo largo de grandes porciones del pas. Para
1887 la poblacin de conejos se haba multiplicado tan bien que el gobierno ofreci
una recompensa por un mtodo que los extermine.
An cuando previamente se haba observado que la mixomatosis era letal para los
Oryctolagus, el primero en sugerir el uso de este virus como un mtodo biolgico de
control fue un investigador Brasileo llamado Aragao. Estos experimentos fueron
realizados para determinar cuando es que el virus sera peligroso para otros animales
australianos. Se concluy que no lo era, y el mixoma fue introducido deliberadamente
en la poblacin de conejos en 1950. En 10 meses, los conejos infectndose
encontraron en un rea de aproximadamente 500,000 millas cuadradas. Para el tercer
ao siguiente a la liberacin del virus se estim que la poblacin original de conejos
de aproximadamente 500 millones se haba reducido en un 80 90%. De cualquier
modo, luego de varios aos de la liberacin inicial, el virus que se aislaba del suelo
era menos virulento (la tasa de fatalidad de los casos disminuy de un 99% a un 90%
aproximadamente), y el tiempo entre la infeccin y la muerte se increment. Los
cambios en la resistencia del conejo son ms lentos de desarrollar pero se
evidenciaron para 1957. Para esta poca, la poblacin de conejos en algunas
localidades se expuso a 5 epidemias sucesivas, cada una de ellas con una tasa de
fatalidad de por lo menos 90%. Utilizando el virus que mat aproximadamente al 90%
de los conejos seleccionados de reas no expuestas anteriormente, la tasa de fatalidad
de casos en esta poblacin ya expuestos repetidamente sera menor al 50%. Este grado
de proteccin no es debido a inmunidad adquirida por exposicin previa, ya que la
gran mayora de estos conejos no han sido expuestos nunca al virus aunque sus
ancestros si lo estuvieron. El cambio en la resistencia fue innato y heredable un
ejemplo de seleccin natural de una forma muy intensa de mutacin gentica. Para
1965 se estim que la poblacin de conejos y el virus hallan evolucionado a un estado
con la poblacin de conejos en alrededor de un 20% de su nmero antes de la llegada
de la mixomatosis.
Tcnicas Grficas
Los patrones temporales de morbilidad yo mortalidad deben ser investigados y
presentados mediante tcnicas grficas adecuadas. Inicialmente, uno poda plotear el
nmero de eventos de inters, o preferiblemente, la tasa (incidencia, prevalencia o
mortalidad) versus es tiempo. Los patrones pueden ser obvios a ese punto. Por
acuerdo general, tendencias seculares tienden a describir cambios por muchos aos o
dcadas; los cambios cclicos son los que se dan con una periodicidad de 2 a 5 aos,
los cambios estacionales tienen una periodicidad de 1 ao o menos.
A menudo la variacin promedio en la ocurrencia de enfermedades puede ocultar los

patrones temporales. Una tcnica conocida como promedio en movimiento es til para
eliminar las fluctuaciones indeseadas y permitir una identificacin visual de cualquier
patrn subyacente. Los promedios mviles de 3 a 5 meses son tiles para investigar
los patrones estacionales; los promedios mviles de 15 a 25 meses para patrones
cclicos; y los promedios mviles de 37 meses para tendencias a largo plazo
(seculares). Para plotear un promedio mvil de 3 meses, las tasas para Enero, Febrero
y Marzo son promediadas e ingresadas versus Febrero, el punto medio del tiempo
para el promedio. Luego, las tasas de febrero marzo y abril son promediadas e
ingresadas (ploteadas) versus marzo. Se contina as hasta que toda la informacin se
ha incluido. Obviamente, se requieren muchos aos de informacin para identificar
adecuadamente patrones cclicos o seculares.
Al interpretar cambios seculares, uno debe mirar a las tendencias marcadas o a los
cambios abruptos, y a menudo se encontrarn explicaciones tiles (hiptesis).
Cuando se intentan explicar estos cambios, es importante calcular cuando otros
factores (como diferencias en la precisin del diagnstico, la integridad de los
reportes, cambios en la duracin de enfermedades, diferencias en las caractersticas
del hospedador) podran explicar el patrn de enfermedad. Se pueden encontrar
indicaciones de que la tendencia es real identificando diferentes tendencias en
diferentes razas, o en diferentes enfermedades de igual dificultad diagnstica.
Adems, si una enfermedad no es fatal, su prevalencia entre animales a la necropsia
y/o en mataderos durante un periodo de tiempo puede utilizarse para calcular cambios
a largo plazo. Los cambios graduales en la ocurrencia de la enfermedad son difciles
de interpretar y raramente aportan explicaciones tiles para el cambio debido a la gran
cantidad de diferencias (particularmente en el medioambiente) que pueden haber
ocurrido durante ese tiempo.
Al identificarse los cambios cclicos, una explicacin aparente sera que la inmunidad
del rebao es la responsable del patrn. Esto involucrara a las alteraciones en el
porcentaje de inmunidad (debido a la falta de contacto, o al nacimiento de animales
susceptibles) posiblemente debido a variaciones en el tamao de la poblacin.
Las variaciones estacionales en la ocurrencia de la enfermedad pueden tener muchas
causas diferentes, variando desde efectos directos del clima en el agente o el
hospedador, hasta efectos indirectos del clima debido a cambios en la flora y fauna, o
a cambios en el manejo y alojamiento de los animales en relacin al clima. Las
enfermedades en las cuales animales silvestres con hbitos estacionales sirven de
reservorios o portadores y aquellos transmitidos por insectos vectores tienden a tener
patrones estacionales. Es tambin posible que los incrementos dramticos anuales en
la poblacin susceptible el conllevar a patrones estacionales de la enfermedad. Esto
podra explicar la ocurrencia estacional de la panleucopenia felina. De cualquier
modo, usualmente ms de una cohorte de nacimientos es requerida para incrementar
el nmero de susceptibles al punto de que un brote de enfermedad podra ocurrir. Esto
explicara la periodicidad de 2 5 aos para los cambios cclicos.
Ocurrencia de la Enfermedad en el Tiempo Absoluto

En este intento para describir el patrn temporal de ocurrencia de enfermedad, el
tiempo de ocurrencia de la enfermedad es presentado en relacin a uno o ms eventos
de inters; ignorndose la fecha calendario de la ocurrencia, ya que no es importante
en este contexto. La figura siguiente es un ejemplo de este intento, en la cual la tasa

de tratamientos en los grupos de terneros es graficada con respecto al tiempo luego de
la llegada en un lote de animales. El da de la llegada sera el da 0, el da siguiente el
da 1 y as sucesivamente. Se puede notar la forma de la curva epidmica y el tiempo
luego de la llegada cuando la tasa de tratamiento es alta. El da en que la proporcin
acumulada de tratamientos alcance el 50% se llama da de mediana y puede ser usado
para demarcar el punto medio del brote.
Como otro ejemplo, el parto en varias especies aparentara conllevar directa o
indirectamente
a varias enfermedades; por esto, las enfermedades se agrupan
temporalmente cerca al parto. Ejemplos obvios incluyen a la fiebre de la leche
(hipocalcemia post parto) y retencin de placenta, un agrupamiento menos obvio
existe para la mastitis clnica y el desplazamiento de abomaso. Recientemente, se
determin el tiempo promedio para la ocurrencia post parto de varias enfermedades y
provey de evidencia indirecta sobre el agrupamiento (clustering) para algunas de
ellas (Tabla 3). Se ha sugerido la utilizacin de enfoques ms formales como los que
siguen para validar estas observaciones y e identificar si la ocurrencia de otras
enfermedades (como pederas) estn temporalmente asociadas con el parto. Si estn
asociadas temporalmente, se abren nuevos caminos de estudio para elucidar la
patognesis de los sndromes.
Porcentaje de tratados por enfermedades respiratorias
4.1. Prevalencia de animales tratados en hatos del condado Bruce segn dias luego de la llegada.
6,5
6,0
5,5
% en Grupos Mezclados
% en Grupos No Mezclados
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0
10
12
14
16
18
20
22
24
26
28
30
Das luego de la llegada
Un enfoque simple hacia una evaluacin formal al agrupamiento en tiempo se da

cuando slo hay un agente causal sospechoso (por ejemplo el parto) que parece que
vale la pena investigar. Inicialmente, se calcula la variabilidad entre las fechas de
presentacin de la enfermedad (el desvo estndar del perodo entre el da de
presentacin de la enfermedad y el da mediana del brote). Esto es comparado luego
con la variabilidad (desviacin estndar) del periodo entre la exposicin al factor
sospechoso y la ocurrencia de la enfermedad.
Un reporte reciente estim que el 70% de todos los casos de enteritis por parvovirus
en perros vacunados ocurrieron durante las dos semanas posteriores a la vacunacin.
Esta agrupacin de casos en el tiempo sugerira una agrupacin temporal entre el
esquema de vacunacin y la enfermedad clnica. Se puede hacer una investigacin
formal de esta hiptesis calculando la variacin de las fechas de presentacin de la
enteritis por parvovirus relativa a la fecha de vacunacin, y comparando esta con la
variacin del tiempo entre la fecha de vacunacin y la fecha de presentacin de la
enteritis en otros perros en las mismas reas. Si esta ltima era mayor que la primera,
esto apoyara la hiptesis. Dos explicaciones posibles para este agrupamiento serian
que los animales estuvieron incubando la infeccin al momento de la vacunacin, o
que contrajeron la infeccin al ir a la clnica veterinaria por su vacuna. (El lector debe
considerar como calcular retrospectivamente cada uno de estos factores como
explicaciones de este agrupamiento temporal). Debe notarse que la vacunacin puede
desencadenar la enfermedad clnica en algunos individuos vacunados, mientras que al
mismo tiempo es efectiva para prevenir la enfermedad. Por esto, este enfoque no
ilumina el valor potencial general de la vacuna.
Este enfoque puede extenderse para identificar la causa mas aparente de un brote
cuando todos los animales son expuestos a (los) presuntos efecto (s) causal (es). (Esta
ltima situacin evita la comparacin de grupos expuestos y no expuestos para
identificar la razn ms aparente del brote). La variabilidad del periodo entre la
exposicin a la causa verdadera de la enfermedad y la presentacin subsiguiente de la
misma debe ser menor que la variabilidad del periodo entre la presentacin de la
enfermedad y la exposicin a un factor no causal de la enfermedad. Como un paso
inicial, se calcula el tiempo entre la exposicin a cada factor presunto y la ocurrencia
de enfermedad en cada individuo. (Si las unidades de muestreo estn constituidas por
grupos de animales, se toma en cuenta el tiempo medio del brote y se calcula el
tiempo entre el da medio y la exposicin al presunto agente). Luego, se determinan el
periodo de tiempo promedio y la desviacin estndar del periodo entre la ocurrencia
de la enfermedad y la exposicin a cada factor sospechoso. Si los periodos promedio
son aproximadamente de la misma duracin, el factor que tiene la desviacin estndar
menor (o varianza) es la causa o fuente ms aparente del problema. Si los promedios
difieren mucho, debe utilizarse el coeficiente de variacin (la desviacin estndar
dividida entre el promedio) para realizar la inferencia.
Tabla 3. Cantidad y tasas de Incidencia al primer diagnstico de enfermedades
seleccionadas en ganado vacuno lechero en intervalos de 7 das, hasta los 56 das
posparto (2711 lactaciones)
Das
Desplazamiento
Mastitis
Post Parto
07
de Abomaso
15b (0.6)c
Cetosis
77 (2.8)
Severa
30 (1.1 )
8 14
8 (0.3)
44 (1.7)
3 (0.1)
15 21
2 (0.1)
39 (1.5)
1 (0.0)
22 28
1 (0.1)
13 (0.5)
3 (0.1)
29 35
2 (0.1)
10 (0.4)
1 (0.0)
36 42
0 (0.0)
5 (0.2)
1 (0.0)
43 49
0 (0.0)
3 (0.1)
1 (0.0)
50 56
0 (0.0)
3 (0.1)
2 (0.1)
37% de todos los problemas de patas se diagnosticaron dentro de 60 das luego
del parto.
b
Nmero de casos incidentes de la enfermedad diagnosticados durante el periodo de
tiempo.
c
Tasa de incidencia (%).
Interrelaciones Tiempo y Edad

Como mencionamos al principio, los patrones de enfermedad segn edad pueden
ayudar a generar hiptesis que expliquen la ocurrencia de enfermedades. De cualquier
forma, se requiere de cuidado al interpretar estos patrones.
La existencia u ocurrencia de un evento (por ejemplo, enfermedad, muerte o
beneficio) puede afectarse por la edad en si, y/o por factores que actan
temporalmente cerca a la ocurrencia del evento (el ambiente actual), y/o por factores
que existieron en un tiempo anterior a la ocurrencia del evento (el ambiente pasado).
Por ejemplo, la produccin actual de leche de vacas lecheras se relaciona a la
probabilidad de ser beneficiadas y puede estar influenciada por la edad actual, por
factores medioambientales actuales (como la presencia o ausencia de mastitis en el
hato) y factores ambientales pasados (como si las vacas tuvieron o no neumona de
terneras). El problema es el identificar cual de estos factores juega un rol importante
en el nivel de la produccin y por lo tanto del beneficio.
El mtodo usual de examinar patrones de edad (tales como los del beneficio) relaciona
implcitamente la ocurrencia de un evento a un periodo de tiempo actual; eso es, que
las tasas reflejen el actual patrn de ocurrencia por edad. ste mtodo para calcular las
tasas se hace llamar peridico, seccional o actual; prefiriendo ste ltimo. Las tasas
actuales para un periodo de tiempo especificadas tienen el siguiente formato general
que es similar al utilizado para la mayora de las tasas:
Numero de animales de edad X con el evento durante el periodo de tiempo
actual
Numero promedio de animales de edad X en riesgo durante el periodo de
tiempo actual
La frmula puede ser modificada dependiendo de lo que se estudiando (prevalencia o
incidencia, mortalidad, beneficio). Cuando se interpreta las tasas actuales, se asume
que el evento de inters es influenciado por el medio ambiente actual; de cualquier
modo, los efectos de la edad no pueden separarse de los efectos del medio ambiente
actual, y estos efectos del medio anterior deben ser ignorados.
Si el patrn de edad de la ocurrencia de la enfermedad pudiera ser influenciado por
experiencias ambientales pasadas (incluyendo la historia del animal con respecto a la
ocurrencia previa de la enfermedad) otro enfoque conocido como anlisis de cohortes
es muy til. El anlisis de cohortes describe la tasa del evento de inters en una
cohorte definida por una serie de intervalos de tiempo. El anlisis de cohortes utiliza
tasas calculadas como tasas de riesgo y tienen el siguiente formato general para cada
periodo de tiempo:
Nmero de animales de edad X con el evento de inters
Nmero de animales de edad X inicialmente en riesgo en la cohorte
Nuevamente, esta frmula debe ser modificada dependiendo de que sea lo que se va a
medir. Todos los animales en el numerador son un subgrupo de la cohorte inicial de
animales. Las cohortes se definen usualmente en base a la fecha de nacimiento (mes o
ao), fecha de ingreso al rebao, o en base a la experiencia de un hecho de inters
como el parto.
Para separar los efectos de la edad de los factores ambientales actuales, los resultados
de por lo menos 3 estudios realizados en diferentes periodos calendarios deben estar
disponibles. Los efectos de la edad estn presentes cuando el patrn de enfermedad
vara por la edad, sin tener relacin con la cohorte; los efectos de la cohorte estn
presentes cuando los patrones de enfermedad varan segn la cohorte, sin tener
relacin con la edad. Los efectos actuales estn presentes cuando el patrn de
enfermedad vara con el tiempo calendario sin guardar relacin con la edad o la
cohorte.
Un ejemplo de este enfoque (utilizando informacin ficticia describiendo tasas de
beneficio o saca actuales en vacas lecheras, basndose en una serie de estudios
anuales) se ofrece en la tabla 4. Considerando la informacin relativa a 1973; vea el
incremento general en la tasa de beneficio (saca) con la edad, y el pico en las vacas de
2 a 3 aos de edad. Una interpretacin del incremento en el riesgo de saca con la edad
debe ser que las vacas se gastan con la edad. El pico en las vacas de 2 a 3 aos
puede explicarse como un efecto de la edad (es ms probable que las vacas sean
sacrificadas en su primera lactacin) o que los factores medioambientales existentes
en 1973 ejercieran un efecto daino mayor en las vacas de 2 a 3 aos que en las de
otras edades. No es posible el discriminar entre estas posibilidades sin informacin
adicional.
Suponiendo que en 1978, otro estudio peridico sobre beneficio se realiz en la
misma poblacin. Nuevamente, observen el incremento general en la tasa de saca con
la edad, y el pico de riesgo en vacas de 7 a 8 aos. Como interpreta uno este pico? Es
un efecto de la edad o es debido a factores medioambientales actuales que
particularmente van en contra de la supervivencia de vacas de 7 a 8 aos? La
respuesta no es obvia.
Desde que el ambiente pasado de las vacas pueda influenciar la probabilidad actual de
beneficio, es deseable examinar las tasas basndose en el enfoque de cohortes. Como
en este ejemplo, las cohortes usualmente se definen y las tasas se calculan de forma
retrospectiva, a partir de la informacin disponible.
Tabla 4. Tasas Hipotticas de saca en ganado lechero, por edad y ao calendario

AO DEL ESTUDIO
Edad 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979
0<1
.05
.10
.05
.10
.05
.05
.05
.05
.05
.05
1<2
.10
.10
.05
.05
.10
.10
.10
.10
.10
.10
2<3
.15
.15
.20
.10
.15
.15
.15
.15
.15
.15
3<4
.20
.20
.15
.30
.40
.20
.20
.20
.20
.20
4<5
.25
.25
.25
.20
.25
.50
.25
.25
.25
.25
5<6
.30
.30
.30
.25
.30
.30
.60
.30
.30
.30
6<7
.35
.35
.35
.30
.35
.35
.35
.70
.35
.35
7<8
.40
.40
.40
.35
.40
.40
.40
.40
.80
.40
8<9
.45
.45
.45
.45
.45
.45
.45
.45
.45
.90
9<10
.50
.50
.50
.50
.50
.50
.50
.50
.50
.50
Las tasas de saca de cada cohorte de nacimientos se muestran en la Tabla 5. Note el

incremento general en el riesgo de beneficio con la edad, similar al que se observa en
los estudios actuales. Note adems que la cohorte nacida en 1971 tiene el doble del
riesgo de saca que las otras cohortes. Ahora, preparado con los resultados de ambos
enfoques, es ms fcil interpretar con lgica los efectos de la edad y del
medioambiente actual y pasado en el beneficio. Desde que el riesgo de saca se
incrementa con la edad en el enfoque de cohortes, parece lgico aceptar esto como
una asociacin biolgica subyacente. Adems, desde que el incremento del riesgo de
saca en la cohorte nacida en1971 explica los picos de los estudios de 1973 y 1978,
parece razonable que ciertos factores activos en esta cohorte de terneros (talvez un
brote de enfermedad entrica o respiratoria con dao tisular permanente) expliquen
los picos de saca. (El patrn de enfermedad es consistente en esta cohorte sin tener
relacin con la edad). Desde que ningn otro patrn ha sido detectado en las tasas de
las cohortes, uno puede concluir que el medio actual tiene poco efecto sobre la saca.
Usualmente, los patrones de enfermedad no son tan claros como aquellos ofrecidos en
este ejemplo funcional; de cualquier modo, los veterinarios deben tener en cuenta que
el valor potencial del enfoque de cohortes. La tabla 6 contiene los resultados de cuatro
estudios actuales, realizados a intervalos anuales, para determinar la tasa de reactores
al virus de la leucemia bovina (BLV) en un hato lechero. Fjese que la proporcin de
la prevalencia disminuye con el tiempo de 23% en 1977 a 11.8% en 1980. (Esta figura
es suficiente para indicar que tanto los anlisis actuales como los de cohortes pueden
y deben ser utilizados. Si no existe ninguna tendencia secular en la frecuencia del
evento de inters con el tiempo, el patrn de edad ser el mismo para ambos enfoques,
el actual y la cohorte, como en el ejemplo previo de saca). Las tasas de reactores
tambin parecen incrementarse con la edad, excepto en 1977, en donde se ve la falta
de un patrn obvio. Asumiendo que estos cambios reflejen el efecto del medio actual
y la edad, los cambios seran consistentes con la diseminacin horizontal de una
infeccin endmica. Esto es, que mientras ms viejos se vuelven los animales, mayor
probabilidad tendrn de haber entrado en contacto con el agente infeccioso endmico
y de que tengan anticuerpos al BLV. Una explicacin para la disminucin de la
prevalencia con el tiempo no sera obvia.
Tabla 5. Tasas Hipotticas de saca de ganado lechero por edad y cohorte de nacimiento
AO DE NACIMIENTO
Edad
1970
1971
1972
1978
1979
0<1
.05 1970
.10
1971
.05
1972
.05
1978
.05 1979
1<2
.10
1971
.20
1972
.10
1973
.10
2<3
.15
1972
.30
1973
.15
1974
......
.....
3<4
.20
1973
.40
1974
.20
1975
......
.....
4<5
.25
1974
.50
1975
.25
1976
........
....
5<6
.30
1975
.60
1976
.30
1977
.......
.......
6<7
.35
1976
.70
1977
.35
1978
......
.....
7<8
.40
1977
.80
1978
.40
1979
......
....
8<9
.45
1978
.90
1979
......
.....
9<10
.50
1979
.......
..........
.......
1979
......
....
.....
Tabla 6. Prevalencia para anticuerpos contra BLV en un hato de pura raza Holstein, por
edad y ao calendario
Edad (meses)
< 24
1977
No.
%
09 / 53 17.0
24 35
24 / 94
25.5
16 / 65
16.9
3 / 92
3.3
6 / 128
4.7
36 47
9 / 31
29.0
19 / 79
24.1
9 / 57
15.8
5 / 76
6.6
48 59
13 / 55
23.6
5 / 20
25.0
18 / 72
25.0
6 / 34
17.6
6 / 32
18.8
13 / 56 23.2
14 / 59
23.7
23 / 73
31.5
61 / 265
23.0
50 / 267 18.7
46 / 365
12.6
40 / 340
11.8
> 60
1978
No.
%
02 / 47 4.3
1979
No.
%
02 / 85
2.4
1980
No.
%
0 / 29
0.0
Numerador = nmero positivo; denominador = nmero probado.

La tabla 7 refleja la misma informacin utilizando un formato de cohortes. Fjese que
solo hay un ligero incremento en la prevalencia, de acuerdo a la edad, en cada
cohorte. (Las cohortes son de nacimiento, pero debido al mtodo de muestreo cierta
informacin no esta disponible; algunas cohortes fueron formadas 4 aos antes del
muestreo). Fjese adems que la proporcin de la prevalencia disminuye en las
cohortes ms recientes. Todas juntas, los resultados de los anlisis actuales y de
cohortes implican un gran efecto cohorte, un pequeo incremento en la prevalencia
con la edad, y ningn efecto en el ambiente actual. (Recuerda a las condiciones
descritas anteriormente para edad, cohorte y efectos actuales). Aparentemente hay una
diseminacin mnima de la infeccin entre las cohortes en este hato. Una pregunta
interesante sera el por que cada cohorte sucesiva deba tener un menor prevalencia de
reactores que la anterior (en ausencia de un programa de control); an cuando no hay
una explicacin obvia para ello, el efecto de la cohorte es todo menos real.
Esta informacin no intenta ser la ltima palabra en el virus de la leucosis bovina

(BLV) en ganado lechero. Mucha gente cree (principalmente basndose en estados
actuales) que la prevalencia se incrementa con la edad como resultado de la
transmisin horizontal del virus. Un estudio analtico reciente de una cohorte
retrospectiva investig el(los) tiempo(s) en que la diseminacin horizontal del BLV
pareciera mayor; la informacin de este estudio indic que haba un aumento en la
prevalencia de anticuerpos contra BLV con la edad (por ejemplo, un verdadero efecto
de edad).
DONDE SE HACE UN INTERLUDIO PRESENTANDO

UN REFRESCAMIENTO DE CONCEPTOS BSICOS
PARA COMPLICARLO LUEGO CON
PROCEDIMIENTOS MODERNOS DE ANLISIS
NECESARIOS PARA PODER ENTENDER MEJOR LOS
METODOS DE ANLISIS EPIDEMIOLOGICOS
LO NECESARIO DE MATRICES, VECTORES Y LGEBRA
MATRICIAL PARA QUE EL ALUMNO ACUCIOSO SE
DEFIENDA
La teora de un nmero de procedimientos estadsticos requiere, para su mejor
entendimiento, el manejo de algunos conceptos elementales de matrices y de lgebra
matricial. Por esta razn es importante, sino esencial, tener un conocimiento mnimo
de sta rea de las matemticas. La separata y la clase asociada a ella tienen como
objeto el cumplir con esta necesidad. A pesar que la notacin empleada en matrices es
un tanto amedrentadora los principios fundamentales son fciles de entender en tanto
los detalles y los porqus se acepten de buena fe.
Una matriz de tamao m x n es un arreglo de nmeros en m filas y n columnas que se
consideran como una entidad nica de la forma:
a11
a
21
.
A =
.
.
a m1
a12
a 22
.
.
.
am2
. . . a1n
. . . a 2 n
. . . a mn
Si es que m = n entonces se trata de una matriz cuadrada. Si una matriz tiene una sola
columna, por ejemplo:
c1
c2

.
c= .

.
c m

En este caso, se le llama vector columna. Si hay slo una fila, por ejemplo:
r = (r1 , r2 ,..., rn )
se le llama vector fila.
La transpuesta de una matriz se halla intercambiando filas por columnas. Por ejemplo,
la transpuesta de la matriz A sera:
a11
a
12
.
'
A =
.
.
a1n
a 21
a 22
.
.
.
a2n
. . . a m1
. . . a m 2
. . . a mn
Igualmente, c ' = (c1 , c 2 ,..., c m ) es un vector de fila y r ' es un vector de columna.

Ciertos tipos de matrices son particularmente importantes. Todos los elementos en
una matriz cero:
0 0 . . . 0
0 0 . . . 0
. .
0=
. .
. .
0 0 . . . 0
Una matriz diagonal es una matriz cuadrada en la que todos los elementos son cero,
excepto a lo largo de la diagonal principal, de manera que tenemos:
t1 0
0 t
2
0 0
T = . .
. .
. .
0 0
0
0 . . . 0
t3 . . . 0
0
tn
0 . . .
Una matriz simtrica es una matriz cuadrada que no cambia cuando se transpone, de
manera que si A tiene esta propiedad si es que A ' = A . Finalmente una matriz de
identidad es una matriz diagonal en la que los elementos de la diagonal principal son
iguales a 1:
1
0
0
T = .
.
.
0 0 . . . 0
1 0 . . . 0
0 1 . . . 0
0 0
1
Dos matrices son iguales slo si todos los elementos son los mismos. Por ejemplo:
a11
a
21
a31
a12
a 22
a31
a13 b11
a 23 = b21
a33 b31
b12
b22
b31
b13
b23
b33
slo si a11 = b11 ; a12 = b12 ; a13 = b13 ; . . .; a33 = b33 .
La traza de una matriz es la suma de los trminos diagonales. Consecuentemente, la

traza de ( A) = a11 + a 22 + . . . + a nn para una matriz n x m. La traza slo se define para
matrices cuadradas.
OPERACIONES CON MATRICES

Los procesos aritmticos de adicin, substraccin, multiplicacin y divisin tienen su
contraparte con matrices. En el caso de la adicin y substraccin es cuestin de
trabajar elemento por elemento. Por ejemplo, si A y D son dos matrices 3 x 2,
entonces:
a11
A + D = a 21
a31
a12 d11
a 22 + d 21
a32 d 31
d12 a11 + d11

d 22 = a 21 + d 21
d 32 a31 + d 31
a12 + d12
a 22 + d 22
a32 + d 32
a11
A D = a 21
a31
a12 d11
a 22 d 21
a32 d 31
d12 a11 d11

d 22 = a 21 d 21
d 32 a31 d 31
a12 d12
a 22 d 22
a32 d 32
Mientras tanto
Obviamente, estas dos operaciones se pueden efectuar slo en matrices del mismo
tamao.
En lgebra matricial, un nmero cualquiera, por ejemplo 20, es llamado escalar. La

multiplicacin de una matriz A por un escalar k se define multiplicando cada elemento
de A por k:
ka11
kA = ka 21
ka31
ka12
ka 22
ka32
La multiplicacin de dos matrices es un poco ms complicada. Para comenzar, A B

slo se define si el nmero de columnas de A es igual al nmero de filas de B. Si este
es el caso, por ejemplo, si A es de tamao m x n y B de tamao n x p, entonces:
a11
a
21
.
A B =
.
.
a m1
a12
a 22
.
.
.
am2
a1 j b j1
a 2 j b j1
.
=
.
.
a b
mj j1
Donde
. . . a1n b11
. . . a 21 b21
.
.

.
a mn bn1
a
a
b j2
2 jb j2
.
.
.
amj b j 2
1j
. . .
. . .
. . . b1 p
. . . b2 p
bnp
b12
b22
.
.
.
bn 2
a
a
b jp
2 j b jp
a mj b jp
1j
indica la suma para todos los j = 1, 2, . . ., n . Entonces el elemento en la
iava fila y la kava columna de A B es:
a b
ij
jk
= ai1b1k + ai 2 b2 k + . . . + ain bnk
Slo si A y B son matrices cuadradas se pueden definir, ambas, A B y B A . Sin

embargo, an cuando este sea el caso y se puedan definir, A B y B A no son
siempre iguales. Por ejemplo:
2 1 1 1 2 1
1 1 0 1 = 1 2
Mientras
1 1 2 1 3 0
0 1 1 1 = 1 1
Inversin de matrices
La inversin de matrices es anloga al proceso matemtico de divisin. Por lo tanto,
para un escalar k est demostrado que k x k 1 = 1 . De una manera similar, si A es una
matriz cuadrada, entonces su inversa es A 1 , donde A x A 1 = I , donde I es la matriz
de identidad. La inversin slo se define para matrices cuadradas. Sin embargo, no
todas las matrices cuadradas tienen una matriz inversa. Cuando A 1 existe, se puede
invertir a la derecha y a la izquierda, de manera que A x A 1 = A 1 x A = I
Un ejemplo de matriz inversa es:

2 1
1 2
2 3 1 3
=
1 3 2 3
Esto se puede verificar:
2 1 2 3 1 3 1 0
1 2 1 3 2 3 = 0 1
De hecho, si la inversa de una matriz 2 x 2 existe, se puede calcular fcilmente, pues

esta dada por:
a11
a
21
a 22
a 22
a a12
= 22
,
a 21 a11
Donde = a11 a 22 a12 a 21 . Aqu la cantidad escalar es llamada la determinante de

la matriz. Obviamente, la inversa no est definida si = 0 , desde que los elementos
de la inversa requieren la divisin por cero. Para matrices 3 x 3 o mayores, el clculo
de la inversa es tedioso y se realiza mejor con una computadora.
Cualquier matriz cuadrada tiene un valor de determinante que se puede calcular
empleando una generalizacin de la ecuacin empleada para las variables 2 x 2. Si la
determinante de la matriz es cero, entonces la inversa de la matriz no existe y
viceversa. A una matriz cuyo determinante es cero se le describe como singular.
Tambin hay matrices cuya inversa es igual a la transpuesta. A estas matrices se les
conoce como ortogonales, por lo tanto, A ser ortogonal si A 1 = A ' .
FORMAS CUADRTICAS
Sea A una matriz n x m y x un vector de columna tamao n. Entonces, la expresin:
Q = x ' Ax
es llamada una forma cuadrtica. Es un escalar y se puede expresar empleando la

ecuacin alternativa:
n
Q = xi aij x j
i =1 j =1
donde xi es el elemento en la iava fila de x y aij es el elemento en la iava fila y la java

columna de A.
DONDE SE EXPLICA COMO USAR REGRESIONES PARA

HACER OTROS ANLISIS ESTADISTICOS
Un recordaris de ANOVA
En este acpite vamos a estudiar los mtodos de anlisis de datos en los que el
outcome es continuo y la variable determinante es categrica. El procedimiento que se
emplea en estos casos es el anlisis de varianza (ANOVA). Los siguientes datos son
los tiempos de supervivencia de 64 pacientes con cncer a diferentes rganos:
Bronquios
81
461
20
450
246
166
63
64
155
859
151
166
37
223
138
72
245
Estmago
124
42
25
45
412
51
1112
46
103
876
146
340
396
Colon
248
377
189
1843
180
537
519
455
406
365
942
776
372
163
101
20
283
Ovarios
1234
89
201
356
2970
456
Seno
1235
24
1581
1166
40
727
3808
791
1804
3460
719
El problema en este caso es averiguar si es que los tiempos de supervivencia son

iguales o diferentes dependiendo del rgano de origen del cncer. En este caso el
anlisis de varianza responde a la pregunta de si alguno de los subgrupos
determinados por la variable independiente es diferente o no a los otros. Por tanto, la
hiptesis nula en este caso sera que todos los grupos son iguales. Esta hiptesis se
puede comprobar calculando el estadstico F y comparndolo con la distribucin
correspondiente para ver la probabilidad P de que la variacin observada se deba al
azar. Suponiendo que hay n j observaciones en la muestra j, denotados por
y ij para i = 1,2,..., n j , el estadstico F se define por:
F=
(S
S1 ) ( c 1)
S1 ( n c )
Donde
c
nj
nj
S 0 = y ij y , S1 = y ij y j
j =1 i=1
j =1 i=1
Y tambin
yj =
1
nj
nj
y
i=1
nj
ij , y = y ij , n = n j
j =1 i=1
j =1
Note que S 0 es la suma de cuadrados de los datos luego de sustraerles el promedio

general, mientras que S1 es la suma de cuadrados de los residuales obtenidos al restar
el promedio de cada muestra. Si los promedios poblacionales son iguales, el

numerados y el denominador del estadstico F son estimados independientes del
cuadrado del desvo estndar (asumiendo que las de cada poblacin sean las mismas)
y el valor de p es el rea bajo la distribucin F con c-1 y n-c grados de libertad. Para
los estimados de supervivencia de los pacientes con cncer estas frmulas dieron S 0
= 37983904 y S1 = 26448146, de manera que:
F=
( 37983904 26448146) ( 5 1)
26448146 64 5
= 6.43
Lo que da un valor de P = 0.0002 con 4 y 59 grados de libertad, indicando que las sub
poblaciones son diferentes. Sin embargo, esta conclusin es vlida si es que los
desvos estndar son los mismos, algo que tal vez no suceda en este caso. Por tanto
hay que realizar una transformacin para poder trabajar los datos, en este caso,
trabajar con el logaritmo en base dos de los datos. La razn por la que insisto en el
logaritmo en base dos tiene algn fundamento prctico, relativo a la interpretacin de
los datos. En tanto se trabaje con logaritmos en base 2 la interpretacin se hace
sencilla porque cada unidad corresponde al doble del tiempo de supervivencia.
Repitiendo el anlisis de varianza vamos a tener entonces que S 0 = 226.36 y S1 =
175.40 y F = 4.29, lo que da un P = 0.004, confirmando que los tiempos de
supervivencia son diferentes.
Ojo, la prueba de F requiere otra Asumcin, que es que los datos (en este caso los
datos transformados) deben seguir una distribucin normal. Lo que toca entonces, es
hacer una prueba de K-S de una muestra para demostrar si es o no normal.
Anlisis de varianza de dos vas

En realidad, la prueba de Anova es una extensin del mtodo de comparar dos medias
empleando el test de t de Student. Del mismo modo, se puede extender el test de t de
Student pareado para analizar datos pareados con ms de dos observaciones. Esto no
es sino el anlisis de varianza de dos vas. Los siguientes datos muestran las
evaluaciones que cinco jueces dieron 0 a 40 nadadores en un evento de nado
sincronizado:
Juez
Partici 1
pante
Juez
Partici 1
pante
33.1 32.0
31.2
31.2
31.4
21
27.3 28.1
28.4
27.5
26.4
26.2 29.2
28.4
27.3
25.3
22
29.5 28.1
27.3
28.4
26.4
31.2 30.1
30.1
31.2
29.2
23
28.4 29.5
28.4
28.6
27.5
27.0 27.9
27.3
24.7
28.1
24
31.2 29.5
29.2
31.2
27.3
28.4 25.3
25.6
26.7
26.2
25
30.1 31.2
28.1
31.2
29.2
28.1 28.1
28.1
32.0
28.4
26
31.2 31.2
31.2
31.2
30.3
27.0 28.1
28.1
28.1
27.0
27
26.2 28.1
26.2
25.9
26.2
25.1 27.3
26.2
27.5
27.3
28
27.3 27.3
27.0
28.1
28.1
31.2 29.2
31.2
32.0
30.1
29
29.2 26.4
27.3
27.3
27.3
10
30.1 30.1
28.1
28.6
30.1
30
29.5 27.3
29.2
28.4
28.1
11
29.0 28.1
29.2
29.0
27.0
31
28.1 27.3
29.2
28.1
29.2
12
27.0 27.0
27.3
26.4
25.3
32
31.2 31.2
31.2
31.2
28.4
13
31.2 33.1
31.2
30.3
29.2
33
28.1 27.3
27.3
28.4
28.4
14
32.3 31.2
32.3
31.2
31.2
34
24.0 28.1
26.4
25.1
25.3
15
29.5 28.4
30.3
30.3
28.4
35
27.0 29.0
27.3
26.4
28.1
16
29.2 29.2
29.2
30.9
28.1
36
27.5 27.5
24.5
25.6
25.3
17
32.3 31.2
29.2
29.5
31.2
37
27.3 29.5
26.2
27.5
28.1
18
27.3 30.1
29.2
29.2
29.2
38
31.2 30.1
27.3
30.1
29.2
19
26.4 27.3
27.3
28.1
26.4
39
27.0 27.5
27.3
27.0
27.3
20
27.3 26.7
26.4
26.4
26.4
40
31.2 29.5
30.1
28.4
28.4
Ahora bien, es lgico suponer que haya diferencias entre las puntuaciones de los
jueces. Hay jueces que califican ms o menos, eso es a veces, esperado. Sin embargo,
es difcil ver que sucede cuando el efecto individual perturba un poco el anlisis. En
este caso, el anova da un valor para la suma de cuadrados de los datos corregidos S 0 =
704.2 y un valor de S1 = 685.23 para los residuales, de manera que el estadstico F es:
F=
( 704.32 685.23) ( 4)
685.23 195
= 136
.
Por tanto, el valor de probabilidad asociada sera P = 0.25, sugiriendo que la hiptesis
nula que los jueces califican igual no puede ser rechazada. En realidad, el anlisis de
varianza falla al no tomar en cuenta que los datos vienen de 40 individuos que tienen
cinco observaciones repetidas de la misma variable. En contraste, el anova de dos vas
toma en cuenta que es son datos pareados, remueve el efecto en comn de cada
subgrupo y luego los compara. Como los sets de datos (los 40 participantes) se listan
en 40 filas, el procedimiento involucra restar el efecto de las filas.
Para ver como funciona el Anova, note que el promedio general de los puntajes es
28.53. El promedio de puntajes para el primer participante esta dado por (33.1 + 32.0
+ 31.2 + 31.4)/5 = 31.78, que es 3.25 unidades sobre el promedio general. Del mismo
modo, el segundo competidor tiene un promedio de (26.2 + 29.2 + 28.4 + 27.3 +
25.3)/5 = 27.28 y esto es 1.25 unidades menos que el promedio general. Si se contina
de esta manera se puede computar el efecto relativo de los 40 competidores. Estos
efectos son positivos y negativos e indican la performance relativa de cada
competidor.
Ahora bien, para comparar los jueces ajustando por los efectos de las diferencias
individuales entre los competidores se deben de restar de los datos en cada una de las
filas de la tabla de puntuacin. Entonces queda una tabla ms o menos como sigue:
Participante
1
2
3
4
...
Ajuste
3.25
-1.25
1.83
-1.53
...
1
29.28
27.45
29.37
28.53
...
2
28.75
30.45
28.27
29.43
...
3
27.95
29.65
28.27
28.83
...
4
27.95
28.55
29.37
26.23
...
5
28.15
26.55
27.37
29.63
...
Al tomar en cuenta las diferencias entre los competidores, los jueces pueden ser
comparados aplicando el mtodo de anova a los valores ajustados. Sin embargo, este
mtodo no da el valor correcto de p, debido a que el Anova requiere que las muestras
sean independientes una de otra. Si la matriz de datos tiene r filas y no hay valores
perdidos (dando n = r * c ) el valor correcto de P se basa en el estadstico F definido
como:
(S
F=
S12
S 12 ) ( c 1)
( n c r + 1)
Donde
c
S 2 = y ij y i , S12 = y ij y i y j + y
j =1 i=1
j =1 i=1
Y tambin
yi =
1 c
1 r
1 c r
y ij , y j = y ij , y = y ij
c j=1
r i=1
rc j=1 i=1
Hay que notar que S 2 es la suma de cuadrados de los datos luego de ajustar por el
efecto filas y S1 es la suma de cuadrados luego de ajustar por el efecto columnas y S12
es la suma de cuadrados luego de ajustar por filas y columnas. Para el caso del nado
sincronizado, el valor de F es 4.54, dando un valor P = 0.0017, de manera que la
hiptesis nula no se puede sostener. Para calcular el error estndar en cada caso, se
aplica la siguiente frmula:
s=
S12
n c r +1
Las asunciones bsicas para el anlisis de varianza de dos vas son 1) que las
desviaciones estndar sean las mismas, 2) que los datos se distribuyan normalmente.
La prueba de anova de dos vas incorpora estas asunciones.
DONDE SE PRESENTA UN REPASO DE LO QUE ES Y EL

PROCEDIMIENTO IMPLICADO EN LA REGRESIN SIMPLE Y LA
CORRELACION
Al analizar dos variables de tipo cuantitativo, lo primero que buscamos es verificar si
entre ellas existe una relacin directa o inversa. Esto es, si a medida que una aumenta,
la otra aumenta o disminuye. Este tipo de relacin en realidad no representa sino un
concepto general con el cual todos estamos familiarizados. Vale decir, averiguar si
estn asociadas y si es as, la direccin de la asociacin. Obviamente, a la inspeccin
uno puede tener ms o menos una idea de que sucede y de lo que trata esta clase es de
darle cierto contexto formal a un ejercicio de razonamiento innato a nuestra
naturaleza.
En este caso, se emplean las pruebas de correlacin y regresin. Empecemos
aclarando que, como es el caso de otros procedimientos, antes de aplicar las pruebas
hay que asegurarnos de cumplir con las asunciones en las que se basa la aplicabilidad
del procedimiento, esto es, son variables de tipo cuantitativo continuo y siguen la
distribucin normal. Si no fuera el caso, tenemos que recurrir a pruebas no
paramtricas como las de correlacin de Spearman o Tau de Kendall C. La regresin
depender un poco de si transformamos los datos o empleamos algn modelo
estadstico diferente.
En general, este procedimiento considera una variable independiente y otra
dependiente y decimos varia con relacin a a la hora de hacer el anlisis,
independientemente si entendemos bien o no. La idea es que una vara con relacin a
la otra y es as como gran parte de las frmulas disponibles lo analizan. En esta
separata vamos a ofrecer tambin una frmula para ver como vara la variable
independiente con relacin a la dependiente. Bueno, al hacer el anlisis de si una vara
con relacin a la otra, buscando relaciones directas o inversas, calculamos el
coeficiente de correlacin. Este coeficiente va de 1 a 1, indicando la fuerza y la
direccin de la asociacin. A mayor valor absoluto, mayor relacin, el signo indica
direccin de la asociacin, si es positivo, la relacin es directa, si es negativo, la
relacin es inversa.
La regresin es un mtodo estadstico que se usa para estudiar la relacin entre una
variable dependiente y una o ms variables independientes es un poco buscar el
detalle de la relacin entre variables. Se emplea con dos fines en general, para
prediccin y anlisis causal. De lo que se trata es de determinar la frmula matemtica
que explica, y tal vez, predice los datos. Es un poco buscar, a partir de los datos
encontrados, la frmula matemtica terica con la que se hubieran obtenido. Este
proceso puede ser bien complicado si la frmula es compleja, pero es relativamente
sencillo si la relacin es lineal, pues se basa en la frmula de la recta, que como
sabemos es:
y = a + bx
En este caso, la variable dependiente y vara a medida que vara la variable

independiente x. Entonces, es cosa de ajustar los datos a una frmula terica.
Obviamente, hay un clculo posterior, que tanto los valores observados caen dentro
del modelo terico, pero esa, es otra historia.
Frmulas
Correlacin:
r=
( X )( Y )
( X ) ][ N Y ( Y ) ]
N XY
[N X
Regresin cuando Y depende de X
( Y )( X ) ( X )( XY )
a=
N X ( X )
N XY ( X )( Y )
b=
N X ( X )
2
Problemas escogidos:
Se desea conocer la relacin entre la produccin total de carne de cerdo y de embutido
producidas por una integracin porcina (medidas en toneladas mtricas). Diga usted si
la produccin total de carne se relaciona a la produccin de embutido, desarrolle una
frmula que explique y prediga esta relacin y diga si esta relacin es significativa o
no desde el punto de vista estadstico.
Ao
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
Produccin de Carne ()
40
44
46
48
52
58
60
68
74
80
Produccin de Embutido ()
6
10
12
14
16
18
22
24
26
32
Se desea saber si la altura a la cruz de las vicuas se relaciona con la altura de sus
madres. Se registr la altura de 10 pares de vicuas madre-cra, presentados en la
siguiente tabla. Diga usted si la altura de las vicuas se relaciona con la de la madre.
Par
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Altura a la cruz de la Madre

80
90
84
87
91
79
86
92
87
79
56
75
92
95
82
Altura a la cruz de la cra

75
91
78
76
85
74
74
89
69
81
61
76
95
89
79
Se sabe que, tericamente, la progesterona se acumula en las grasas y se desea

conocer si es que la grasa dorsal podra relacionarse y/o predecir el nivel de
progesterona al parto. Comente sobre esta relacin despus de analizar los siguientes
datos preliminares.
Nmero de cerda
1
2
3
4
5
6
7
8
9
10
11
12
Grasa dorsal (pulgadas)

29.29
22.39
30.57
23.59
24.04
25.76
30.63
30.45
22.65
45.64
30.18
23.07
Progesterona
28.42
24.95
37.05
26.34
27.69
27.93
39.88
28.60
25.37
40.61
28.45
25.89
Diga usted si existe alguna relacin entre la cantidad de grasa y la produccin lctea
de una muestra de las vacas del establo analizando los siguientes datos:
Nmero de vaca
1
2
3
4
5
6
7
8
9
10
11
12
Produccin Lctea
13.08
8.47
9.65
10.98
8.28
8.03
7.89
8.11
13.64
15.57
7.78
12.71
Porcentaje de grasa
2.18
2.82
2.67
2.42
3.36
3.93
5.61
3.87
2.09
2.05
6.21
2.23
DE CMO SE EFECTUA EL ANLISIS DE REGRESIN

EMPLEANDO EL MODELO LINEAL DE TRES VARIABLES
(MLTIPLE)
La regresin mltiple se usa para probar hiptesis y hacer predicciones acerca de la
relacin entre una variable dependiente Y y dos o ms variables independientes Xs. El
modelo de regresin para tres variables se puede escribir como:
Yi = b0 + b1 X 1i + b2 X 2i + u i
Una asumcin adicional a la regresin simple es que no hay una relacin lineal exacta
entre las variables independientes Xs.
El parmetro de mnimos cuadrados ordinario (OLS) se puede obtener minimizando la
suma de los residuales al cuadrado:
2
i
= Yi Yi
) = (Y b
2
b1 X 1i b2 X 2i
Esto deriva en las siguientes tres ecuaciones normales:
1i i
2i i
= nb0 + b1 X 1i + b2 X 2i
Y = b0 X 1i + b1 X 12i + b2 X 1i X 2i
Y = b0 X 2i + b1 X 1i X 2i + b2 X 22i
que al expresarse en la forma de desviacin se pueden resolver simultneamente para

b1 y b2 dando:
( x y )( x ) ( x y )( x x )
( x )( x ) ( x x )
b1 =
2
2
2
1
1 2
2
2
1 2
( x y )( x ) ( x y )( x x )
( x )( x ) ( x x )
b2 =
2
1
2
1
2
2
1 2
1 2
Por lo tanto:
b0 = Y b1 X 1 b2 X 2
Ejemplo ilustrativo
Dado una produccin de mazorcas de maz por hectrea y las variables independientes
fertilizantes e insecticidas calcule la regresin.
Ao
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
Y
40
44
46
48
52
58
60
68
74
80
X1
6
10
12
14
16
18
22
24
26
32
X2
4
4
5
7
9
12
14
20
21
24
Entonces:
b1 =
b2 =
( x y )( x ) ( x y )( x x ) (956)(504) (900)(524)
=
0.65
(576)(504) (524)
( x )( x ) ( x x )
2
2
2
1
1 2
2
2
1 2
( x y )( x ) ( x y )( x x ) (900)(576) (956)(524)
=
1.11
(576)(504) (524)
( x )( x ) ( x x )
2
1
2
1
2
2
1 2
1 2
b0 = Y b1 X 1 b2 X 2 = 57 (0.65)(18) (1.11)(12 ) 31.98
COMO SE PRUEBA LA SIGNIFICANCIA DE LOS PARMETROS

CUANDO SE HACEN LOS CALCULOS A MANO
Para verificar la significancia estadstica de los estimados de los parmetros de una
regresin, se necesita estimar las varianzas primero, empleando las frmulas:
Varb1 = u2
Varb2 = u2
2
2
x x ( x x )
x
x x ( x x )
2
1
2
2
1 2
2
1
2
1
2
2
1 2
Como u2 es desconocido, la varianza residual s 2 se usa como un estimado no

sesgado de u2 :
s = u2 =
2
2
i
nk
Donde k es el nmero de parmetros estimados.

Estimados no sesgados de la varianza de b0 y b1 estn por tanto dados por
s b2 =
1
e
2
u
2
2
x x ( x x )
x
x x ( x x )
nd
s =
2
b2
2
i
2
1
2
2
1 2
2
1
2
1
2
2
Para el clculo del valor de t se aplica la frmula:

ti =
bi
sb
1 2
DONDE SE DISCUTE COMO FACILITARNOS LA VIDA EMPLEANDO

COMPUTADORAS PARA HACER EL TRABAJO TEDIOSO DE LA
REGRESIN LINEAL
Como hemos visto, salvo la diferencia de perder el tiempo hacindolo a mano, esta
prueba se emplea cuando se quiere estudiar las relaciones entre dos variables
cuantitativas continuas. Ahora bien, a la regresin tambin se le conoce como
regresin lineal mltiple de mnimos cuadrados ordinarios. La razn del nombre viene
a cuenta del algoritmo empleado para su clculo, que se llama mnimos cuadrados.
Tambin hay otros nombres para la variable dependientes, por ejemplo, variables de
salida (outcome) o de respuesta. A las variables independientes se les conoce como
variables predictoras, explicatorias, de regresin o covariantes.
Un principio cientfico generales que cuando no se conoce la forma verdadera de la
relacin entre variables independientes y una dependiente, hay que empezar
asumiendo que la relacin es simple. En realidad, la relacin bien podra ser no lineal
y eso estara de acuerdo con la vida real, pero an si la conociramos, no hay tampoco
razn para pensar que la ecuacin lineal no sera de ninguna ayuda. En este sentido, lo
primero que se hace, antes que nada, es un grfico de puntos (scattergram).
La regresin es muy popular en el anlisis de datos en ciencia debido a dos cosas,
primero, para estudios de prediccin, porque la regresin mltiple hace posible
combinar un nmero de variables para producir predicciones ptimas de la variable
independiente. Para el anlisis causal, la regresin separa los efectos de la variable
independiente en la variable dependiente de manera que se pueda examinar la
contribucin de cada variable a la variacin. Para los ejemplos vistos anteriormente y
en lo aprendido en las clases de biometra se supone que slo funciona con variables
cuantitativas continuas, lo que dificulta un poco las cosas porque hay un buen nmero
de variables que no tienen tal condicin. De hecho, vamos a encontrarnos con una
gran mayora de variables de tipo cuantitativo discreto.
Para describir la tcnica tomemos los siguientes datos sobre grosor de huevo de
pelcano y concentracin ambiental de de PCP:
PCP
452
139
166
175
260
204
138
316
396
46
218
173
220
147
216
216
206
Huevo
0.14
0.21
0.23
0.24
0.26
0.28
0.29
0.29
0.30
0.31
0.34
0.36
0.37
0.39
0.42
0.46
0.49
PCP
184
177
146
296
188
89
198
122
250
256
261
132
212
171
164
199
Huevo
0.19
0.22
0.23
0.25
0.26
0.28
0.29
0.30
0.30
0.31
0.34
0.36
0.37
0.40
0.42
0.46
PCP
115
214
177
205
208
320
191
305
230
204
143
175
119
216
185
236
Huevo
0.20
0.22
0.23
0.25
0.26
0.28
0.29
0.30
0.30
0.32
0.35
0.36
0.39
0.41
0.42
0.47
PCP
315
356
289
324
109
265
193
203
214
150
229
236
144
232
87
237
Huevo
0.20
0.22
0.23
0.26
0.27
0.29
0.29
0.30
0.30
0.34
0.35
0.37
0.39
0.41
0.44
0.49
En este caso, lo que vamos a hacer es fijar una recta con los datos de manera de
calcular la frmula de los datos de manera que fijen:
y = a + bx
Donde a es el intercepto y b es la pendiente o coeficiente de correlacin. Al fijar la

frmula nosotros terminaremos con:
Grosor de huevo = 0.375 -0.00028PCP
El error estndar del coeficiente de regresin es 0.00013, dando intervalos de
confianza del 95% de (-0.00054, -0.00002). Toda esta informacin aparece en el
output de los programas estadsticos junto con el valor de P. En general, nosotros
esperamos la siguiente tabla al trabajar una regresin en la mayora de los paquetes
estadsticos disponibles:
Linear regression analysis
Response: Thickness (mm)
Column
0
1
df:63
Name
Constant
PCP
Coeff
0.37494
-0.00028
Rsq:0.06391
StErr
p-value
0.02990
0.00000
0.00013
0.04217
s: 0.07848
SS
6.50329
0.02649
RSS: 0.38802
De aqu tambin se nota que el valor de P para PCP es igual a 0.04217, menor a 0.05.
Por tanto, se puede rechazar la hiptesis nula de que el PCP no afecta el grosor de la
cscara de huevo de los pelcanos.
El anlisis de regresin requiere que se cumpla con las siguientes asunciones: 1) Que
la asociacin sea lineal; 2) que la variabilidad de los errores (en la variable outcome),
sea uniforme; 3) que los errores se distribuyan normalmente. Se puede comprobar las
asunciones examinando los residuales. Los residuales pueden ser graficados contra los
valores predichos dados por el modelo lineal. La Asumcin de normalidad se puede
evaluar haciendo K-S de una muestra.
Ejemplo de ANOVA por Regresin

En un buen nmero de aplicacin de anlisis de regresin, la ecuacin lineal tiene ms
de una variable independiente. Para efectos de prediccin por ejemplo, se pueden
tener mejores predicciones si se basan en ms de una sola pieza de informacin. Para
el caso del anlisis causal, se podr examinar el efecto de una variable mientras se
controla para el resto de variables. Para explicar un poco este procedimiento, vamos a
emplear algunos datos sobre el contenido de plata en monedas acuadas en 4
diferentes momentos (monedas bizantinas halladas en Chipre).
Muestra
I
5.9
6.8
6.4
7.0
6.6
7.7
7.2
6.9
6.2
II
6.9
9.0
6.6
8.1
9.3
9.2
8.6
III
4.9
5.5
4.6
4.5
IV
5.3
5.6
5.5
5.1
6.2
5.8
5.8
Recordemos un poco que el objetivo del Anova es el de buscar si alguno de los

subgrupos es diferente a otro. Entonces, tambin como revisamos anteriormente,
estaramos generalizando varios t de Student de independencia. Entonces, si por
ejemplo nosotros escogiramos primero la muestra I y II, podramos hacer la prueba
de t y calcular que el promedio para I es 6.744 y para II es de 8.243, las desviaciones
estndar son 0.543 y 1.100 respectivamente, lo que nos dara una diferencia de medias
de 0.418. El estadstico t en este caso sera 3.587 con 14 grados de libertad, lo que da
un valor de P = 0.003 para la hiptesis nula que no hay diferencia entre las dos
muestras.
Ahora bien, para fijar los datos en un modelo lineal nosotros hacemos una
modificacin:
X
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
Y
5.9
6.8
6.4
7.0
6.6
7.7
7.2
6.9
6.9
9.0
6.6
8.1
9.3
9.2
8.6
En este caso, hemos escogido uno de los valores para que sea basal y para comparar
el otro contra el basal. La ecuacin fijada es entonces y = 6.744 + 1.498x indicando
que la variable outcome (porcentaje de plata), se incrementa 1.498 veces en la
segunda muestra comparada con la primera (este es el concepto clave, comparamos
contra el basal, ojo). Ahora, esta diferencia de 1.498 es la misma diferencia entre los
promedios de ambas muestras, 6.744 y 8.243 (con redondeos al tercer decimal). El
siguiente resultado se puede obtener de calcular la regresin en un paquete estadstico
comercial:
Response: % plata
Column
0
1
df: 14
Name
Constant
Muestra
Coeff
6.744
1.498
Rsq: 0.479
StErr
0.276
0.418
s: 0.829
p-value
0.000
0.003
SS
876.160
8.841
RSS: 9.619
Nuevamente, este resultado tiene los valores del coeficiente, los errores estndar y los
valores de P. Ac lo importante es darse cuenta de que el valor de P es igual al
calculado por la prueba de t.
Determinantes multicategricos (k valores)
Estrictamente, las variables cuantitativas discretas (poco, mucho, bastante) son
inapropiadas para una regresin mltiple debido a que la regresin, para tener sentido,
requiere informacin exacta en cuanto a la magnitud de los cambios. Empero, hay

circunstancias en la que lo mejor que tenemos para el anlisis son las variables
cuantitativas discretas.
Hay tambin variables nominales que no tienen ningn tipo de orden. Es el caso de la
variable sexo o estado civil por ejemplo. En el caso de las variables dicotmicas es
fcil, se asigna el valor 0 a una de ellas y a la otra se le pone 1. No importa cul se
escoja en tanto se conozca cul es cul. Estas variables 0 y 1 se llaman variables
dummy o variables indicadoras (aunque no hay consenso en el nombre en espaol
indicadora).
Para trabajar con una variable dummy se sigue una serie de pasos. En primer lugar,
vamos a trabajar variables que tienen ms de 2 opciones. El proceso de crear variables
dummy se efecta en caso de que la variable tenga k valores (k se define como 3 o
ms valores posibles). Si fuera el caso que fueran dicotmicas, seria cuestin de
asignar 0 y 1 y se resuelve el problema. Entonces, de lo que se trata en realidad es de
comparar si los subgrupos de la variable dependiente que define una variable
independiente de k valores son iguales o diferentes.
Para el caso se crean k 1 variables. Es k-1 porque vamos a comparar uno de los
valores k con el resto en la modalidad 1 a 1. Como podemos hacer k 1
comparaciones con k valores, entonces cada variable dummy define la comparacin
entre la variable escogida y otro de los valores k. La idea central es que si
encontramos que al menos un par de los subgrupos son diferentes estadsticamente,
entonces el efecto de la variable independiente sobre la variable dependiente es
estadsticamente significativo. Atencin, estamos hablando de comparar subgrupos.
Por lo tanto lo que haremos es primero, escoger uno de los valores k y compararlo uno
a uno con el resto de valores k para hacer aparente si alguna de las comparaciones es
diferente estadsticamente. A ese valor k que escogemos para compararlo con el resto
se le llama basal. Evidentemente, podramos tener un valor k bajo, uno medio y uno
alto y si nos equivocamos y escogemos al medio de basal, nos podra dar que ninguno
de los subgrupos es diferente a pesar que el bajo y el alto si lo sean. Recuerden
siempre, se trata de comparar UN valor k con el RESTO, valor por valor, para ver si
alguna comparacin es significativa. Por eso es recomendable escoger al valor k que
defina al subgrupo con el menor promedio. De esa manera tendremos la seguridad que
tendremos la mayor probabilidad de ver alguna diferencia entre subgrupos.
Los mtodos descritos con anterioridad se pueden extender a estructuras en las que la
variable independiente es multicategrica, en este caso, considerando el resto de
muestras. Para involucrar ms determinantes, detallamos la variable denotando sus
categoras como x1 , x 2 ,..., x c , de donde el modelo toma la forma:
c
y = a + bj x j
j =1
Las constantes b1 , b2 ,..., bc se denominan coeficientes de regresin. Estos coeficientes

de regresin miden la asociacin entre los determinantes y la variable dependiente. En
este caso tambin hay que ordenar las variables de manera que comparemos los
subgrupos con un valor basal. Al efectuar la regresin en los datos de las monedas
obtendremos:

Response: % plata
Column
0
2
3
4
df: 23
Name
Constant
II
III
IV
Coeff
6.744
1.498
-1.869
-1.130
Rsq: 0.774
StErr
0.231
0.349
0.416
0.349
S: 0.692
p-value
0.000
0.000
0.000
0.004
SS
1162.957
26.668
6.050
5.029
RSS: 11.015
Ahora bien, este resultado nos ofrece informacin acerca de la diferencia entre las
muestras II, III y IV y la muestra referencial Y. Como nos informa que hay al menos 3
diferencias, ya detect el mnimo necesario para no necesitar el anlisis de varianza.
Es ms nos ha provisto de informacin acerca de algunas de las diferencias entre
subgrupos. Es ms, si se quisiera investigar por ejemplo, si existen diferencias entre la
muestra II y la IV, solo escogemos una de ellas como valor referencial:
Response: % plata
Column
0
2
3
4
df: 23
Name
Constant
I
II
III
Coeff
5.614
1.130
2.629
-0.739
Rsq: 0.774
StErr
0.262
0.349
0.370
0.434
S: 0.692
p-value
0.000
0.004
0.000
0.102
SS
1162.957
0.445
35.912
1.391
RSS: 11.015
Cmo saber si las predicciones son buenas
La regresin de mnimos cuadrados siempre produce los mejores parmetros

a partir de una base de datos dada. Sin embargo, hay veces en que los
mejoresparmetros no son necesariamente buenos. Por tanto se hace necesario saber
que tan buenas son las posibles predicciones derivadas del modelo en cuestin. El
estadstico ms comn en este sentido es el llamado coeficiente de determinacin. La
mayora conoce el estadstico por su smbolo R2, o como tambin se denota en el
resultado de la regresin Rsq.
La idea detrs del R2 es comparar dos cantidades:
La suma de los errores al cuadrado producidos por la ecuacin de mnimos cuadrados
que se esta evaluando
La suma de los errores al cuadrado de la ecuacin sin variables independientes (slo
el intercepto)
Cuando la ecuacin no tiene variables independientes, el estimado de los mnimos

cuadrados para el intercepto es slo la media (promedio) de la variable independiente.
Esto significa que el valor predicho para cada caso es el promedio. La frmula es:
SSE (regresin)
R2 = 1
SSE (sin independientes)
Ojo, siempre el error de la regresin es menor que el error sin las variables
independientes, porque es el error total y el SEE es el error al descontar el error
derivado de las variables independientes del error total. Entonces, se puede interpretar
R2 como la reduccin en el error total derivado de incluir las variables independientes.
Cmo saber que tan buenos son los estimados de los coeficientes
Es importante saber la precisin de los valores que obtenemos en la regresin para los
coeficientes. Cuando los estimados no son correctos hay tres posibilidades de error:
Error de medida: muy pocas variables se pueden medir con una
precisin perfecta, especialmente en ciencias veterinarias.
Error de muestreo: En muchos casos, nuestros datos son slo una
muestra de una poblacin grande y por definicin una muestra no
necesariamente representa los valores de una poblacin.
Variacin no controlada: hay variables que pueden confundir las
relaciones entre variables porque no se les ha incluido o porque se las
incluy errneamente.
Para salirnos con la nuestra, hay que hacer algunas asunciones acerca de cmo operan
estas fuentes de error. Sin entrar en mayores detalles, la Asumcin bsica es que los
errores ocurren al azar de una manera no sistemtica. Los resultados representan por
tanto una variacin al azar de los estimados de nuestros coeficientes. Nosotros
evaluamos el grado y la importancia de la variacin al azar calculando intervalos de
confianza y empleando pruebas de hiptesis. Los intervalos de confianza nos dan un
rango posible de valores para los coeficientes. Aunque nunca podremos estar
completamente seguros que el valor del coeficiente est en el intervalo, al menos
conocemos la probabilidad que eso sea correcto, que es de 95% usualmente. Cada
programa e computadora que hace regresin mltiple calcula y reporta
automticamente el error estndar para cada coeficiente de la regresin. Lo nico que
hay que hacer por tanto es calcularlo como cualquier intervalo multiplicndolo por el
valor de z del 95% (1.96) y sumndolo y restndolo del valor calculado.
En las publicaciones cientficas es ms frecuente observar pruebas de hiptesis que
intervalos de confianza. Usualmente el tipo de pregunta que se pregunta es La
variable independiente realmente afecta la variable dependiente?. Si una variable no
la afecta, entonces su coeficiente verdadero es cero. Ahora bien, cuando uno calcula
una regresin mltiple, rara vez encuentra el valor cero, aunque se pueden encontrar
valores realmente pequeos. Coeficientes pequeos se pueden encontrar por las tres
razones que producen error descritas lneas arriba, an en el caso que el verdadero
coeficiente sea cero. Empero, la pregunta es cundo algo insignificante es realmente
no significativo o cun grande tiene que ser el coeficiente para concluir que es
diferente de cero?. Ese es el trabajo de la prueba de hiptesis, ofrecer informacin
acerca de la posibilidad que un coeficiente diferente de cero se deba al error al azar.
De hecho, lo que la prueba nos da no es un simple si o no, sino un valor de

probabilidad p. Si el valor de p es relativamente pequeo, se interpreta como
evidencia que los coeficientes no son cero. El valor de la prueba se calcula
dividiendo los coeficientes entre el error estndar, produciendo lo que se
conoce como valor de t. Este valor se confronta con una tabla de t para
calcular el valor de p asociado al valor de t. En realidad la mayora de los
paquetes estadsticos de regresin mltiple hacen los clculos y los presentan
como parte de los resultados.
DE CMO SE APLICA LO REPASADO Y APRENDIDO

EN REGRESIN SIMPLE A FACTORES DE RIESGO
EMPLEANDO REGRESION LOGISTICA
Uno de los mayores avances en estimacin de riesgo en epidemiologa ocurri en
1951 cuando Cornfield seal que el Odds Ratio de la enfermedad y el Odds ratio de
la exposicin son matemticamente equivalentes. Este simple, pero crtico concepto
nos permite calcular el Odds Ratio de la enfermedad en estudios caso-control y es
algebraicamente igual al Odds Ratio de exposicin.
Este modelo de anlisis es similar a una regresin lineal empleada en estadstica. La
diferencia radica en que mientras en la regresin lineal se asume una respuesta
continua, la regresin logstica lo hace con respuestas de tipo binaria. Una ventaja
adicional de la regresin logstica para el anlisis de datos epidemiolgicos es que
puede manejar un gran nmero de variables de exposicin, y no todas ellas tienen que
ser binarias. La regresin logstica es un modelo estadstico que se emplea para
describir la relacin entre varias variables independientes Xs y una variable
dependiente dicotmica Y.
La ecuacin general de la regresin logstica para una variable de exposicin E es:
p
= ln odds = b0 + b1 X 1
ln
(1 p )
Consecuentemente tendremos para una regresin mltiple:
P
ln
= + i X i
1 P
Donde P denota la probabilidad de ocurrencia del evento D y x es el valor de la
exposicin. En este caso, como x es binaria, puede asumir los valores 1 0. Esta
ecuacin se puede invertir para dar:
Pr ob[D ] =
1+ e
( + i X i )
Los trminos y i en este modelo representan los parmetros desconocidos que se

piensa encontrar en base a los datos observados para la presencia de enfermedad [D]
dadas las variables independientes Xs, de manera que si conocemos los parmetros
y i , y hemos determinado los valores X1 a Xk para un individuo en particular libre de
la enfermedad, podemos emplear la frmula para obtener la probabilidad que el sujeto
desarrolle la enfermedad luego de un intervalo de tiempo definido. La notacin para el
modelo logstico sera entonces:
P(D = 1 X 1 , X 2 ,..., X k ) =
1+ e
( + i X i )
A partir de esa ecuacin se puede deducir que el odds para el grupo no expuesto va a
ser igual a e ( ) , esto es, cuando x = 0 . Si desarrollamos la ecuacin para x = 1 .
Entonces, el odds ratio va a ser igual a:
OR =
exp( a + b)
= exp( b)
exp( a )
La interpretacin es similar a la regresin mltiple, excepto que la ordenada ahora es

el logaritmo neperiano de la chance (odds), tambin llamada log odds o logit.
Consecuentemente, si la relacin entre exposicin (x) y la ocurrencia del evento se
fijan bien en un modelo logstico, eso implica que el logaritmo neperiano de la
ocurrencia del evento aumenta linealmente con x.
En el contexto de un estudio de cohortes (en los que los datos de incidencia son los
eventos obtenidos), la interpretacin de los parmetros de una ecuacin de regresin
logstica son anlogos a los de los parmetros del modelo de regresin lineal:
El intercepto, al que hemos denotado , es el estimado del log odds del

evento en el grupo basal (cuando x = 0).
Los coeficientes de regresin ( i ) es el incremento estimado en el log

odds de la ocurrencia del evento por unidad de incremento en el valor
de x.
Este modelo se puede fijar fcilmente a partir de tablas de contingencia 2 x 2,

obtenindose una respuesta. Por ejemplo, se obtuvieron los siguientes datos para
evaluar el efecto de infarto cardiaco en relacin a la presin sistlica.
Resultado
Final
exposicin
Cuidado Prenatal (das)
0 - 29
30+
Murieron
20
6
Sobrevivieron 373
316
A partir de ellos se realiz un anlisis de regresin logstica que dio los siguientes
resultados
Logistic Regression Analysis
Response: Died within one month
Col
Name
Coeff
St. Error P
- Odds
95% CI
value
0
Constant
-3.964
0.412
0.000
3
Less PNC
1.038
0.472
0.028
2.824
1.12
7.118
Df: 0 Dev:0 %(0):96.364 #Iter:9 Rsq:1
Los nmeros ms importantes son aquellos titulados Odds y 95% CI. Estos son los
estimados de Odds ratio y los lmites de confianza del 95% para el dicho valor de
Odds ratio. De hecho el Odds ratio (OR) y no el riesgo relativo (RR) es la nica
medida de asociacin que se puede estimar directamente de un modelo logstico sin
requerir mayores asumciones a despecho de si el diseo del estudio es seguimiento,
caso-control o transversal. Hay que notar que algunos paquetes estadsticos no
incluyen justo esa informacin. Sin embargo, hay que recordar siempre que el valor
de Odds no es sino el antilogaritmo (Exp) del valor del coeficiente. Asimismo, si al
coeficiente se le agrega el valor del Error Estndar multiplicado por el valor de z de
95% (1.96), tambin se puede reconstruir los intervalos de confianza. Esto, tal cual se
acostumbraba en Epidemiologa, cuando el objeto de buscar el odds ratio era
completar el anlisis de un estudio caso control. En realidad, este todava es el caso,
pero la regresin logstica lo hace ms sencillo. Es de gran utilidad examinar el valor
de P para la variable en estudio. Este valor se obtiene evaluando la hiptesis nula que
el odds ratio para esa variable es igual a 1. Como comentamos, los valores Coeff y
StError son los estimado para el parmetro b (el logaritmo natural del odds ratio y su
error estndar, respectivamente).
La fila de la tabla que comienza con 0 Constant nos ofrece el valor del parmetro a,
que est asociado a un error estndar y de P. Aparte de representar el valor de el odds
para el grupo no expuesto, este parmetro es solamente una constante normalizadora y
no tienen nada que ver con la interpretacin del odds ratio (fijarse en la diferencia
sutil, pero definitiva).
Los nmeros al final de la tabla tambin son de importancia. El primero, df, es el
nmero de grados de libertad que quedan en la tabla de datos luego de fijar el modelo
logstico, que en este caso es 0 porque es el valor que SIEMPRE da luego de fijar una
tabla 2 x 2 porque son dos colecciones de datos resultado de fijar dos categoras de
exposicin y son dos parmetros (a y b) que se estn fijando. El segundo nmero
(Dev), es la devianza, una medida del error luego de fijar el modelo (similar a la suma
cuadrado de residuales en una regresin lineal cualquiera). Nuevamente, esto tiene
que ser igual a 0 para una tabla 2 x 2 desde que el modelo es perfecto y no queda error
asociado a el. Por la misma razn, el valor al final Rsq (que significa coeficiente de
determinacin), es una medida de bondad de ajuste que cae entre 0 y 1 y que siempre
da 1 en una tabla 2 x 2. #iter es el nmero de interacciones que prob la computadora
hasta fijar el modelo.
El modelo logstico se puede utilizar para fijar datos de cualquier tabla de
contingencia 2 x 2, no importa que los datos provengan de un estudio transversal, caso
control o de cohortes. Ojo, si los datos son muy simples tampoco vale la pena andar
fijando un modelo de regresin logstica. Ms hay que pensar en el caso que queramos
evaluar a la vez varios factores, interacciones entre factores, combinacin de variables
cualitativas y binarias, inclusin de factores cuantitativos y as.
Otro ejemplo para demostrar el manejo de covariantes. Es el caso que los resultados
del ejercicio anterior haban sido consolidados de dos clnicas, veamos que pasaba
cuando analizamos las dos por separado:
Resultado
Final
CLINICA A
Murieron
Sobrevivieron
Exposicin
0 - 29
30+
3
4
176
293
Resultado
Final
CLINICA B
Murieron
Sobrevivieron
Exposicin
0 - 29
30+
17
2
197
23
Entonces nuestros datos hay que arreglarlos para ingresarlos al paquete estadstico
ms o menos como sigue:
Muertos
Total
CPN
CLINICA
3
179
1
1
4
297
0
1
17
214
1
0
2
25
0
0
Luego de fijar el modelo, tenemos el siguiente resultado:
Logistic Regression Analysis
Col
Name
Coeff
St. Error P
- Odds
95% CI
value
0
Constant
-2.549
0.561
0.000
3
Less PNC
0.110
0.561
0.844
1.117
0.372
4
Clinic A
-1.699
0.531
0.001
0.183
0.065
Df: 1
3.353
0.517
Dev:0.043
La lnea al final del resultado demuestra que hay 1 grado de libertad, resultado de fijar
un modelo de tres parmetros con cuatro observaciones. La devianza ofrece una
medida de que tan bien el modelo logstico fija los datos. El valor de p para esta
bondad de ajuste esta dado por el rea fuera del lmite de una distribucin Chi
cuadrada con los grados de libertad del modelo. En el presente caso, una devianza de
0.043 tiene una probabilidad de 0.84 de manera que el ajuste es adecuado. El Rsq
tambin demuestra que el ajuste es adecuado.
En realidad, la regresin logstica implica, hasta cierto punto, una bsqueda del
modelo que mejor explica nuestros datos. Ya hemos revisado cmo saber si el modelo
es bueno o no, pero hay que estar prevenidos de pruebas que se emplean para evaluar
cambios graduales al modelo durante la bsqueda del modelo ideal. Los estadsticos
han demostrado que la diferencia entre el valor obtenido para el logaritmo de
probabilidad del modelo (log likelihood statistics) entre dos modelos dados, sigue una
distribucin de X2 en muestras grandes. Los grados de libertad para esta prueba de X2
son iguales a las diferencias entre los grados de libertad de los modelos que se estn
comparando.
Ms ejemplos
La siguiente tabla presenta los valores obtenidos en una regresin logstica que
emple datos de un experimento dirigido a evaluar el efecto de la presin sistlica en
el evento infarto cardiaco.
Variable
Intercepto
Sexo (Masc = 1; Fem = 0)
Fumador (si = 1; o no = 0)
Edad (aos) *
Presin sistlica
Colesterol srico
ndice de masa corporal
coeficiente
-8.9502
1.3075
0.7413
0.0114
0.0167
0.0074
0.0240
Odds Ratio
3.70
2.10
1.011
1.017
1.007
1.024
*: de 45 a 65 aos
Otro ejemplo en el mismo sentido, categorizando variables para un estudio de infarto
cardiaco:
Variable
Intercepto
Sexo (Masc = 1; Fem = 0)
Fumador (si = 1; o no = 0)
Mayor a 55 aos (si = 1; o no = 0)
hipertensin (si = 1; o no = 0)
Hipercolesterolemia (si = 1; o no = 0)
Obesidad (si = 1; o no = 0)
coeficiente
-4.567
1.3106
0.7030
0.1444
0.5103
0.4916
0.1916
Odds Ratio
3.71
1.02
1.16
1.67
1.63
1.21
Valores de regresin logstica para factores de riesgo para la presencia de anticuerpos

contra hepatitis B.
Variable
Ocupacional/exposicin a sangre
Pinchazo con aguja reciente
Seropositividad a Hepatitis A
Edad (1 ao)
Aos en la ocupacin riesgosa (1 ao)
coeficiente
0.7747
0.8459
0.6931
0.0296
0.0198
Odds Ratio
2.17 (1.31 3.58)
2.33 (1.19 4.57)
2.00 (1.13 3.54)
1.03 (0.99-1.06)
1.02 (0.97 1.08)
DE CMO TRABAJAR CON TASA DE DENSIDAD DE

INCIDENCIAS EMPLEANDO REGRESION DE POISSON
La regresin logstica se puede emplear para cualquier tipo de estudio epidemiolgico
en el que la variable principal se binaria. Sin embargo, si no se conoce exactamente el
nmero exacto de individuos no afectados, como es el caso de los estudios de cohortes
en los que se mide exposicin con individuos-tiempo, se debe emplear la regresin de
Poisson.
El modelo de regresin de Poisson aparece en casos extremos de regresin logstica
en los que la probabilidad de evento es muy pequea. Para compensar por esta
pequea probabilidad de ocurrencia, el nmero de individuos que se debe de seguir
tiene que ser enorme. El parmetro de inters es el de densidad de incidencia, que es
la medida del riesgo de una nueva incidencia por unidad de tiempo-individuo
expuesta.
El modelo es el siguiente:
j =1
= exp a + b j x j
Donde es la densidad de incidencia y a y bj (j = 1, 2,, p) son los parmetros que se
estn evaluando en el modelo. Los datos son similares a los de una regresin logstica,
con las personas tiempo reemplazando los totales en cada registro. Para ilustrar este
anlisis estudiemos el siguiente ejemplo:
En este caso, se encontr que 14 y 5 muertes de pacientes con cncer a la vejiga se
registraron en grupos de pacientes expuestos o no a contaminantes industriales,
basados en estadsticas vitales de 5.5y 7.3 respectivamente. Se registraron los
siguientes datos:
Casos
14
5
Exposicin
5.5
7.3
Cdigo de exposicin
1
0
Poisson Regression Analysis

Col
0
3
Name
Constant
Exposed
Coeff St. Error P - value IDR

95% CI
-0.378
0.446
0.396
1.313
0.519
0.011
3.716
1.343
10.282
Df: 0 Dev:0 %(0): #Iter:6 Rsq:1

La diferencia con la regresin logstica es que IDR ha reemplazado a odds. IDR es
tasa de densidad de incidencia. Ahora considere datos un poco ms complejos en el
siguiente ejemplo:
Cysticercosis incidence model fitted by Poisson regression
Predictor
variables
Constant
Treatment
Pair 1
Pair 2
Pair 3
Coefficient
-6.07016
-0.49225
-0.84032
-0.03337
-0.44072
Deviance
p-value
Standard
error
0.24205
023990
0.45426
0.29306
0.29804
Incidence Density
Ratio
0.0000
0.0402
0.0643
0.9093
0.1392
0.611
0.432
0.967
0.644
6.28
0.0987
MODELO DE PELIGRO PROPORCIONAL DE COX (PH)

El modelo de peligro proporcional de Cox es un modelo matemtico de uso corriente
para analizar supervivencia (tiempo a un evento). En este caso se regresiona la tasa de
peligro, que es la probabilidad de que se experimente el evento en cuestin en un
punto de tiempo dado que hasta dicho momento no lo ha sufrido, Una definicin
alternativa a la tasa de incidencia instantnea es la llamada tasa de peligro o tasa
condicional de incidencia, o fuerza de morbilidad (o mortalidad). En nuestro caso,
vamos a generalizar el concepto a la ocurrencia de cualquier evento de inters. En el
contexto de un estudio de cohortes, la tasa de peligro se define cono la probabilidad
instantnea de cada individuo para que un evento dado ocurra precisamente en un
tiempo t o a un intervalo menor [t , t + t ] , en el caso que (o debido al hecho que) el
individuo est en riesgo de experimentar el evento en el tiempo t. La tasa de peligro se
define para cada punto durante el seguimiento. En trminos matemticos, esto se
define para un intervalo pequeo de tiempo (cuando [t 0] de la siguiente manera:
h(t ) =
P(evento en intervalo [t + t ] sobrevivi a t )

t
El peligro es una tasa que tambin se mide en unidades de tiempo-1. La tasa de peligro
es un concepto de gran utilidad para cualquiera que trate de entender algunos de los
procedimientos estadsticos empleados en el anlisis de supervivencia,
particularmente, la metodologa conocida como modelo de regresin de peligros
proporcionales. A pesar de su importancia, la tasa de peligro no se puede obtener
directamente de estudios epidemiolgicos. Empero su interpretacin est relacionada
a la probabilidad condicional de ocurrencia de un evento que se calcula para cada
tiempo empleando Kaplan-Meier.
El modelo proporcional de Cox es un modelo matemtico muy popular empleado para
analizar datos de supervivencia. Vamos a tocar este tema haciendo hincapi en la
lectura de la regresin, su interpretacin y su uso. Para presentar el modelo, vamos a
emplear datos de remisin de leucemia que considera dos grupos de tratamiento y en
los que se desea descartar el efecto potencialmente confundente del recuento total de
leucocitos, manejados como el logaritmo neperiano del recuento de clulas blancas
(Tabla 8). El modelo de Cox se basa en que el peligro en el tiempo t es el producto de
dos cantidades. La primera es la funcin de peligro basal h0 (t ) . La segunda cantidad
es la expresin exponencial e elevado a la suma lineal de i X i , donde la suma se da
para las p variables independientes. Un rasgo muy importante de la frmula concierne
a la asumcin de proporcionalidad de peligros (PH), que seala que el peligro basal es
una funcin de t, pero no involucra a las variables independientes (X), mientras que la
expresin exponencial involucra a las variables independientes (X), pero no involucra
a t. De ah que a las variables X se les llame variables X independientes de tiempo. En
este caso, nos valdremos de un ejemplo para documentar el uso y la interpretacin de
la regresin de Cox o modelo de regresin de peligro proporcional. Se trata de datos
de remisin de leucosis luego de dos terapias, (1 y 2), cuando sospechamos que el
recuento leucocitario (WBC) est relacionado a la remisin y podra ser una variable
potencialmente confundente. El recuento leucocitario se trabajar empleando el
logaritmo del recuento log WBC. Los datos se presentan a continuacin en la Tabla 8.
Tabla 8. Datos de remisin de Leucemia (el signo + denota censura)
Tratamiento 1
Tratamiento 2
Semanas
Log WBC
Semanas
Log WBC
2.31
2.80
4.06
5.00
3.28
4.91
4.43
4.48
10
2.96
4.01
13
2.88
4.36
16
3.60
2.42
22
2.32
3.49
23
2.57
3.97
6+
3.20
3.52
9+
2.80
3.05
10+
2.70
2.32
11+
2.60
3.26
17+
2.16
11
3.49
19+
2.05
11
2.12
20+
2.01
12
1.50
25+
1.78
12
3.06
32+
2.20
15
2.30
32+
2.53
17
2.95
34+
1.47
22
2.73
35+
1.45
23
1.97
Para este ejemplo, la pregunta bsica es si los tratamientos tienen tiempos al evento
remisin iguales o diferentes descontando el efecto potencialmente confundente del
recuento de clulas blancas. Estamos entonces, frente a dos variables predictoras y la
variable tiempo a un evento (en semanas). Lo que haremos para explicar la regresin
de Cox es proceder a la regresin considerando el efecto del tratamiento solamente y
luego, el efecto del tratamiento ajustado por el logaritmo del recuento de clulas
blancas. Finalmente, presentaremos los datos obtenidos al efectuar la regresin
incluyendo la interaccin entre ambas variables predictoras, tratamiento y logaritmo
neperiano del recuento de clulas blancas. En este caso, se ha buscado la ecuacin que
mejor explique los datos ingresando las variables una por una, primero el modelo
solamente con el tratamiento (Rx), despus el tratamiento ms el logaritmo del
recuento leucocitario (log WBC) y finalmente, se ha incluido la interaccin entre el
tratamiento y el recuento leucocitario. Vale la pena recordar que para obtener los
valores de la variable de interaccin (Rx x Log WBC) lo que se hace es multiplicar los
valores de las dos variables (caso por caso). La Tabla 9 presenta los resultados tal y
como salen de efectuar la regresin con un paquete estadstico. Los paquetes suelen
ofrecer algunas diferencias en cuanto a la informacin que presentan, pero todos
ofrecen al menos el valor del coeficiente y el error estndar. El resto de columnas, de
no estar, se pueden calcular directamente.
Tabla 9. Resultados de regresin de Cox
Modelo 1
Columna
Rx
Coeff
StErr
p-value
HR
0.95
CI
P(PH)
1.509
0.410
0.000
4.523
2.027
10.094
0.794
n: 42
%Cen: 28.571
-2 log L: 172.759
Coeff
StErr
p-value
HR
0.95
CI
P(PH)
Rx
1.294
0.422
0.002
3.648
1.505
8.343
0.944
Log WBC
1.604
0.329
0.000
4.975
2.609
9.486
0.917
CI
P(PH)
Modelo 2
Columna
n: 42
%Cen: 28.571
-2 log L: 144.559
Coeff
StErr
p-value
HR
Rx
2.355
1.681
0.161
10.537 0.391
284.200 0.628
Log WBC
1.803
0.447
0.000
6.6067 2.528
14.561
0.996
Rx x log WBC
-0.342
0.520
0.510
0.710
1.967
0.410
Modelo 3
Columna
n: 42
%Cen: 28.571
0.95
0.256
-2 log L: 144.131
Para poder leer bien los resultados, describamos primero qu denotan las columnas.
La primera columna seala el nombre de las variables que se han ingresado al modelo.
La segunda columna (Coeff) nos ofrece los coeficientes, en el caso del modelo de
peligro proporcional de Cox, nos da el logaritmo neperiano de la tasa de peligro. La
tercera columna nos da el error estndar del coeficiente, la columna p-value nos da la
significancia de cada coeficiente, la columna HR nos da la tasa de peligro (hazard
ratio) que, como su nombre lo indica, nos da el peligro (en trminos relativos), de la
variable en cuestin en relacin con el peligro basal. Las siguientes columnas sealan
los intervalos de confianza del 95% de la tasa de peligro (HR) y el valor de P (PH),
evala la asumcin de proporcionalidad de peligros necesarios para efectuar la
prueba.
Hay varias maneras de verificar que el ajuste es adecuado. Entre otras, ver si el valor
de significancia de la variable en cuestin es significativa o no. La segunda, el valor
de la columna P (PH), que nos indica el valor de bondad de ajuste de los datos
observados versus los esperados. En este caso, hay que verificar que el valor de la
columna y ver que sea mayor a 0.05. Otra manera es verificar los valores de 2 log L
de los modelos que se est afinando. La diferencia entre los valores de 2 log L siguen
una distribucin Chi cuadrado con un grado de libertad. Si la diferencia entre los
modelos es estadsticamente significativa, podemos concluir que la inclusin de la
variable en cuestin lo ha mejorado. Caso contrario, podemos descartar la variable del
modelo. Finalmente, otra manera de verificar el ajuste es graficando el log del

logaritmo del peligro. Si las curvas corren paralelas, la asumcin de P (PH) es vlida,
si las curvas se cruzan, se debe verificar la asumcin.
En el ejemplo, el primer modelo demuestra que la asumcin de P (PH) es vlida en
este caso. Asimismo, que los pacientes que recibieron la droga 2 tienen 4.523 veces
mayor peligro que los que recibieron el tratamiento 1 y que esta diferencia es
estadsticamente significativa (P<0.001). El valor de significancia se obtiene
aplicando el estadstico de Wald a los valores presentados en la tabla. La prueba de
Wald se calcula dividiendo el coeficiente entre el error estndar. El valor obtenido se
sigue una distribucin normal (z)a partir de la cual se puede calcular la probabilidad
de que el valor de Wald se haya obtenido por efecto del azar. Los intervalos de
confianza no incluyen al 1, como se espera de una relacin estadsticamente
significativa, y los valores de la poblacin se encuentran entre 2.027 y 10.094 con un
95% de confianza.
El modelo 2 incluye a la variable log WBC, en este caso, el logaritmo neperiano del
recuento leucocitario. Esta ltima variable es estadsticamente significativa segn el
estadstico Wald (P<0.001), lo que cuenta a favor de la inclusin de la variable en el
modelo. Segn los valores de tasa de peligro, por cada unidad de logWBC el peligro
aumenta en 4.975, aunque el peligro relativo se encontrara entre 2.609 y 9.486 con un
95% de confianza. La asumcin de P(PH) es vlida para la variable WBC. Este
modelo mejora en mucho el modelo 1. La diferencia entre los valores de 2 log L
tambin indica que la inclusin de la variable log WBC mejora el modelo, pues la
diferencia es estadsticamente significativa.
La inclusin de la interaccin de Rx x log WBC (tratamiento x recuento leucocitario),
no mejora el modelo. Primero, la interaccin no es significativa, aunque la interaccin
respeta la Asumcin de proporcionalidad de peligros. Segundo, lo intervalos de
confianza comprenden al 1. Finalmente las diferencias entre 2 log L de los modelos
2 y 3 es pequea y no es esta
DONDE SE DISCUTEN LAS ESTRATEGIAS DE

CONTROL DE LAS ENFERMEDADES
El objetivo principal de los estudios epidemiolgicos es proveer de
informacin para que a partir de la misma se tomen decisiones racionales para la
prevencin y control de las enfermedades animales. En este contexto, se presentan un
cierto nmero de conceptos y mtodos especficos para la investigacin y el
entendimiento de la enfermedad en las poblaciones animales. En este captulo, se
describirn ejemplos de la aplicacin de estos conceptos y mtodos de planeamiento y
evaluacin del control de enfermedades.
Para poder aplicar estos conceptos y mtodos, el lector debe estar consciente
de que, en un sentido formal y explcito, los mtodos epidemiolgicos cuantitativos
slo se han venido utilizando recientemente por veterinarios particulares que no
trabajan o con el gobierno, o con agencias de investigacin. No es para menos que,
con el creciente nfasis en medicina preventiva de poblaciones, particularmente en las
reas de salud pblica veterinaria y la prctica de animales domsticos, todos los
veterinarios requerirn mayor entrenamiento en epidemiologa. Ciertamente, sin
epidemiologa, no puede haber base cientfica para la prctica de la salud pblica, y
sin la prctica de la salud pblica, la ciencia de la epidemiologa se vuelve una
prctica acadmica sin sentido. Esperamos que los lectores puedan extraer, a partir de
las aplicaciones aqu presentadas, aquellas ideas y mtodos necesarios para mejorar y
elevar sus habilidades como especialistas en salud preventiva.
Influencia de la Enfermedad en Poblaciones Humanas y

Animales
En trminos generales, los veterinarios estn interesados en el control de la
enfermedad animal debido a que tienen una preocupacin por el bienestar tanto de los
animales como de los humanos. En realidad, el concepto unificante ms comn entre
las muy diversas actividades veterinarias es su preocupacin central y final por el
bienestar humano. Una completa evaluacin del valor de las medidas de control de
enfermedades necesita un entendimiento de las formas en que la enfermedad afecta la
salud y el bienestar animal, su productividad, y su impacto directo e indirecto en los
humanos. Sin tal informacin, los beneficios de un programa de control no podrn ser
determinados de primera mano. Para ello, antes de empezar con una discusin de las
estrategias de control de enfermedades, se justifica un breve repaso de los efectos de
la enfermedad.
Mortalidad
La muerte prematura de los animales es un resultado obvio de la enfermedad y
tiene un efecto pronunciado en la productividad de las poblaciones animales. En la
agricultura intensiva, los costos de mortalidad son mayores cuando hablamos de
animales de alto valor gentico, que mueren durante sus aos pico de reproduccin.
El costo de la muerte de animales de mayor edad ha recibido menor preocupacin;
esto es particularmente cierto en el caso de los animales domsticos desde que la
mayora de ellos son sacrificados para dar mas espacio a los animales jvenes ms
productivos mucho antes de que lleguen a la edad equivalente a la vejez humana. En
muchos pases del tercer mundo donde los animales son utilizados para transporte y
fuerza en la agricultura as como para alimento, la mortalidad puede tener efectos
devastadores tanto para familias individuales como para pases enteros En
Norteamrica, los productores han tolerado durante aos prdidas considerables en
animales jvenes, a pesar de ello, se espera que las prdidas en muerte neonatal se
reduzcan si es que una profilaxis (biolgica y econmica) ms efectiva se tuviera
disponible. El mencionarle al productor la magnitud de las prdidas econmicas
causadas por la mortalidad puede constituir suficiente incentivo como para que ste
instaure de una forma ms rigurosa, procedimientos efectivos para reducir la
mortalidad.
Reduccin en el Rendimiento y Calidad del Producto

Los efectos negativos de la enfermedad en el bienestar animal deberan ser
obvios para todos. Adems, se han realizado un nmero de estudios para cuantificar
la influencia de varias enfermedades en la eficiencia de la produccin y en el
rendimiento y calidad de productos derivados de varias especies animales. Cuando se
practica la agricultura intensiva, la disminucin en cualquiera de estos tres aspectos de
la produccin animal es comnmente utilizada como indicadores de que se est
presentando una o ms enfermedades, o problemas de produccin. En realidad,
excepto en los animales de compaa, los efectos negativos de la enfermedad en la
productividad son a menudo la principal motivacin para prevenir y/o tratar una
enfermedad. Ms all de estos impactos de la enfermedad, debe ser apreciado el hecho
de que la salud de los animales, particularmente si son mascotas, puede tener un
efecto significativo en la salud mental y fsica de los humanos. Desafortunadamente,
en muchos pases en desarrollo, las prdidas por enfermedad son a menudo ajustadas
a los costos de produccin, y ni los productores particulares ni el gobierno se ven
motivados a tomar medidas de control adecuadas.
Para muchas enfermedades, los efectos en la calidad se ven reflejados en un menor
precio de mercado para el animal o sus productos. En otros casos el efecto no es
detectado por el proceso de mercadeo, an cuando el consumidor sufre una prdida
real. Por ejemplo, la mastitis bovina reduce tanto la cantidad de leche producida por
cada animal como su calidad (por ejemplo, la composicin del producto final). Esto
resulta en una produccin menos eficiente, una reduccin en la vida productiva de la
vaca, y una reduccin en los ingresos para el productor. Como un mejor ejemplo, el
impacto de la infeccin por tremtodes en ovejas ha sido estudiado en detalle en los
ltimos aos y se ha demostrado una disminucin sustancial en la ganancia de peso,
crecimiento de la lana, as como en la calidad de la misma.
Se han incrementado los conocimientos acerca de los mecanismos bajo los cuales la
enfermedad reduce la productividad del husped. La enfermedad puede resultar en
una disminucin del consumo de alimento, ya sea como resultado directo de la
disminucin del apetito o indirectamente por la intolerancia de los animales a los
forrajes (por ejemplo debido al malestar asociado con el movimiento, incluyendo la
prehensin de la masticacin) y/o una reduccin del tiempo destinado a la
alimentacin (por ejemplo, debido al tiempo utilizado en rascarse algo que les pica).
Otras reducciones en la eficiencia productiva pueden ser resultado de una eficiencia
disminuida de la conversin alimenticia debido a una malabsorcin de nutrientes a la
alteracin de procesos fisiolgicos resultando en una disminucin en la utilizacin de
nutrientes.
Una cantidad de enfermedades tambin ocasionan una reduccin del valor de

animales o sus productos al mercado (por ejemplo, hgados con abscesos, canales
condenadas debido a septicemias, o disminucin en el valor de los cueros debido a la
infeccin por Hypoderma bovis). Otras enfermedades influencian la performance
reproductiva de los animales; algunas veces de forma dramtica (por ejemplo, el
aborto resultante de la infeccin por Brucella abortus), mientras que otras
enfermedades tienen efectos menos notorios (por ejemplo, disminucin en la
concepcin e incremento en los costos del cuidado de la salud debido a enfermedades
del post parto).
Estructura y Productividad del Rebao

Adems de los efectos acumulativos de la reduccin en la productividad animal,
existe un nmero de ramificaciones de la enfermedad que slo pueden ser calculados
a nivel del rebao. Estos efectos generalmente estn relacionados a la demografa
(particularmente la edad) de la poblacin. Si como resultado de la enfermedad, se da
un alto nivel de muerte prematura o sacrificio involuntario, el rebao tendr a menudo
un promedio de edad ms bajo de lo normal. En el caso de un hato lechero esto
tendra un efecto negativo en la productividad, debido a que los animales enfermos no
permanecern en el hato lo suficiente como para expresar completamente su potencial
gentico de produccin (lo que ocurre normalmente a la quinta lactacin). Otro efecto
del alto nivel de sacrificio es la creciente demanda, y por lo tanto el costo, de animales
de reemplazo. Este ltimo costo incluye no slo el precio de compra sino tambin el
incremento del riesgo de introducir nuevas enfermedades con el stock de animales de
reemplazo. Acompaando a estos efectos, est la poca habilidad para reconocer y
seleccionar animales de valor gentico superior (por ejemplo, los animales en el
rebao no podrn expresar su potencial gentico completamente). Otros pueden
argumentar que este sera un proceso de seleccin natural, ya que si bien no
demuestran completamente su potencial gentico, estn demostrando la falta de
resistencia a enfermedades. Desafortunadamente, esta sera una manera muy poco
eficiente de incrementar la resistencia de las poblaciones animales, adems tendera
ms a reducir que a incrementar la productividad. En cualquier caso, la productividad
y la enfermedad no deben de estudiarse de forma aislada. Es alentador ver el inicio de
estudios por genetistas animales y veterinarios para evaluar la resistencia gentica a
enfermedades en conjunto con el potencial productivo.
Bienestar Animal y Humano

Las enfermedades zoonticas pueden afectar directamente la salud humana, en
realidad lo hacen. dichas enfermedades conllevan a la hambruna, dolor y sufrimiento
humanos, particularmente en reas en donde los sistemas de cuidado de la salud no
estn bien desarrollados. As mismo, la enfermedad animal puede llevar a una
disminucin de la disposicin de productos animales, disminucin de la disposicin
de animales para transporte, poder para el agro, vestido y abrigo, e incluso estircol
para combustible. Adems, ella utilizacin de diversos qumicos para combatir las
enfermedades en los animales pueden dejar residuos en los productos animales o en
el medio ambiente que pueden afectar directamente la salud humana (por ejemplo,
reacciones anafilcticas a los residuos de antibiticos) o pueden afectar
indirectamente, al variar ( a menudo incrementar ) los patrones de resistencia a los
antibiticos.
MTODOS DE TRANSMISIN DE LA ENFERMEDAD

Es bsico el revisar los mtodos por los que frecuentemente se transmitira la
enfermedad, para poder entender el control de la enfermedad. En este contexto, los
trminos portador y reservorio requieren una aclaracin. Un portador es un
animal infectado que disemina organismos patgenos o potencialmente patgenos, a
pesar de que permanece clnicamente normal. Los portadores tienen una importancia
epidemiolgica obvia como fuentes de infeccin, y son ms difciles de detectar que
los animales con enfermedad clnica.
El reservorio se restringe usualmente a una especie animal o a una sustancia
inanimada de la cual el organismo depende para sobrevivir. Por ejemplo, el zorro es el
ms grande reservorio de rabia en Canad y Europa continental; mientras que el
reservorio del Histoplasma capsulatum aparentemente seran las heces de ave o los
suelos ricos en heces de ave. Muchos agentes infecciosos tienen ms de un reservorio.
Otros huspedes reservorios de rabia en Canad seran el zorrillo y ciertas clases de
murcilagos. Taenia saginata, una ciclozoonosis, requiere de dos reservorios, el
hombre y el ganado vacuno, para completar su ciclo de vida.
Los tres mtodos comunes de transmisin de agentes infecciosos son contacto,
vehculo y diseminacin por vectores. La transmisin por contacto incluye medios
directos e indirectos. La transmisin por contacto directo denota un contacto fsico
entre el individuo infectado y el susceptible (por ejemplo, enfermedades venreas y
rabia). La transmisin contacto indirecto denota contacto entre el individuo infectado
y el susceptible por medio de secreciones frescas (por ejemplo, leptospiras en la
orina), objetos recientemente contaminados (por ejemplo bebederos), o por medio de
aerosoles resultantes de tos o estornudos. Como se mencion anteriormente, el
contacto con objetos recientemente infectados en el hogar, colegio o lugar de trabajo
podran ser un medio de mayor importancia en la transmisin de la infeccin por
rhinovirus humano que la transmisin por medio de aerosoles. El conocer que la
viruela se diseminaba principalmente por contacto directo fue de gran importancia
para la erradicacin de la enfermedad. Mediante el seguimiento completo de las
actividades de un caso, fue posible el identificar la fuente inicial y aislar y/o vacunar a
los casos potenciales.
La transmisin de agentes infecciosos por medio de vehculos involucra sustancias
inanimadas (por ejemplo alimento, agua, polvo y fomites). La transmisin vehicular
puede ser mecnica, actuando el vehculo como un simple mecanismo fsico de
transferencia (por ejemplo, llantas de camin contaminadas con el virus de la fiebre
aftosa, y plumas de ave contaminadas con el virus de la enfermedad de Newcastle), o
biolgica (la multiplicacin o desarrollo del agente toma lugar en el vehculo). Un
ejemplo de transferencia biolgica sera la transmisin de bacterias en la leche. La
transmisin vehicular juega un rol significativo en la transmisin tanto de agentes
infecciosos exticos como endmicos, tales como las epidemias de Mycoplasma
gallisepticum en las aves.
La transmisin por vectores consiste en invertebrados que diseminan los agentes
infecciosos entre los vertebrados. Nuevamente, dicha transmisin puede ser
puramente mecnica (por ejemplo una aguja voladora refirindose a la transmisin
del virus de la encefalitis equina por un mosquito) o biolgica (por ejemplo el
desarrollo de estados larvarios de Dirofilaria immitis usualmente en mosquitos de la
especie Culex; tal desarrollo debe ocurrir para que la larva se vuelva infecciosa para
los animales y el hombre).
Otros dos trminos aplicados a la transmisin de enfermedad son la transmisin

horizontal y la transmisin vertical. La transmisin horizontal se refiere al pasaje de
agentes infecciosos entre animales de una generacin similar y puede ocurrir por
cualquiera de los mtodos previamente discutidos. La transmisin vertical, por otro
lado, significa transmisin de una generacin a la siguiente; esta puede suceder a
travs del huevo, en el tero (por ejemplo la infeccin con Toxocara canis desde la
hembra gestante hacia sus cachorros), o por medio del calostro (por ejemplo, el virus
de la leucosis bovina transmitida de la madre al ternero). A menudo la distincin entre
los mtodos de transmisin es arbitraria; pero es til para propsitos descriptivos. Por
ejemplo, las vacas diseminando salmonela por las heces o la leche, o vacas
diseminando el virus de la parainfluencia desde su tracto respiratorio pueden
transmitir estos organismos verticalmente a su descendencia al nacimiento, o poco
tiempo despus del mismo. Dicha transmisin puede ser clasificada tambin como
transmisin por contacto, si es directa, o vehicular, si es indirecta.
Estrategias de Control de Enfermedades

Tres trminos son utilizados generalmente en asociacin con las actividades de
control de enfermedades: prevencin, control y erradicacin. En su uso restringido, es
aplicado generalmente en aquellas medidas diseadas para excluir la enfermedad de
una poblacin no afectada. Esto se aplica tanto a las medidas para excluir a los
agentes infecciosos de reas geogrficas definidas (por ejemplo, mediante
cuarentena), o para proteger una poblacin dada en un rea infectada (por ejemplo,
vacunacin). La prevencin puede ser aplicada tanto al nivel individual como al nivel
de poblaciones.
El control denota los efectos dirigidos a reducir la frecuencia de la enfermedad
existente hasta niveles biolgica y/o econmicamente justificables, o sino con
mnimas consecuencias. El control implica actividades conducidas a nivel de
poblaciones. Con cierta cantidad de enfermedades endmicas (como la mastitis y la
enteritis), y asumiendo que no existen consideraciones por el bienestar animal, debe
de haber un nivel de enfermedad en la poblacin por debajo del cual los costos de
cualquier esfuerzo futuro en controlarla seran superiores a los posibles beneficios a
obtenerse.
La erradicacin describe los esfuerzos para eliminar los organismos seleccionados de
un rea definida. Estos esfuerzos usualmente estn dirigidos hacia interferir con la
historia natural de un organismo infeccioso as como a volver su perpetuacin difcil,
sino imposible. La escala de erradicacin puede ser local, (por ejemplo, a nivel de
granja), nacional o global. Las caractersticas generales que hacen a una enfermedad
susceptible de erradicacin ya han sido discutidas. Estas caractersticas incluyen: que
la enfermedad debe tener caractersticas que faciliten la deteccin de casos y la
investigacin; y debe haber por lo menos una herramienta efectiva en la detencin de
la transmisin de la enfermedad.
Actividades especficas utilizadas en prevenir, controlar o erradicar enfermedades
pueden ser utilizadas ya sea solas o en combinacin.
Sacrificio
Se trata del sacrificio deliberado de animales infectados, potencialmente
infectados o que estuvieron en contacto con la intencin de detener la enfermedad y
prevenir su diseminacin a la poblacin sana. Esto puede realizarse de forma selectiva
(en base a un animal individual) o por eliminacin completa de la poblacin (en base
a un rebao /hato o a un rea definida). La actividad directa conocida como matanza
selectiva se ha utilizado en varias campaas contra enfermedades animales. Esto
involucra un mtodo de hallazgo de casos, usualmente por medio de una prueba de
tamizado inmunolgico, y luego la matanza de los animales que resulten positivos a la
prueba, esto juega un rol importante en la efectividad del mtodo, y debe haber una
necesidad de revaluar la eficacia (por ejemplo, sensibilidad y especificidad) de la
prueba, mientras la prevalencia de la enfermedad cambia.
La matanza selectiva puede ser usada durante los primeros esfuerzos de control,
particularmente si el agente se disemina de forma lenta. La matanza selectiva se us
extensivamente en las fases iniciales de muchos programas de erradicacin de
brucelosis. Es menos perjudicial que la eliminacin general no-selectiva,
particularmente si la enfermedad es razonablemente comn. La eliminacin general es
una situacin extrema, en la cual la poblacin completa, incluyendo a los individuos
no infectados as como a los infectados es sacrificada. Esto puede ser aplicado a los
reservorios silvestres as como a las especies domsticos. Todos los cerdos fueron
sacrificados durante los intentos de erradicacin de la Fiebre Porcina Africana en la
Repblica Dominicana. La eliminacin general tiende a ser preferida a la matanza
selectiva si el agente infeccioso es extico en el rea o se disemina rpidamente, as
como en los estados terminales de los esquemas de erradicacin. En Norte Amrica,
la eliminacin general es utilizada a menudo cuando se encuentra que un rebao est
infectado con tuberculosis bovina. En esta situacin, es ms importante que el
programa de investigacin pueda identificar a los rebaos infectados, siendo el nivel
actual de enfermedad en el rebao de menor importancia.
Cuarentena
La cuarentena implica separacin fsica forzosa de la poblacin saludable de los
individuos infectados o potencialmente infectados, sus productos o artculos
posiblemente contaminados. Tales medidas pueden ser aplicadas a nivel nacional,
regional o a nivel del rebao y pueden ser voluntarias o requeridas por la legislacin.
Por ejemplo, el ganado bovino importado usualmente se ponen en cuarentena por un
perodo definido (usualmente el perodo de incubacin mximo) antes de ser
transferidos al comprador, para asegurar (mediante monitoreo clnico y/o serolgico)
que no se encuentren infectados con agentes indeseables como el virus de la fiebre
aftosa. De una forma similar, los perros son usualmente puestos en cuarentena por un
perodo determinado para asegurar que estn libres de rabia, antes de ser admitidos a
pases libres de rabia.
Reduccin del Contacto

Al igual que con las medidas de cuarentena, aqu el objetivo es reducir o prevenir el
contacto (ya sea fsico o por aerosoles) entre los animales infectados y los no
infectados. Esto puede realizarse separando a los animales en el tiempo (por ejemplo,
los sistemas de manejo todo dentro/todo fuera utilizados en la avicultura,
porcicultura, terneras y ganado de carne), separando a los animales fsicamente
utilizando barreras como divisiones slidas entre las jaulas, o construyendo ambientes
separados (por ejemplo, un establo para terneros separado del de los adultos, ayuda
ms a que los terneros tengan un riesgo reducido de adquirir neumona enzotica). Es
necesaria la instalacin de sistemas adecuados de ventilacin para reducir la
transmisin por aerosoles en sistemas de crianza intensiva de aves, cerdos y ganado

bovino (por ejemplo, terneros de carne).
Utilizacin de Qumicos
Los qumicos pueden ser utilizados para reducir la transmisin de enfermedades en
varias maneras. Los desinfectantes pueden usarse para disminuir el riesgo de
transmisin de agentes infecciosos (por ejemplo, el uso de formaldehdo entre las
bandejas de huevos en las nacedoras, o el uso de cal como desinfectante despus de la
remocin del ganado bovino infectado con Brucella). Los pesticidas pueden ser
utilizados para reducir o eliminar la poblaciones de vectores (por ejemplo luego de la
aparicin de poblaciones de mosquitos o de la ocurrencia de encefalitis equina en
caballos) y como una ayuda en el control de las enfermedades. Un primer ejemplo del
uso exitoso de qumicos fue la utilizacin de baos de arsnico en el sur de los
Estados Unidos durante los aos 1800s para liberar al ganado bovino del vector
(garrapata) de la piroplasmosis bovina. Como se menciono previamente, esto permiti
el control de la enfermedad an antes de que el agente (Babesia bigemina) fuera
identificado. Hoy en da, los antibiticos son utilizados a menudo como profilaxis o
para tratamientos masivos (por ejemplo, las sulfonamidas en el agua de bebida para el
control de la coccidiosis en aves). Otras aplicaciones del tratamiento masivo son el
uso de selladores de pezones y el secado de vacas para el control de la mastitis bovina.
Los qumicos (como los que se utilizan en el secado de las vacas) pueden ser tambin
utilizados en forma selectiva, luego de realizar un cultivo de cada vaca, o a nivel de
hato. En general, debido a la resistencia por parte del vector y/o el agente, y debido a
los problemas relacionados a los residuos de drogas y otros peligros directos para la
salud de las personas que manejan estos qumicos, es ms importante enfocarnos en la
aplicacin segura de los qumicos, y se espera reducir la dependencia que existe de
ellos. El anlisis de decisiones y otras herramientas economtricas pueden ser
extremadamente tiles en la seleccin del tiempo y lugar ptimo para la utilizacin de
los qumicos. Por ejemplo, el aplicar una terapia antibitica masiva slo en grupos de
ganado que sufran brotes de enfermedad (como la meningoencefalitis
tromboemblica) en lugar de una aplicacin no selectiva de terapia para todos los
grupos del ganado. Estudios formales de la utilizacin total de antibiticos y la
productividad resultante de los animales con programas profilcticos masivos versus
los programas teraputicos selectivos proveeran de informacin til en este tema.
Modificacin de la Respuesta del Husped

La resistencia de un husped a la infeccin y/o enfermedad puede ser odificada por el
incremento de la resistencia gentica (por ejemplo, mediante la seleccin de lneas de
aves resistentes a la enfermedad de Mareck) por medio de la estimulacin de la
resistencia adquirida (por ejemplo, la inmunizacin masiva), o asegurando la
transferencia de la inmunidad pasiva (por ejemplo, ayudando a los terneros a tomar el
calostro de sus madres y/o alimentndolo con calostro de un banco).
Los programas de inmunizacin masiva han sido utilizados exitosamente en el
control de muchas enfermedades de los animales de granja como la brucelosis bovina,
y en enfermedades de animales de compaa como el distemper canino. En los
animales de granja, la vacunacin es usada a menudo en un intento de reducir la
prevalencia de enfermedades endmicas a niveles tales que la matanza selectiva y/o la
eliminacin general puedan ser utilizadas. Por ejemplo, la vacunacin en contra de la
fiebre aftosa se realiza en muchos pases en los que la infeccin es meso o

hiperendmica. El identificar el tiempo apropiado para eliminar la vacunacin como
un elemento de un programa de erradicacin es difcil y tiene aspectos tanto
cientficos como sociales. Si se utiliza la inmunizacin en masa, las dificultades se
presentan al tratar de diferenciar si los resultados a la prueba son por infeccin natural
o por la respuesta inmunolgica inducida por la vacunacin. Esto puede ocasionar
dificultades particulares para los programas de control as como para la investigacin
serolgica de rutina; si el agente vacunal es capaz de diseminarse, estas dificultades
se agravarn. La vacunacin masiva es un componente frecuente de los programas de
control dirigidos a controlar muchas enfermedades exticas, an cuando el valor de
esta prctica es difcil de establecer. Adems, existe cierta preocupacin acerca de la
diseminacin de la infeccin por grupos de vacunas en las primeras etapas de los
programas de erradicacin.
Los programas de vacunacin usualmente se aplicaron a proteger directamente las
especies de inters. Recientemente se han realizado investigaciones en Europa y Norte
Amrica acerca de vacunar a reservorios silvestres en contra de la rabia utilizando
vacunas orales. El intento de tales programas es el controlar la enfermedad en la
poblacin reservorio, y reducir el riesgo de transmisin a los animales de compaa y
de granja, as como a los humanos.
Si bien hubo un retroceso a la inmunizacin masiva, quizs fue debido a nuestro
entendimiento estrecho y a la pobre cobertura de los programas de control de
enfermedades, mientras se pone considerable nfasis en esta nica medida. An
cuando muchas vacunas comnmente vendidas para la prevencin de enfermedades
endmicas (tales como enfermedades respiratorias y/gastrointestinales) nunca han
demostrado ser efectivas, grandes sumas de dinero son invertidas anunciando su
potencial benfico a los profesionales y gente relacionada con el medio. El aspecto
desafortunado de esta dependencia en la inmunizacin es el potencial para algunas de
esas vacunas de causar an mayor dao que bienestar.
Control de Medio Ambiente y/o Manejo

La mayora de las enfermedades resultan de un desbalance ecolgico entre el
hospedador y su medio ambiente. Si el medio puede ser alterado para reducir la
severidad o aparicin de dichos desbalances, el resultado sera un nivel de enfermedad
reducido. Ejemplos de tales medidas incluyen el mejorar el ambiente fsico en los
establos por medio de ventilacin e iluminacin, el mantenimiento regular del equipo
de ordeo, y el uso de toallas de papel desechables luego de un solo uso, como
mejoras en las medidas de control de la mastitis bovina. Esta sigue siendo un rea no
completamente investigada o utilizada, an cuando muchos practicantes estn
tomando mayor preocupacin en este aspecto y dndole menor importancia al uso de
biolgicos. De cualquier manera, existe una gran necesidad de evaluar formalmente la
eficacia de cualquiera de estos programas de control.
La higiene medioambiental incluye tambin la limpieza fsica de los animales y sus
medios as como esquemas de manejo como son rotacin de pasturas y el uso de
cunas porttiles para terneros. La higiene medioambiental es esencial durante el
proceso de la matanza tanto para prevenir la diseminacin de enfermedades en
animales susceptibles (por ejemplo, previniendo que los perros y otros animales
tengan acceso a los desperdicios) y para asegurar un producto seguro para el
consumidor. A pesar de los altos niveles de higiene en los camales de los pases
desarrollados, el consumidor necesita conocer mtodos higinicos de preparacin de

alimentos en el hogar, debido a que agentes como la salmonela tienden a permanecer
en el producto final.
Educacin
Programas de educacin para el pblico deben ser una parte integral de los sistemas
de control y erradicacin de enfermedades. Desafortunadamente esto a menudo es
sobre estimado o se le da una importancia secundaria relativa a otras medidas mucho
ms directas o dramticas como la vacunacin masiva. En la medicina veterinaria
hay muchos ejemplos clsicos en los que programas educacionales han sido parte
integral del programa de control, como la campaa para controlar la enfermedad
hidatdica en Nueva Zelanda y Chipre, y en los recientes esfuerzos en contra de la
fiebre porcina africana en el Caribe.
Relacionado a este aspecto se encuentra tambin la necesidad de los veterinarios en
educarse en los diferentes aspectos sociales en los que su profesin tiene un impacto.
Esto incluye el lazo humano-animal, el como ven los granjeros a los servicios
veterinarios, y como los productores lecheros se ven a s mismos. Dicho
entendimiento debera mejorar grandemente la efectividad del servicio veterinario.
Control Biolgico
Este mtodo de control utiliza cosas vivas que el ser humano razonablemente
considera que no son perjudiciales para sus propsitos de controlar otras cosas vivas
que son consideradas peligrosas. Tales medidas pueden estar dirigidas directamente a
los agentes causantes de enfermedades, o indirectamente por medio del control de
vectores o poblaciones reservorio. Un ejemplo del uso de estos mtodos, el control de
conejos en Australia utilizando el virus de la mixomatosis. Otro ejemplo involucra el
uso de moscas mach estriles para controlar la enfermedad del gusano tornillo en
ganado bovino en el sur de los Estados Unidos. Las moscas macho son reproducidas
en gran cantidad en cautiverio, esterilizadas por radiacin, y luego son liberadas. El
objetivo es interferir con el ciclo reproductivo de la mosca. Desde que las hembras se
cruzan solamente una vez, el cruzarse con un macho estril conlleva a que no se
produzca descendencia y a una reduccin consecuente del nmero de moscas adultas.
Programas similares se estn conduciendo ahora en contra de los vectores de la
tripanosomiasis en frica.
PLANEAMIENTO INTEGRAL DEL CONTROL DE

ENFERMEDADES (UN MARCO CONCEPTUAL)
Los programas de control de enfermedades necesitan estar bien diseados tanto desde
un punto de vista biolgico como econmico. Necesitan tambin ser dinmicos de
modo que puedan involucrarse con las situaciones cambiantes (por ejemplo, la
frecuencia de la enfermedad, y/o el clima biolgico, econmico, poltico y/o social
pueden cambiar necesitndose cambios en el programa).
Cuando se combaten enfermedades especficas, particularmente si el objetivo es la
erradicacin, hay cuatro fases generales para el programa de control. En la primera
fase, el personal es entrenado, la poblacin bajo estudio es enumerada se evalan los
servicios locales de salud, y se coloca el programa de administracin local adecuado.
En la segunda fase, se inicia la actividad directa en contra de la enfermedad. La

naturaleza de estas actividades depende de la enfermedad, el mtodo principal de
ataque (por ejemplo, muestreo masivo y matanza versus el control de vectores), y las
situaciones sociales, polticas geogrficas y econmicas del rea. Esta fase continua
hasta que la prevalencia de la enfermedad se reduzca a un nivel en el cual la
transmisin continua del agente es poco probable. La tercera fase es en realidad un
perodo de repaso combinado con investigacin intensiva para los casos
remanentes, y un seguimiento retrospectivo de todos los casos para asegurar que la
fuente de origen y todos los contactos del caso sean detectados y controlados. Es aqu
donde la calidad de las actividades de deteccin es de importancia suprema. Los
procedimientos utilizados en la segunda fase necesitarn ser revaluados para
determinar su exactitud desde que la importancia relativa de los falsos negativos y
falsos positivos pueda cambiar con la prevalencia de la enfermedad. No es usual
encontrar que las caractersticas de la enfermedad residual difieran dramticamente de
las caractersticas principales de la enfermedad cuando sta era ms prevalente; esta
figura era comn en los estados finales de la campaa de erradicacin del clera
porcino en los Estados Unidos. La fase final de los programas de erradicacin de la
enfermedad incluye la vigilancia para prevenir la reintroduccin de la enfermedad y el
desarrollo de un sistema de alerta temprana para dichas introducciones. Esto es de
suma importancia si el tiempo, esfuerzo y dinero invertidos en las primeras fases no
est para ser desperdiciado permitiendo la reintroduccin de la enfermedad. La
mayora de los programas regionales y nacionales requieren de un sistema eficiente de
cuidado veterinario, as como una buena comunicacin con aquellos formalmente
encargados de la tarea de continuar con la investigacin. Sin una infraestructura
veterinaria apropiada en el rea, el xito inicial tendr corta vida.
Como se ha indicado ya, el proceso del control de enfermedades de informacin que
puede ser utilizada para generar informacin en la cual se puede basar o modificar el
programa de control. La mayora de la informacin acumulada acerca de
enfermedades endmicas se proces para satisfacer una necesidad inmediata (por
ejemplo, un proyecto de investigacin en particular o una enfermedad en particular),
pero no tienen una confidencia duradera. Seria extremadamente til el racionalizar los
sistemas de coleccin de datos actuales, de esta forma el esfuerzo principal podra ser
mucho ms directo y efectivo.
Por ejemplo, uno puede prever un sistema jerrquico de coleccin de datos
(monitoreo/investigacin) para enfermedades endmicas en el cual las granjas formen
los bloques bsicos. Mucha de la informacin generada en una granja slo es de
inters para el propietario, de cualquier modo, una parte es de valor para el
veterinario. A nivel de granjas, la informacin de valor para el propietario incluira
listas de acciones (por ejemplo, vacas prximas a parir, vacas prximas a presentar
celo, etc.) y el monitoreo de la produccin (por ejemplo, el perodo desde el parto
hasta el primer celo observado, la produccin lctea diaria, etc.) de modo que los
problemas puedan ser detectados tempranamente. Resmenes de problemas de saludo
y problemas reproductivos son por regla general necesarios en cada granja de modo
que los objetivos puedan ser comparados con blancos y para que las actividades para
mantener la salud animal puedan ser modificadas de manera acorde. Esta ltima
informacin puede ser aprovechada a nivel de veterinarios, al ser integrada con la de
otros clientes. Esto permitira a los veterinarios comparar niveles de enfermedad y
medidas de eficiencia productiva y reproductiva en una propiedad individual con la de
otros clientes, y adems monitorear continuamente y cuantificar el estado de salud de
la poblacin animal de un rea. La informacin de animales individuales sera de

valor tambin para el veterinario como medio de monitoreo de la respuesta a terapias
y /o de la eficacia de procedimientos profilcticos dirigidos a un individuo. El
veterinario puede preparar una lista de vacas problema y discutir las medidas de
control alternativas con otros colegas antes de visitar las granjas.
De una forma similar, la informacin proporcionada por un nmero de veterinarios
puede ser combinada con informacin de otras fuentes (por ejemplo, laboratorios de
control de calidad de leche, camales y laboratorios de diagnstico) en el centro
epidemiolgico regional. Estos centros utilizaran la informacin integrada para
proseguir con investigaciones dedicadas a asistir a los veterinarios del rea a resolver
problemas relacionados al control de enfermedades (el nmero de muestras requeridas
y la complejidad de las bases de datos prohibiran esto a nivel de la prctica
veterinaria individual). Adems, dicha informacin puede ser utilizada como una base
racional para el establecimiento de prioridades de investigacin, el monitoreo de la
enfermedad, y para la sealizacin de problemas que requieran de inmediata atencin.
El conocimiento derivado de tales actividades puede luego ser devuelto por medio de
reuniones formales, trabajadores de extensin, publicaciones de investigacin, bases
de datos con informacin para compartir, etc. adems, un sistema como tal resultara
en un esfuerzo ms eficiente, dirigido, y armoniosamente confiable de aquellos
involucrados con la manutencin de la salud animal.
Si existiera un deseo de utilizar informacin de un sistema como tal para el monitoreo
de enfermedades, para entonces asegurar que estos datos son representativos, sera
necesario un muestreo formal de granjas fuente. De cualquier manera, este no debera
ser uno de los principales objetivos del sistema, al menos no inicialmente; en lugar de
eso, los granjeros interesados y capaces, y los veterinarios deberan servir de
colaboradores. Debido a que casi todos los sistemas de monitoreo de enfermedades
animales tienen un impacto en, o requieren del ingreso del dueo individual del
animal, parece lgico que altos niveles de colaboracin seran asegurados si el sistema
sirviera a las necesidades directas de los dueos y no solo las necesidades de una
agencia gubernamental u otra agencia extranjera. Aun cuando no existe un sistema tal
en la actualidad, existen una cantidad de sistemas, por ejemplo, los sistemas de
manejo de salud para hatos individuales como el DAISY. Con adecuados empuje,
modificaciones y ayuda, los sistemas actuales podran formar la base de un nuevo
sistema jerrquico general.
DONDE SE COMENTAN LOS USOS DEL ANLISIS DE

SUPERVIVENCIA
En general, el anlisis de supervivencia mide el riesgo de ocurrencia de un evento
dado en funcin al tiempo. Por lo tanto se enfoca en el tiempo que pasa desde que un
sujeto entra al estudio hasta que el evento ocurre, empleando la curva de
supervivencia para describir esta distribucin. El anlisis de supervivencia tambin
tiene que ver con la comparacin de curvas de supervivencia de combinaciones de
diferentes factores de riesgo empleando modelos estadsticos con este fin. Los
mtodos estadsticos que se emplean son los mismos que los que hemos estudiado
para caso-control y cohortes. Si el riesgo es pequeo, se deben analizar con una
regresin de Poisson y si los riesgos no son muy pequeos entonces con una regresin
logstica.
En el anlisis de supervivencia la variable de inters es el tiempo hasta que el evento
ocurre. Esta duracin se puede medir en das, semanas, meses o aos desde el inicio
de la observacin en un individuo dado hasta que este presenta el evento en estudio.
Los eventos que se estudian comnmente son muerte, incidencia de una enfermedad,
reincidencia o relapso, recuperacin parcial y en general cualquier evento en un
individuo.
Este anlisis tiene la ventaja de que permite un tratamiento apropiado de datos
incompletos (con censura). Cuando un individuo entra al estudio una vez que ste ha
comenzado, sus datos sern censurados a la izquierda porque no nos consta la
informacin del nuevo ingreso desde el inicio del tiempo de observacin hasta la
entrada del individuo al estudio. Los mtodos que vamos a estudiar, sin embargo, son
pertinentes en el caso de censura a la derecha (drop outs). Salen del estudio por
razones ajenas al estudio sin haber manifestado el evento, no nos consta que pas
luego que dejaron el estudio pero si sabemos que hasta que se fueron, no manifestaron
el evento. De ah que a las observaciones de individuos que han dejado el estudio
antes de manifestar el evento y por causas ajenas al estudio se les llame datos
censurados a la derecha. Los pacientes dejan (y censuran la informacin) el estudio en
tres condiciones:
El individuo se retira del estudio por cualquier razn antes de experimentar el evento.
Un evento confundente sucede (fallas por causas no relacionadas al estudio),
impidiendo subsecuentes observaciones en el individuo.
El individuo no experimenta el evento hasta que este termina (o se requiere un anlisis
preliminar).
La Figura 1 muestra los datos del seguimiento de algunos pacientes que recibieron un
tratamiento nuevo para el cncer terminal. Cada paciente ha sido representado por una
lnea que describe su seguimiento. Slo las lneas que terminan en un punto han sido
individuos en los que se observ el evento outcome (en este caso muerte). Un aspecto
importante es el tiempo que ocurre hasta que el evento sucede, al que se denomina
tiempo de falla an en los casos en los que el evento outcome es favorable (como
tiempo a la recuperacin). En este caso el evento slo se observ en tres pacientes
(igual que el tiempo de falla). Dos de los pacientes salieron del estudio sin que se haya
registrado el evento y dos pacientes cumplieron el tiempo de observacin sin que se
haya registrado el evento.
Figura 1. Seguimiento de la supervivencia de pacientes con cncer terminal

Seguimiento
Fin del estudio
Reclutamiento
16
24
32
40
Al anlisis de supervivencia, tambin se le conoce como anlisis actuarial, de

supervivencia o de tablas de vida. Histricamente, las tablas de vida fueron empleadas
por primera vez por el astrnomo Edmund Halley, que aparte de perennizarse con el
cometa describi los tiempos de supervivencia de los habitantes de un pequeo pueblo
ingls. En medicina, la mayora de los estudios de supervivencia usan una cohorte
para elaborar tablas de vida, vale decir, un grupo de individuos que pueden tener
diferentes exposiciones y variables confundentes y de interaccin, se siguen por un
tiempo prudencial para caracterizar su supervivencia o definir diferencias entre
variables con respecto a su efecto sobre la misma.
Los usos de ste mtodo son anlogos en Medicina Veterinaria, si embargo, en este
campo se presentan utilidades adicionales cuyo uso representa, hasta cierto punto, una
prioridad. En realidad, lo que se quiere es estudiar el fenmeno tiempo hasta un
evento. Evidentemente, tiempo a la muerte caracteriza el anlisis y de ah que se llame
de tablas de vida o supervivencia. Sin embargo, la capacidad de caracterizar tiempo a
un evento lo hace muy propicio para estudiar por ejemplo, tiempo a remisin, a
recidiva, a cura total, a recuperacin del estado de salud o peso y as una serie de
variables relacionadas no slo a la salud en s sino tambin a procesos productivos. De
ah que sea preocupante el poco uso que se le da a una metodologa de tanta utilidad.
ANLISIS ACTUARIAL O DE TABLAS DE VIDA

Tambin conocido como mtodo de Cutler-Ederer, el anlisis actuarial involucra dos
asunciones acerca de los datos. En este anlisis el tiempo de observacin se divide en
intervalos arbitrarios del mismo tamao. En general, el anlisis actuarial y las curvas
de supervivencia se refieren a la supervivencia para cada intervalo. La primera
Asumcin es que los retiros (drop outs), en promedio, ocurren a la mitad del intervalo.
Esta Asumcin no tiene consecuencias cuando el intervalo de tiempo es corto,
empero, puede haber un sesgo considerable si los intervalos son grandes, si es que se
retiran muchos individuos y si en realidad los individuos no desertan, en promedio,

hacia la mitad del perodo. La segunda Asumcin es que an cuando la supervivencia
en un perodo dado necesita que el individuo haya supervivido los perodos anteriores
al perodo en cuestin (para que llegue a estar expuesto al perodo), la probabilidad
que el individuo sobreviva el perodo es independiente de los perodos anteriores.
CURVA DE SUPERVIVENCIA
El mtodo de Kaplan-Meier es similar al anlisis actuarial excepto para el tiempo de
observacin, que no se divide en intervalos para el anlisis. Este hecho lo hace
particularmente til cuando se trata de un nmero pequeo de individuos. El mtodo
de producto lmite de Kaplan-Meier involucra menos clculos que el mtodo
actuarial, en principio porque la supervivencia se calcula cada vez que un individuo
manifiesta el evento en estudio, de manera que los drop outs se ignoran. La curva de
supervivencia se define como la proporcin de individuos que sobreviven ms all de
un tiempo de duracin dado t. Para una poblacin grande, esta curva es una funcin de
t que decrece de manera continua de un mximo de 1 cuando t es igual a 0. En la
prctica, esta funcin de supervivencia decrece discretamente cada vez que se registra
un evento. La construccin grfica de una curva de supervivencia es directa y no es
ms complicad que graficar la distribucin emprica a partir de una muestra ordinaria
de datos. Para el caso, consideremos los datos de la figura 1.
Primero hay que imaginar que todos los individuos han entrado al estudio al mismo
tiempo, esto significa mover las observaciones de manera que todas inicien en un
tiempo terico 0. El nmero de individuos en riesgo para cualquier tiempo t se define
como el nmero de supervivientes que queden a la duracin de t. En nuestro ejemplo,
el nmero en riesgo es igual a 7 cuando t es 6 semanas o menos, 6 para el rango de t
entre 7 a 10 semanas, luego del cual baja a 4 desde que dos tiempos de supervivencia
se acaban (uno por censura y el otro por evento).
El paso final para construir la curva de supervivencia involucra hacer una tabla en la
que cada fila va a corresponder a un tiempo de falla (ojo con la definicin de tiempo
de falla). La tabla debe contener columnas que denoten:
Tiempo de falla (t)
Nmero de fallas hasta ese tiempo t (Ft).
1. Nmero de sujetos que permanecen en riesgo hasta el tiempo t (Rt).
2. Proporcin de supervivientes al tiempo t ( 1
Ft
Rt ).
La tabla 1 presenta una tabla de supervivencia construida como se indic

anteriormente.
Tabla 1. Clculos para construir una tabla de supervivencia
T
Ft
Rt
Ft
St
Rt
10
0.833
0.833
16
0.75
0.625
23
0.667
0.416
Para estimar la curva de supervivencia en cada punto de falla t (St) se multiplica la

proporcin de superviviente hasta e incluyendo el tiempo de falla dado. La curva
permanece horizontal entre cada tiempo de falla, para el caso de la tabla 1, la curva de
supervivencia tiene un valor de 1 hasta la dcima semana, en ese punto cae a 5/6 =
0.833. Luego se queda en 0.833 hasta la semana 16 y ah cae 0.833 x (3/4) = 0.625,
permaneciendo en este valor hasta la semana 23, cuando cae hasta 0.625 x (2/3) =
0.416. Estos datos se grafican en una tabla en la que se consignan las proporciones en
el eje de las y y las semanas en el eje de las x. Usualmente terminamos con una figura
en forma de escalera, a la que se llama curva de supervivencia de Kaplan-Meier. Haga
el grfico.
A partir de la curva de Kaplan-Meier se puede calcular la mediana para sumarizar la
curva, en este caso, compruebe que la mediana es de aproximadamente 23 semanas
(coordenada que corresponde a la proporcin 0.5). A la mediana se le llama mediana
de la duracin de la supervivencia. Este es el tiempo de supervivencia que han
superado el 50% de los individuos en la cohorte. Tambin puede ocurrir que no se
pueda calcular la mediana cuando existe demasiada cesura y por lo tanto la mediana
no es computable.
Se pueden estimar intervalos de confianza para cada punto de falla calculando
primero el error estndar de cada punto. El error estndar de la supervivencia en cada
punto de falla (supervivencia acumulada) se aplica la siguiente frmula:
SE ( S t ) = S t
Ft
Rt ( Rt Ft )
En realidad, si bien es cierto que el clculo de la curva de supervivencia tiene un valor

per se, es usualmente de mayor inters el comparar las curvas de supervivencia para
diferentes grupos o individuos. Para hacer eso, solo se grafican las curvas de
supervivencia para subgrupos de inters en el mismo grfico. Cuanto ms alta sea la
curva, mejor es el pronstico de supervivencia del grupo. Por lo tanto si por ejemplo
la curva de supervivencia de un subgrupo que tiene el factor A esta completamente
por encima de la del grupo B, entonces los individuos del grupo A tienen mejores
expectativas de supervivencia. Si las dos curvas se cruzan significa que el pronostico
de supervivencia depende de cuanto tiempo ha sobrevivido el individuo.
COMPARACIN DE CURVAS DE SUPERVIVENCIA

Obviamente, caracterizar la supervivencia de un evento dado es de gran inters, sin
embargo, poder comparar dos o ms curvas de supervivencia tiene perspectivas
mucho ms interesantes. Por ejemplo, podramos evaluar el efecto de tratamientos o
procedimientos que afecten cualquier fenmeno cuya variable dependiente sea del
tipo tiempo a un evento. De ah el inters de revisar mtodos de comparacin.
Desafortunadamente no hay uno sino varios mtodos. Al igual que los mtodos
empleados para caracterizar diferencias entre grupos luego de un ANOVA
significativo, los mtodos de comparacin de curvas de supervivencia ms apropiados
dependen de la naturaleza de los datos. Los mtodos ms citados en la literatura son
tres, de los cuales detallaremos uno. Los mtodos son, a saber, EL Mtodo de Gehan o
de Wilcoxon generalizado, el test Logrank y el de Mantel-Haenzel.
Una prueba para comparar curvas de supervivencia es el mtodo de test de Logrank.
Aunque no es la ms usada, este estadstico se ha publicado de varias formas por un
nmero de estadsticos, de manera que tambin tiene varios nombres. Se le conoce

tambin como estadstico logrank de Mantel, el estadstico logrank de Cox-Mantel y
simplemente como test logrank. Un enfoque alternativo al test fue desarrollado por
Peto y Peto y as se le ha citado en un nmero de publicaciones. En breve, el test de
logrank compara el nmero de fallas en cada grupo con el nmero de fallas que
habramos esperado de combinar las fallas de ambos grupos. Una aproximacin a la
prueba de Chi-cuadrado se usa para calcular la significancia de una expresin
matemtica que involucra fallas esperadas y observadas.
Otro mtodo para comparar curvas de supervivencia es un estimado del Odds ratio
desarrollado por Mantel y Haenzel y que sigue (aproximadamente) una distribucin
Chi-cuadrado con un grado de libertad. La prueba de Mantel-Haenzel combina una
serie de tablas 2 x 2 formadas a diferentes tiempos de supervivencia en un test general
de significancia. El mtodo de Gehan o Wilcoxon generalizado se puede usar con
observaciones censuradas y tambin se le conoce en la literatura como el test de
Breslow o comparacin generalizada de Kruskall-Wallis para ms de dos muestras.
En el test de Gehan, cada observacin en una de las muestras es comparada con cada
observacin en la segunda muestra. Se calcula una expresin matemtica que
involucra los rangos y esta funcin sigue, aproximadamente, una distribucin normal,
de manera que la distribucin de z se puede emplear para determinar diferencias
estadsticas significativas. En breve, se compara cada par de observaciones y se les
asigna un valor de +1 si la muestra referencial es mayor y 1 si la muestra referencial
es menor y 0 si las observaciones son iguales. Luego se suman los resultados de las
columnas para obtener el estadstico V, que es el numerador del estadstico V* del test
de Gehan. Paralelamente, se ordenan todos los valores (combinando ambos grupos) y
se calcula para cada individuo el nmero de individuos expuestos hasta y luego del
tiempo hasta el que se sigui al individuo en cuestin. La diferencia entre los que
sobrevivieron antes y despus (d) se emplea para calcular el denominador SD(V) y
finalmente el estadstico V*.
V8 =
SD(V ) =
V
SD(V )
n1n2 d 2
(n1 + n2 )(n1 + n2 1)
Los datos que hemos estado siguiendo en esta clase vienen de un estudio ms
complejo sobre el estudio de un nuevo tratamiento, con grupos tratados y control.
Consideremos el estudio completo para graficar los mtodos de comparacin de
curvas de supervivencia.
Tabla 2. Tiempos de remisin de pacientes con leucemia
Grupo Tratamiento
Grupo control
6, 6, 6, 7, 10, 13, 16, 22, 23, 1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8,

6+, 9+, 10+, 11+, 17+, 19+, 8, 8, 11, 11, 12, 12, 15, 17,
20+, 25+, 32+, 32+, 34+, 22, 23
35+
+ denota datos censurados
Hay 21 individuos en cada grupo. Como ninguno de los tiempos observados en el

grupo control esta censurado, la curva de supervivencia para esos pacientes es facil de
construir, la altura de la curva baja 1/21 a cada tiempo de falla. Calcule las curvas
para cada grupo. Desarrolle una tabla como se describio anteriormente y luego
construya una curva de Kaplan Meier para cada grupo y calcule las medianas.
Grafiquelas juntas. De la construccin de las curvas va a ser evidente que los
pacientes del grupo tratamiento toman ms tiempo para remisin. Las medianas son
de 23 semanas para el grupo tratado y de 8 semanas para el grupo control. Interprete
los resultados. Ahora bien, las curvas son evidentemente diferentes, pero les falta
algn valor de P para ver si en verdad la diferencia observada se debe o no a
variaciones debidas al azar. Para esto se emplea la metodologa de Mantel-Haenzel
ajustando por duracin de supervivencia que hemos estudiado anteriormente.
El riesgo promedio de relapso para un paciente en una semana dada es pequeo (30
relapsos en 541 personas-semana), de manera que el mtodo para analizar densidades
de incidencia es apropiado. Hay a = 9 relapsos y L1 = 359 personas-semana de
exposicin total en el grupo de tratamiento, comparado con b = 21 eventos en el
grupo control con L0 = 182 personas-semana de exposicin. Calcule la densidad de
incidencia (0.217) y el intervalo de confianza (0.100, 0.474). Se puede obtener un
valor de z dividiendo el logaritmo del estimado entre el error estndar, esto da
z = -1.527/0.398= -3.83, de manera que el valor de P = 0.0001, una evidencia fuerte
de que e de que el riesgo de remisin no depende del tiempo transcurrido.
DE LAS FRMULAS PARA CALCULAR TAMAO

MUESTRAL Y DE ALGUNAS ILUSTRACIONES DE SU
USO
CUANDO SE QUIERE VERIFICAR UNA PROPORCION O
PORCENTAJE CUYO VALOR SE SABE O INTUYE
n=
z 2 p(1 p )
d2
Donde n es el tamao muestral deseado, p es la prevalencia y d es la mxima distancia

que est dispuesto a tolerar entre el valor puntual calculado y el verdadero valor de la
proporcin o el porcentaje en la poblacin (futuro intervalo de confianza).
Evidentemente, esta frmula se ha despejado a partir del intervalo de confianza. En
este caso, al valor del intervalo de confianza se le ha denotado como d para proceder a
manipular la frmula algebraicamente
CUANDO SE QUIERE COMPROBAR SI UNA CONDICIN

EXISTE Y SE PRESENTA CON UNA PROPORCIN O
PORCENTAJE MAYOR AL DE UN LMITE DEBAJO DEL CUAL
SU PRESENCIA ES INDIFERENTE
n=
log(1 confianza )
log(1 p )
Donde n es el tamao muestral mnimo para obtener al menos un positivo 95% de las
veces (confianza) de ser el caso que la condicin estuviera presente con al menos la
prevalencia lmite. En este caso, la confianza denota la probabilidad de estar en lo
cierto y p a la prevalencia lmite. Esta frmula se puede despejar a partir de la
probabilidad de que al menos un individuo sea positivo si existe al menos una
prevalencia lmite. En realidad, la probabilidad de tener una cantidad n nmero de
sucesos en N eventos cuando existe una probabilidad p de xitos y q, o sea (1-p) de
fracasos es igual a (distribucin binomial):
p=
N!
p n q ( N n )
n!( N n )!
Si reemplazamos por ningn evento positivo tendramos:
p=
N!
p 0 q ( N 0 )
0!( N 0)!
Consecuentemente, podramos tambin calcular cul sera su probabilidad

complementaria, de que al menos haya un positivo como:
N!
p = 1
p 0 q ( N 0 )
0!( N 0)!
Calcular la frmula de tamao muestral a partir de la ltima expresin esta al alcance

del lgebra que nos habra permitido llegar hasta el momento en que requieren
estudiar esta separata.
DE OTRAS FORMULAS QUE SERIA CONVENIENTE

TENER, PERO USAR SOLO CON ASESORAMIENTO
ADECUADO
CUANDO LA VARIABLE DE MEDIDA ES BINARIA
Test de Fisher Exacto
Se saca de tablas o de programas de computadora.
Aproximacin X2
La tabla de contingencia 2 x 2 de X2 se puede utilizar en lugar de la prueba de Fisher
siempre y cuando hayan ms de 15 pacientes en todas las celdillas de la tabla de
contingencia. La siguiente frmula se puede emplear para el tamao muestral en los
grupos de tratamiento si la tasa esperada de eventos en ambos grupos de tratamiento
se encuentre entre 0.2 y 0.8:
Mismo nmero de animales por grupo ( = 1)
nc
(Z
=
PQ + Z Pc Qc + Pt Qt
2A
nt = nc
N = ( r + 1) nc
Nmero diferente de animales por grupo ( 1)
nc
(Z
=
PQ ( + 1) + Z Pc Qc + Pt Qt
2A
nt = nc
N = rnt + nc
Donde:
nt
Es la tasa de individuos tratados sobre controles.
nc
nc Es el tamao muestral para el grupo de individuos control (placebo).

nt Es el tamao muestral para el grupo de individuos tratados.
N es el tamao muestral total.
Error tipo I (1- confianza).

Es el error tipo II (1 poder).
Z es el valor zeta de la tabla de distribucin normal.
Pc tasa de ocurrencia asumida para el grupo control.

Pt tasa de ocurrencia asumida para el grupo tratamiento.
Qc = 1- Pc y Qt = 1- Pt
P=
Pc + Pt
1+
Q = 1 P
A = Pc Pt
Aproximacin por transformacin de la inversa del seno

La inversa del seno se usa como una aproximacin al test de Fisher exacto. Tiene la
virtud de proveer una buena aproximacin a los resultados del test de Fisher en un
rango ms amplio de valores de P que los cubiertos por la prueba de X2. Cubre
valores de P que van de 0.05 a 0.95.
nc =
(Z
+ Z
2 sen 1 Pc sen 1 Pt
nt = nc
N = ( r + 1) nc
nc =
(Z
+ Z
( + 1)
4 sen 1 Pc sen 1 Pt
nt = nc
N = rnt + nc
Aproximacin de Poisson
La aproximacin de Poisson se puede emplear para casos en los que se tenga
proporciones que caen bajo el lmite de 0.05, siempre y cuando nc Pc y nt Pt sean
ambos iguales o mayores a 10. La misma aproximacin se puede emplear para
proporciones arriba del rango superior haciendo la transformacin para los eventos
complementarios utilizando 1 - Pc y 1 - Pt respectivamente.
nc
(Z
=
+ Z
(P
) (P + P )
2
Pt )
nt = nc
N = ( r + 1) nc

nc
(Z
=
) ( P + P )
2
+ Z
(P
Pt )
nt = nc
N = rnt + nc
DE CUANDO LA VARIABLE DE MEDIDA ES CONTINUA

Las frmulas descritas tambin se podran emplear para variables continuas si es que
el investigador toma la provisin de hacer una transformacin con la respuesta final,
por ejemplo, arriba de tal valor son sanos, debajo del valor son enfermos. Si no, tiene
que calcular el tamao muestral con las siguientes frmulas:
Aproximacin normal para dos promedios independientes

Es importante que las observaciones de los grupos de tratamiento y control se
distribuyan normalmente para que proceda el clculo de tamao muestral con esta
frmula.
nc =
2 Z + Z 2
t )
nt = nc
N = ( r + 1) nc

nc =
2 Z + Z 2 ( + 1)
t )
nt = nc
N = rnt + nc
Donde:
c es el promedio para los pacientes sin tratamiento.
t es el promedio para los pacientes con tratamiento.
2 es la varianza para todos los pacientes.
Aproximacin normal para detectar variaciones con relacin a

valores basales
nc =
2 Z + Z d2
dc
dt )
nt = nc
N = ( r + 1) nc
nc =
2 Z + Z d2 ( + 1)
dc
dt )
nt = nc
N = rnt + nc
Donde:
dc = 1c 0c Diferencia entre el basal y los valores encontrados en el seguimiento

en el grupo control.
dt = 1t 0t Diferencia entre el basal y los valores encontrados en el seguimiento

en el grupo de tratamiento.
0c es el basal esperado para el grupo control
1c promedio esperado para muestras sucesivas en el grupo control.
0t es el basal esperado para el grupo de tratamiento
1t promedio esperado para muestras sucesivas en el grupo de tratamiento.
d2 = 2(1 ) 2
2 varianza esperada en un mismo individuo (basal o seguimiento).
es el coeficiente de correlacin entre las medidas basales y de seguimiento para un
mismo individuo.
FRMULAS DE PODER
Aproximacin X2
Poder = 1 ( A )
Donde:
Z
A=
2 PQ
Pc Pt
nc
Pc Qc + Pt Qt
nc
Poder = 1 ( A )
Donde:
Z
A=
PQ PQ
+
Pc Pt
nc
nt
Pc Qc Pt Qt
+
nc
nt
Aproximacin por transformacin de la inversa del seno

Poder = 1 ( A )
Donde:
A = Z
2 sin 1 Pc sin 1 Pt
2
nc
Poder = 1 ( A )
Donde:
A = Z
2 sin 1 Pc sin 1 Pt
1
1
+
nc nt
Aproximacin de Poisson
Poder = 1 ( A )
Donde:
Pc Pt
A = Z
Pc + Pt
nc
Poder = 1 ( A )
Donde:
Pc Pt
A = Z
Pc + Pt
nc
VARIABLE DE MEDIDA CONTNUA

Aproximacin normal para dos promedios independientes
Poder = 1 ( A )
Donde:
A = Z
c t
2 2
nc

Poder = 1 ( A )
Donde:
A = Z
c t
(n
+ nc ) 2
nt n c
Aproximacin normal para detectar variaciones con relacin a

valores basales
Poder = 1 ( A )
Donde:
A = Z
dc dt
2 d2
nc

Poder = 1 ( A )
Donde:
A = Z
dc dt
(n
+ nc ) d2
nt n c

Epidemio Postgrado Maestria PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Epidemio Postgrado Maestria PDF

Cargado por

Copyright:

Formatos disponibles

EPIDEMIOLOGIA VETERINARIA

Serie de Monografas en Epidemiologa Veterinaria

Lab Med Prev Vet, Pgina 1

DE LAS NOCIONES GENERALES QUE USUALMENTE

DONDE SE COMENTA SOBRE EL DIAGNOSTICO DE LA

Lab Med Prev Vet, Pgina 2

DE PORQUE ES BUENO EVALUAR UNA PRUEBA

proveen informacin diferente. Lo malo, como discutiremos en detalle, es que los

USOS Y DEFINICIONES DE LOS EVALUADORES DE

Valor Predictivo Positivo

Lab Med Prev Vet, Pgina 4

Valor Predictivo negativo

DE OTRAS FORMULAS EMPLEADAS PARA ELCALCULO Y

Estado Real (naturaleza)

De donde tendramos las siguientes definiciones:

Valor Predictivo Positivo:

Valor Predictivo Negativo:

naturaleza con el resultado de la prueba. De hecho, todo va a estar incorrecto si es que

SOBRE ALGUNAS PRECISIONES DE CALCULO Y

Lab Med Prev Vet, Pgina 6

DONDE SE REFLEXIONA SOBRE ALGUNOS ERRORES DE

Lab Med Prev Vet, Pgina 7

DONDE SE TRATA SOBRE LA RELACION ENTRE

Relacin entre la sensibilidad y la especificidad

La figura de arriba se obtuvo a partir de datos obtenidos al evaluar una prueba de

UN COMENTARIO SOBRE LOS VALORES DE SENSIBILIDAD,

positivo es mayor a mayor prevalencia. Inversamente, el valor predictivo negativo es

DE CMO HACER EL ANLISIS CUANDO NO SE SABE CUAL

El criterio para determinar el grado de concordancia entre los resultados es el

Lab Med Prev Vet, Pgina 10

Las pruebas se pueden remplazar mutuamente

Las pruebas no se pueden remplazar mutuamente

( 31)( 36) +( 32)( 27) ]

Lab Med Prev Vet, Pgina 11

Lab Med Prev Vet, Pgina 12

hace evidente la infeccin en carne en especimenes de 20 g. Se evalan 100

California Mastitis Test:

Comparado al examen clnico la prueba de California es:

Lab Med Prev Vet, Pgina 13

DE LAS MEDIDAS DE ENFERMEDAD EN LAS

DONDE SE PRESENTA UNA OPININ INDIGNADA DEL USO

Lab Med Prev Vet, Pgina 14

cualquier hecho que merezca la atencin del comentarista en el curso de una

DE LA DEFINICIN DE PREVALECIA Y LAS FORMULAS Y

Nmero de individuos enfermos

Este indicador es muy usado sobre todo en estudios de monitoreo transversal de

Lab Med Prev Vet, Pgina 15

En este caso, nosotros empezamos el anlisis calculando la proporcin de cerdos

DE COMO LA PREVALENCIA SE AFECTA POR EL METODO

variar junto a la par de la prevalencia y es aconsejable presentarla lo ms real posible.

DONDE SE DEFINE INCIDENCIA, SUS TIPOS Y LOS

Lab Med Prev Vet, Pgina 17

DONDE SE INDICA QUE ES INCIDENCIA ACUMULADA

DONDE SE DEFINE INCIDENCIA REAL

todo el perodo y se multiplica por la duracin del perodo de observacin. Segundo,

Nmero de casos nuevos

ALGUNOS EJERCICIOS SOBRE MEDIDAS DE ENFERMEDAD

Lab Med Prev Vet, Pgina 19

pide un receso para ir al bao, agarra su calculadora, un lpiz, papel multipropsito y

Lab Med Prev Vet, Pgina 21

DE LA CAUSA, LA CAUSALIDAD Y ALGUNAS

Si la enfermedad E ocurre despus de que se registra F, entonces se puede descartar c

SOBRE LOS TIPOS DE CAUSA