Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística y Epidemiología
Estadística y Epidemiología
ESTADÍSTICA Y EPIDEMIOLOGÍA
(edición 2022)
ISBN
978-84-18767-07-4
DEPÓSITO LEGAL
M-26692-MMXIX
DISEÑO Y MAQUETACIÓN
Iceberg Visual Diseño, S.L.N.E.
5
RELACIÓN GENERAL DE AUTORES
ESPAÑA
ADEVA ALFONSO, JORGE (1) GALLO SANTACRUZ, SARA (24) ORTIZ SALVADOR, JOSÉ MARÍA (15)
ALEDO-SERRANO, ÁNGEL (2) GANDÍA GONZÁLEZ, MARÍA LUISA (4) OTAOLA ARCA, HUGO (36)
ALONSO PEREIRO, ELENA (3) GARCÍA CARRERAS, ALEJANDRO (1) PADULLÉS CASTELLÓ, BERNAT (10)
ALONSO SANZ, JAVIER (4) GARCÍA SEBASTIÁN, CRISTINA (7) PANADÉS-DE OLIVEIRA, LUISA (13)
ÁLVAREZ ANDRÉS, EVA (5) GARCÍA-ESCRIBANO MARTÍN, FLORENCIO (13) PARRA DÍAZ, PAULA CAROLINA
AMMARI SÁNCHEZ-VILLANUEVA, FADI (6) GARROTE GARROTE, MARÍA (21) PASCUAL GUARDIA, SERGI (37)
AMORES LUQUE, MIGUEL CAYETANO (7) GIMÉNEZ VALLEJO, CARLOS (25) PASCUAL MARTÍNEZ, ADRIANA (38)
ANTÓN MARTIN, MARÍA DEL PILAR (8) GÓMEZ ROMERO, MARÍA (26) PÉREZ SÁNCHEZ, EZEQUIEL JESÚS (39)
ANTÓN SANTOS, JUAN MIGUEL (9) GÓMEZ SERRANO, MANUEL (13) PÉREZ TRIGO, SILVIA (12)
ARREO DEL VAL, VIVIANA (4) GÓMEZ-MAYORDOMO, VÍCTOR (13) PINILLA SANTOS, BERTA (40)
BALBACID DOMINGO, ENRIQUE J. (4) GÓMEZ-PORRO SÁNCHEZ, PABLO (22) PINTOS PASCUAL, ILDUARA (17)
BATALLER TORRALBA, ÁLEX (10) GONZÁLEZ ROCAFORT, ÁLVARO (4) PIRIS BORREGAS, SALVADOR (12)
BENAVENT NÚÑEZ, DIEGO (4) GREDILLA-ZUBIRÍA, ÍÑIGO (27) PLASENCIA RODRÍGUEZ, CHAMAIDA (4)
BENÍTEZ, LETICIA GUIJARRO VALTUEÑA, AINHOA (22) RAMIRO MILLÁN, PATRICIA (41)
BERNAL BELLO, DAVID (11) HERNÁNDEZ ONTORIA, MARÍA (12) RAMOS JIMÉNEZ, JAVIER (7)
BUZÓN MARTÍN, LUIS (1) HONRUBIA LÓPEZ, RAÚL (28) RODRÍGUEZ DOMÍNGUEZ, VÍCTOR (4)
CABRERA MARANTE, ÓSCAR (12) IBÁÑEZ-SANZ, GEMMA (29) RODRÍGUEZ-BATLLORI ARÁN, BEATRIZ (9)
CAMPOS PAVÓN, JAIME (12) LALUEZA BLANCO, ANTONIO (12) RODRÍGUEZ-MONSALVE, MARÍA (22)
CANO-VALDERRAMA, ÓSCAR (13) LÓPEZ-SERRANO, ALBERTO (30) RUIZ MATEOS, BORJA (42)
CARDOSO LÓPEZ, ISABEL (14) LOUREIRO AMIGO, JOSÉ (49) SÁNCHEZ VADILLO, IRENE (4)
CERVERA YGUAL, GUILLERMO (15) LOZANO GRANERO, CRISTINA (7) SESMA ROMERO, JULIO (43)
CÍVICO ORTEGA, JESÚS ANTONIO (16) LUENGO ALONSO, GONZALO (12) SEVILLA-RIBOTA, SERGIO (9)
COBREROS PÉREZ, ÁLVARO MAEZTU, MIKEL (31) SOUTO SOTO, AURA DANIELA (22)
CORRALES BENÍTEZ, CARLOS (17) MANJÓN RUBIO, HÉCTOR (7) SUÁREZ BARRIENTOS, AIDA (44)
CUENCA RAMÍREZ, MARÍA DESAMPARADOS (18) MARCO ALACID, CRISTIAN (32) TABEAYO ÁLVAREZ, ELOY (4)
CUESTA HERNÁNDEZ, MARTÍN (13) MARTÍN RUBIO, INÉS (22) TAJIMA POZO, KAZUHIRO (20)
CUÑO ROLDÁN, JOSÉ LUIS (11) MARTÍNEZ DÍEZ, JAVIER (33) TARAMINO PINTADO, NOELIA (12)
DÁVILA GONZÁLEZ, PABLO (19) MARTÍNEZ DÍEZ, JOSÉ MANUEL (4) TEIGELL MUÑOZ, FRANCISCO JAVIER (9)
DE MIGUEL-CAMPO, BORJA (12) MARTÍNEZ-FIDALGO VÁZQUEZ, CONCEPCIÓN (9) TORRES FERNÁNDEZ, DAVID (12)
DELGADO LAGUNA, ANA (20) MARTOS GISBERT, NATALIA (5) TOUZA FERNÁNDEZ, ALBERTO (45)
DELGADO MÁRQUEZ, ANA MARÍA (48) MASANA FLORES, ELENA (34) UDONDO GONZÁLEZ DEL TÁNAGO, MARÍA (31)
ESTEBAN-SÁNCHEZ, JONATHAN (21) MOGAS VIÑALS, EDUARD (35) VALTUEÑA SANTAMARÍA, JARA (46)
FERRE-ARACIL, CARLOS (22) MONJO HENRY, IRENE (4) VÁZQUEZ GÓMEZ, FELISA (47)
FORTUNY FRAU, ELENA (23) MUERTE MORENO, IVÁN (13) VÁZQUEZ GÓMEZ, JULIO ALBERTO (47)
FRANCO DÍEZ, EDUARDO (7) NAVARRO ÁVILA, RAFAEL JOSÉ (12) VILLANUEVA MARTÍNEZ, JAVIER (9)
(1) H. G. U. Gregorio Marañón. Madrid. (19) H. de Manacor. Mallorca. (35) H. U. Vall d’Hebron. Barcelona.
(2) H. Ruber Internacional. Madrid. (20) H. U. Fundación Alcorcón. Madrid. (36) Clínica Alemana. Santiago de Chile, Chile.
(3) H. U. del Sureste. Arganda del Rey, Madrid. (21) H. U. de Getafe. Madrid. (37) Parc de Salut Mar. Barcelona.
(4) H. U. La Paz. Madrid. (22) H. U. Puerta de Hierro. Madrid. (38) H. U. Infanta Elena. Madrid.
(5) H. U. Severo Ochoa. Madrid. (23) H. U. Son Espases. Palma de Mallorca. (39) Instituto de Neuropsiquiatría y Adicciones,
(6) H. U. Virgen del Rocío. Sevilla. (24) H. Can Misses. Ibiza. PSMAR. Barcelona.
(7) H. U. Ramón y Cajal. Madrid. (25) Centre d’Ophtalmologie Sainte Odile. (40) Psiquiatra en ámbito privado. Madrid.
(8) Phoenix Children´s Hospital. Phoenix, EE.UU. Alsacia, Francia. (41) H. C. U. Lozano Blesa. Zaragoza.
(9) H. Infanta Cristina. Parla, Madrid. (26) H. U. Joan XIII. Tarragona. (42) H. Infanta Cristina. Parla, Madrid y
(27) H. Quironsalud A Coruña. La Coruña. H. Central de la Cruz Roja. Madrid.
(10) H. Clinic. Barcelona.
(28) H. U. Infanta Sofía. Madrid. (43) H. G. U. de Alicante. Alicante.
(11) H. U. de Fuenlabrada. Madrid.
(29) H. U. de Bellvitge. L’Hospitalet de Llobregat, Bar- (44) Clínica U. de Navarra. Madrid.
(12) H. U. 12 de Octubre. Madrid.
celona. (45) H. U. de Torrejón. Torrejón, Madrid y
(13) H. C. San Carlos. Madrid. H. HM Puerta del Sur. Móstoles, Madrid.
(30) H. U. San Juan de Alicante. Alicante.
(14) H. Vithas Ntra. Sra. de América. Madrid. (46) H. C. U. de Valladolid. Valladolid.
(31) H. U. de Basurto. Bilbao.
(15) H. Central U. de Valencia. Valencia. (47) H. Infantil U. Niño Jesús. Madrid.
(32) H. Virgen de los Lirios. Alcoy, Alicante.
(16) H. U. Virgen de la Victoria. Málaga. (48) H. U. Rey Juan Carlos. Móstoles, Madrid.
(33) H. U. Central de Asturias. Oviedo.
(17) H. U. Fundación Jiménez Díaz. Madrid. (49) H. Moisès Broggi. Sant Joan Despí, Barcelona.
(34) H. U. Virgen de las Nieves. Granada.
(18) H. U. Doctor Peset, Valencia.
6
MÉXICO
AGUILAR NÁJERA, OCTAVIO (50) GONZÁLEZ CHÁVEZ, ALBERTO MANUEL (67) PAZ GUZMÁN, JOSÉ DANIEL (78)
ALEMÁN GARAY, EDUARDO MOISÉS (51) GONZÁLEZ LAUREANI, JESÚS (63) PÉREZ GUZMÁN, MIREYA CITLALI (79)
ALONSO GARCÍA-POZUELO, JAVIER (52) GONZÁLEZ PÉREZ, ITZEL (68) PÉREZ PÉREZ, JOSÉ RENAN (80)
AMARO GUTIÉRREZ, NÉSTOR (51) GUAKIL SAKRUKA, LINDA (69) RAMÍREZ HINOJOSA, JUAN PABLO (63)
AQUINO RAMOS, ALEJANDRA LUCÍA (53) GUERRA BLANCO, PALOMA (70) RANGEL SELVERA, OMAR ALEJANDRO (81)
ARCEO OLAIZ, RICARDO ANTONIO (54) HERNÁNDEZ ESQUIVEL, CARLOS ARTURO (58) REBULL ISUSI, JUAN MANUEL (82)
BAHENA LÓPEZ, JOSÉ EDUARDO (55) HERNÁNDEZ VEGA, BRENDA (71) RODRÍGUEZ GUTIÉRREZ, GEORGINA (74)
BENARDETE HARARI, DENISE NIZA (56) HINOJOSA AMAYA, JOSÉ MIGUEL (72) ROMERO BARBA, ROSA NALLELY (70)
CAMACHO ROSAS, LAURA HAYDEE (57) INTRIAGO ALOR, MARIELLE (73) RUIZ MATA, JUAN MANUEL (83)
CANTORAL FARFÁN, EMILIA (58) ISLAS ESCOTO, SANTIAGO (51) SANTOS GRAPAIN, SANTIAGO (51)
CASTILLO BÁRCENA, EDGAR DAVID (59) LARA MARTÍNEZ, ALDO ENRIQUE (74) TORRES VÁZQUEZ, JUAN AGUSTÍN (84)
CHÁVEZ DELGADO, NALLELY EDUVIGES (60) LÓPEZ GONZÁLEZ, BERENICE (75) TOVAR UGALDE, MARTHA SARAI (85)
CHIAPAS GASCA, KARLA (61) MÁRQUEZ GONZÁLEZ, STEPHANY MICHELLE (61) VALDÉS FERRER, SERGIO IVÁN (50)
CRUZ GÓMEZ, CLAUDIA NAYELI (62) MARTÍN MARTÍN, MARÍA ASUNCIÓN (76) VELÁZQUEZ GUTIÉRREZ, CARLOS NORMAN (79)
DELANO ALONSO, ROBERTO (63) MARTÍNEZ CASTAÑEDA, ERIKA ADRIANA (74) VIDAL ROJO, PAOLA (86)
DÍAZ ESPINOZA, JORGE LUIS (64) MERAZ ÁVILA, DIEGO (56) VILLANUEVA RODRÍGUEZ, LUISA GERALDINE (56)
DORANTES VALDÉS, BENJAMÍN (65) MORENO MADRIGAL, LUIS GUILLERMO (77) ZARAGOZA CARRILLO, RICARDO EMMANUEL (87)
DURÁN PIÑA, ELIZABETH ANDREA (51) MUÑOZ CASTAÑEDA, WALLACE RAFAEL A (74) ZENTENO RUIZ, JUAN CARLOS (88)
GARCÍA ALBISUA, ANA MERCEDES (66) PALACIOS GARCÍA, ALBERTO AGUSTÍN (50) ZÚÑIGA DOMÍNGUEZ, LIZBETH ADRIANA (51)
(50) Inst. Nacional de Ciencias Médicas y Nutrición (63) H. Gral. Dr. Manuel Gea González. CDMX. (76) Neonatología, Unidad Médica de Alta Especiali-
Salvador Zubirán. CDMX. (64) Facultad de Medicina UNAM. CDMX. dad IMSS. Mérida, Yucatán.
(51) H. General de México. CDMX. (65) Depto. de Farmacología. Facultad de Medicina (77) H. Gral. Regional 1 Dr. Carlos Mac Gregor Sán-
(52) Dirección académica AMIR Rep. Dominicana. UNAM. CDMX. chez Navarro, IMSS. CDMX.
(53) CMN 20 de Noviembre del ISSSTE. CDMX. (66) Asociación Para Evitar la Ceguera en México. (78) H. Gral. de Zona 33 IMSS. Monterrey, Nuevo León.
(54) H. del Niño y del Adolescente Morelense. Estado CDMX. (79) Centro Médico ABC. CDMX.
de Morelos. (67) H. Español de México. CDMX. (80) Inst. Mexicano del Seguro Social /
(55) Inst. Nacional de Cardiología Ignacio Chávez. (68) ISSEMYM Tlalnepantla. CDMX. H. General Regional 200. CDMX.
CDMX. (69) Fund. H. Ntra. Sra. de La Luz I.A.P. CDMX. (81) Inst. de Seg. y Serv. Soc. de los Trabajadores
(56) H. Ángeles Lomas. CDMX. del Estado de Nuevo León “ISSSTELEON”.
(70) Centro Médico Nacional de Occidente. Guadala-
(57) Centro Dermatológico Dr. Ladislao de la Pascua. jara, Jalisco. (82) H. Ángeles Acoxpa. CDMX.
CDMX. (71) Depto. de Psiquiatría y Salud Mental. (83) H. Juárez de México. CDMX.
(58) H. Gral. de Zona 32, IMSS. CDMX. Facultad de Medicina UNAM. CDMX. (84) Centro Universitario de la Costa,
(59) H. San Ángel Inn Universidad. CDMX. (72) H. Universitario Dr. José E. González. U. de Guadalajara. Guadalajara, Jalisco.
(60) H. de Especialidades Centro Médico Siglo XXI Monterrey, Nuevo León. (85) H. Ángeles Metropolitano. CDMX.
Bernardo Sepúlveda. CDMX. (73) Centro Médico Nacional Siglo XXI. CDMX. (86) H. Infantil Privado, Star Médica. CDMX.
(61) H. Regional Lic. Adolf López Mateos del ISSSTE. (74) H. Médica Sur. CDMX. (87) H. Civil de Guadalajara Fray Antonio Alcalde.
CDMX. (75) Inst. Nacional de Enfermedades Respiratorias. Guadalajara, Jalisco.
(62) Servicios de Atención Psiquiátrica de la Secreta- CDMX. (88) Fundación de Asistencia Privada.
ria de Salud. CDMX. Conde de Valencia. CDMX.
7
ORIENTACIÓN ENARM
Importancia ENARM
Rendimiento por asignatura
Número medio de preguntas (importancia de la asignatura
(preguntas por página)
en el ENARM)
1,4 5 1,1 %
9
ÍNDICE
ESTADÍSTICA ........................................................................................................................................................13
TEMA 1 ESTADÍSTICA DESCRIPTIVA .............................................................................................................13
1.1. Técnicas de muestreo estadístico............................................................................................................ 13
1.2. Tipos de variables................................................................................................................................... 15
1.3. Medidas de análisis de los datos............................................................................................................. 16
1.4. Principales distribuciones de probabilidad............................................................................................... 18
TEMA 2 ESTADÍSTICA INFERENCIAL .............................................................................................................19
2.1. Estadística inferencial para variables cuantitativas ................................................................................... 19
2.2. Estadística inferencial para variables cualitativas ..................................................................................... 19
2.3. Cálculo del tamaño muestral para estudios de inferencia ....................................................................... 20
TEMA 3 CONTRASTE DE HIPÓTESIS ..............................................................................................................21
3.1. Errores en contraste de hipótesis ............................................................................................................ 21
3.2. Cálculo del tamaño muestral en el contraste de hipótesis ....................................................................... 22
3.3. Tests para contraste de hipótesis ............................................................................................................ 22
TEMA 4 PROBABILIDADES ............................................................................................................................27
EPIDEMIOLOGÍA ...................................................................................................................................................29
TEMA 5 ESTUDIOS DE VALIDACIÓN DE UNA PRUEBA DIAGNÓSTICA ..........................................................29
5.1. Parámetros de validez de una prueba diagnóstica .................................................................................. 29
5.2. Curvas ROC (de rendimiento diagnóstico) .............................................................................................. 31
5.3. Test de tamizaje y test de confirmación .................................................................................................. 31
TEMA 6 MEDIDAS EN EPIDEMIOLOGÍA ........................................................................................................33
6.1. Medidas de frecuencia de una enfermedad ............................................................................................ 33
6.2. Medidas de fuerza de asociación (medidas de efecto) ............................................................................ 33
6.3. Modelos de causalidad / Modelos causales ............................................................................................. 35
6.4. Criterios de causalidad de Bradford Hill .................................................................................................. 35
6.5. Medidas de impacto .............................................................................................................................. 35
TEMA 7 TIPOS DE ESTUDIOS EPIDEMIOLÓGICOS .........................................................................................38
7.1. Estudios no experimentales/observacionales ........................................................................................... 38
7.2. Estudios experimentales ......................................................................................................................... 40
7.3. Niveles de evidencia científica ................................................................................................................ 41
7.4. Fases de realización de los estudios epidemiológicos .............................................................................. 43
7.5. Fases de desarrollo de un tratamiento (fases del ensayo clínico).............................................................. 44
7.6. Diseños especiales en estudios experimentales ....................................................................................... 45
7.7. Realización de muchas comparaciones en los estudios epidemiológicos.................................................. 47
7.8. Estudios de bioequivalencia.................................................................................................................... 47
TEMA 8 ERRORES EN LOS ESTUDIOS EPIDEMIOLÓGICOS ............................................................................50
8.1. Errores aleatorios ................................................................................................................................... 50
8.2. Errores sistemáticos (sesgos)................................................................................................................... 50
BIBLIOGRAFÍA .......................................................................................................................................................55
11
CURIOSIDAD
12
ESTADÍSTICA
Tema 1
Estadística descriptiva
Comparación de resultados
Recuerda que...
Conceptos básicos
Figura 1. Esquema de realización de un estudio estadístico.
- Individuo: cada uno de los elementos que componen una pobla-
ción. Es la unidad básica del muestreo. No tiene por qué ser una
persona, puede ser cualquier elemento que podamos contar. 1.1. Técnicas de muestreo estadístico
- Población: conjunto de todos los elementos que cumplen ciertas
propiedades, entre las cuales se desea estudiar un determinado
fenómeno o variable. El muestreo consiste en la selección de una muestra a partir de
- Muestra: subconjunto de la población mediante el cual obtenemos una población. El objetivo del muestreo es que la muestra esco-
conclusiones de la misma, dicho de otra forma, parte de la pobla- gida sea representativa de la población (esto es, que encierre
ción que es sometida a un estudio. Para que estas conclusiones toda la variabilidad posible que existe en la población), para
sean válidas, la muestra debe ser representativa de la población. que los resultados obtenidos en la muestra sean extrapolables
a la población.
13
Manual ENARM · Estadística y Epidemiología
Antes de realizar la técnica de muestreo deseada, la estratifi- Ejemplo: para obtener una muestra de cinco individuos en
cación nos puede ayudar a controlar una determinada variable una población de 100 personas, se asigna a cada persona,
que no queremos que influya en nuestros resultados para evitar de forma aleatoria, un número del 1 al 100. Se introducen en
que dicha variable actúe como factor de confusión (se estu- una urna 100 pelotas numeradas, y la regla matemática va a
dia en el tema 8. Errores en estudios epidemiológicos). La ser “i + 10·x” (siendo “i” el número aleatorio obtenido, y “x” el
estratificación consiste en la división de la población en varias número que va a ocupar cada individuo en nuestra muestra).
categorías según la variable mencionada, de modo que, una vez Se saca una pelota de la urna y el número obtenido es el 17.
dividida la población, elegiremos sólo a individuos de entre las Los individuos elegidos serán el 27, 37, 47, 57, 67.
categorías de la variable que nos interese. - Muestreo estratificado.
Ejemplo: nos interesa contrastar si la mortalidad de COVID 19 es Se denomina muestreo estratificado a aquel en el que, tras
mayor en pacientes con hipertensión arterial, pero tenemos un realizar estratificación de una determinada variable, se elige
posible factor de confusión, el tipo de tratamiento, la asociación una muestra al azar de cada una de las categorías estudiadas
con daño cardiovascular y los años de evolución. Así que, antes de la variable.
de realizar el estudio y escoger la muestra de los que ingresen al - Muestreo por conglomerados.
hospital, interrogamos los años de evolución de la enfermedad Los conglomerados son grupos de individuos ya presentes de
y el tipo de tratamiento. En este caso no podríamos descartar manera natural en la población y que encierran, en sí mismos,
un daño cardiovascular con certeza, pero los años de evolución toda la variabilidad que posee la población diana. Son por
podrían ayudarnos e indicarnos si la hipertensión es un factor tanto muestras perfectas que ya existen de manera natural.
de riesgo independiente o solo se presentan en hipertensos con En el caso de identificar conglomerados en una población, se
mayor tiempo de evolución que posiblemente se asocie a una podría numerar a cada conglomerado y seleccionar, de ma-
enfermedad cardiovascular. nera aleatoria, el o los conglomerados necesarios.
En ocasiones estudiar un conglomerado entero puede resul-
tar muy costoso por tener éste demasiado tamaño muestral.
Técnicas de muestreo probabilístico En ese caso podemos, dentro del conglomerado, realizar un
El muestreo probabilístico utiliza el azar para elegir la muestra muestreo aleatorio para seleccionar un menor número de in-
de entre la población, lo cual permite conocer las probabilida- dividuos; como hemos realizado dos técnicas de muestreo una
des que tiene cada individuo de salir elegido. La utilización del detrás de otra, este tipo de muestreo se llama bietápico.
azar para escoger la muestra (en lugar de cualquier criterio que Ejemplo: en una ciudad existen 10 hospitales que atienden un
defina el investigador) hace que existan más probabilidades de espectro de pacientes similar. Si queremos estudiar la pobla-
que la muestra sea representativa de la población, por lo que ción hospitalizada de dicha ciudad, en lugar de escoger una
las técnicas probabilísticas son mejores. muestra de pacientes de los 10 hospitales, podríamos elegir al
azar un único hospital (conglomerado) y estudiar a los pacien-
Ejemplo: si de una población de 100 personas queremos coger
tes ingresados en él.
15 al azar, cada individuo tendrá 15/100 (15 %) de probabili-
dades de salir escogido.
- Muestreo aleatorio simple. Técnicas de muestreo no probabilístico
Se asigna un número a cada individuo de la población, y pos- Los participantes en el estudio se seleccionan siguiendo criterios
teriormente se escogen tantos números sean necesarios para no aleatorios que define el investigador, por lo que, aunque se
completar el tamaño muestral requerido. procura que la muestra sea representativa, las probabilidades
Ejemplo: para obtener una muestra de cinco individuos en de que no lo sea serán altas y la capacidad para extrapolar
una población de 100 personas, se asigna a cada persona un los resultados a la población será menor que con los métodos
número del 1 al 100. Se introducen en una urna 100 pelotas probabilísticos. Por lo tanto, son peores que las técnicas pro-
numeradas, y se sacan de la urna cinco pelotas. babilísticas.
El muestreo aleatorio simple puede realizarse sin reposición La técnica no probabilística más utilizada es el muestreo de
de elementos (los individuos escogidos no pueden volver a casos consecutivos, que es la técnica de muestreo habitual
ser elegidos) o con reposición de elementos (los individuos de los ensayos clínicos.
escogidos vuelven a ser introducidos en la población de la
- Muestreo de casos consecutivos.
que se obtiene la muestra, de modo que podrían volver a salir
Consiste en reclutar a todos los individuos de la población
elegidos). El muestreo con reposición de elementos es mejor
accesible que cumplan los criterios de selección del estudio
porque se garantiza que en cada extracción de un individuo
dentro de un intervalo de tiempo específico o hasta alcanzar
las probabilidades de salir elegido sean las mismas, pero en
un determinado número. Si se lleva a cabo de manera ade-
poblaciones pequeñas existirá el riesgo de que un mismo in-
cuada, la representatividad de la muestra puede ser semejante
dividuo salga elegido varias veces. Por tanto, el muestreo con
a la de un muestreo probabilístico.
reposición de elementos suele utilizarse en poblaciones gran-
- Muestreo de conveniencia o accidental.
des, donde la probabilidad de salir elegido dos veces es tan
Método sencillo y económico, que consiste en seleccionar
baja que el riesgo que se corre es pequeño.
sujetos accesibles, que estén a mano del investigador. Si el
- Muestreo aleatorio sistemático.
fenómeno estudiado no es suficientemente homogéneo en la
Se asigna un número a cada individuo de la población de ma-
población, las posibilidades de sesgo son muy elevadas.
nera aleatoria (en el muestreo aleatorio simple no hacía falta
- Muestreo a criterio o intencional.
que esta asignación fuera aleatoria). Posteriormente, en vez
En este tipo de muestreo el investigador incluye grupos de
de escoger “n” números, se escoge sólo uno, y a partir de él
individuos que juzga típicos o representativos de la población,
se obtiene el resto mediante una regla matemática.
suponiendo que los errores en la selección se compensarán
Siempre y cuando se cumpla la premisa de ordenar a los in-
unos con otros.
dividuos de la población inicialmente al azar, esta técnica es
equivalente al muestreo aleatorio simple.
14
Tema 1 · Estadística descriptiva
Cuando una variable cualitativa sólo puede tomar dos valores - Diagrama de barras.
(p. ej., sexo: masculino o femenino) se denomina dicotómica Como el diagrama de rectángulos, pero cada “rectángulo”
o binaria. Si puede tomar más de dos valores se denomina no (en este caso barra) representa un intervalo de valores; las
dicotómica. barras están pegadas entre sí (a diferencia de los rectángulos)
porque los intervalos representados por cada uno se solapan
en los extremos. ¡Ojo! Cada intervalo podría abarcar sólo un
Recuerda que... valor, como en el ejemplo de la figura 3.
Las variables expresadas como porcentajes
suelen ser variables cualitativas.
419
15
Manual ENARM · Estadística y Epidemiología
Medidas de dispersión
250 Cuando analizamos los resultados, una variable cuantitativa en
una muestra de sujetos, no sólo nos interesa en torno a qué
200 valor se agrupan los resultados obtenidos (medida de tenden-
cia central), sino también si las observaciones se encuentran
“cerca” o “lejos” del centro de la distribución. Este dato lo
150
indican las medidas de dispersión.
Recuento
16
Tema 1 · Estadística descriptiva
0,3
0,2
0,1
17
Manual ENARM · Estadística y Epidemiología
- Es simétrica.
- La media aritmética, mediana y moda coinciden. Distribución binomial
- Es unimodal (tiene una única moda).
Se aplica a variables cuantitativas discretas o cualitativas, y con-
- El área bajo la curva de la distribución es igual a 1.
siste en convertir la variable en dicotómica, habiendo por tanto
La distribución normal, aplicada a la estadística descriptiva re-
una probabilidad de “éxito” p(A) y una probabilidad de fracaso:
presenta el porcentaje de observaciones que tiene cada valor
su probabilidad complementaria p(1-A).
posible, por lo que la suma de todos los porcentajes (área bajo
la curva) será = 100 % = 1.
Distribución de Poisson
La principal utilidad matemática de la distribución normal es Es un caso particular de la distribución binomial que se utiliza
que permite definir una serie de intervalos que encierran un para sucesos muy poco frecuentes: aquéllos en los que p(A) ó
área bajo la curva conocida. En estadística descriptiva, esto p(1-A) <10 %, y además hay <5 individuos dentro de alguna
implica que si nuestros resultados se distribuyen de un modo categoría (n · p(A) <5 ó n · p(1-A) <5).
“normal”, podremos establecer unos intervalos que indiquen En la distribución de Poisson la media coincide con la varianza.
entre qué valores se encuentra un determinado porcentaje
de las observaciones de nuestra muestra:
Pregunta ENARM
1. ¿Cuál de las siguientes medidas de dispersión es
útil para describir datos que no tienen una distri-
bución gaussiana?
A. Media y moda.
B. Error estándar.
C. Desviación estándar.
D. Rango intercuartílico.
· Encuentra las respuestas y comentarios de las preguntas ENARM al final del manual ·
18
Tema 2
Estadística inferencial
Recuerda que... que tienen cada uno de los valores posibles de la variable, a
una distribución de resultados poblacional, que refleja la pro-
La Estadística inferencial estima cómo serían los resultados de la babilidad de que cada una de las posibles medias sea la ver-
población objetivo si fuéramos capaces de estudiar a todos sus indi- dadera media poblacional.
viduos. Para ello, extrae conclusiones a partir de los resultados obte-
Si la distribución muestral es normal, o si n >30 (teorema central
nidos en la muestra, por lo que existirá una probabilidad de error.
del límite), la distribución poblacional también será normal y
podremos utilizar las propiedades matemáticas de dicha dis-
tribución.
Hemos comentado que una muestra es un subconjunto de una
población, ya hemos visto que podemos definir las caracterís-
ticas de esa muestra y la describimos mediante la Estadística
Descriptiva, la cual resume la información contenida en ese % Muestra prob. Población
conjunto de datos. Ahora abordaremos el hecho de que de esa
muestra es de suma importancia extrapolar esos datos al resto
de la población a la cual pertenece; para ello utilizamos la Es-
tadística Inferencial. La Estadística Inferencial esta conformada
por varias técnicas utilizadas para proveer información acerca
de los valores de los parámetros basados en observaciones he-
chas sobre los valores estadísticos.
Esto queda ejemplificado con la pandemia de COVID 19, en
la cual supongamos que deseamos saber la media de días de x variable x
estancia hospitalaria de los pacientes y la capacidad hospitala-
x ± z· ± z · eem
ria en diferentes países. Para esto tomamos los hospitales que
atienden pacientes con COVID 19 de un muestreo aleatorio y
Figura 2. Estadística descriptiva (izquierda) y estadística inferencial (derecha).
medimos en estos hospitales sus días de estancia por paciente.
De cada centro hospitalario que haya resultado en la aleatori-
zación podremos obtener su media y en conjunto entre varios Expresión de resultados de una inferencia de medias
hospitales obtener una media que represente a cada país.
Al igual que al expresar los resultados de la muestra se uti-
lizan intervalos que indican entre qué valores se encuentra
un determinado porcentaje de las observaciones, al estimar los
resultados de la muestra se utilizarán intervalos de confianza
(IC) que indicarán entre qué valores se encuentra, con una
Población determinada probabilidad, la verdadera media poblacional.
Objeto de estudio
- La medida de tendencia central (media poblacional = µ) se
Tiene una μ (media poblacional)
que ignoramos equipara a la media muestral (µ = x).
Si nuestra muestra es representativa de la población, la media
muestral será el valor más probable que podrá tomar la media
poblacional.
- La medida de dispersión utilizada se denomina error están-
dar de la media (eem), y se calcula a partir de la desviación
Estadística
inferencial típica muestral.
Muestra
De la estadística σ
descriptiva tenemos eem =
la medida de
nuestros datos x n
19
Manual ENARM · Estadística y Epidemiología
Para ello pasamos de una distribución de resultados binomial de Para el cálculo de los intervalos de confianza (IC) se utilizan
nuestra muestra, que refleja el porcentaje p(A) de la categoría las propiedades matemáticas de la distribución normal:
que queremos inferir y su porcentaje complementario p(1-A), a - IC del 68 % = P(A) ± eep
una distribución de resultados poblacional, que refleja la pro- - IC del 95 % = P(A) ± 2 eep
babilidad de que cada uno de los posibles porcentajes sea el - IC del 99 % = P(A) ± 2,5 eep
verdadero porcentaje poblacional. La variable de la distribución
poblacional (“porcentaje poblacional”) es cuantitativa y sigue Antes de realizar cualquier estudio epidemiológico, se debe
una distribución normal. analizar cuál es el tamaño muestral mínimo necesario para con-
¡Ojo! Al inferir un porcentaje, como empleamos la distribu- seguir ofrecer unos resultados suficientemente precisos.
ción binomial estamos realizando la estimación poblacional de En los estudios de inferencia (estimar cómo será un paráme-
una sola categoría de la variable (p. ej., en la variable “color de tro en la población, p. ej., la prevalencia de una enfermedad)
pelo”, tendremos que elegir una sola categoría –pelo rubio, es necesario conocer los siguientes datos para calcular el ta-
pelo castaño, pelo moreno…- cada vez que realicemos infe- maño muestral:
rencia).
- Nivel de precisión (anchura del intervalo de confianza) de-
seado.
- Nivel de confianza deseado (95 %, 99 %...).
% Muestra prob. Población
p(A)
p(1-A)
Además, necesitamos otro dato que depende del tipo de va-
riable utilizada en nuestro estudio:
- Variable cualitativa:
Porcentaje esperado del parámetro que se va a medir (según
categoría “A” resto de P(A) p(A) estudios previos).
categorías
P(A) ± z · eep - Variable cuantitativa:
Varianza de la variable.
Figura 3. Estadística descriptiva (izquierda) y estadística inferencial (derecha).
p(A) · p (1-A)
eep =
√ n
20
Tema 3
Contraste de hipótesis
21
Manual ENARM · Estadística y Epidemiología
Recuerda que...
No es necesario conocer: nivel de enmascaramiento del estu-
Los errores alfa y beta son errores aleatorios, esto es, dio, número de pacientes que somos capaces de reunir, número
debidos al azar (es el azar el que hace que el estudio falle y de centros participantes.
detecte diferencias cuando no las hay, o no las detecte cuando Si al finalizar el estudio se obtiene un resultado no significativo,
las hay). Los errores aleatorios se solucionan aumentando el no se deben añadir pacientes hasta que lo sea, sino revisar la
tamaño muestral, por lo que ante un estudio cuyos resultados hipótesis de trabajo y la determinación del tamaño muestral y
no sean estadísticamente significativos (p >0,05), si diseñamos un realizar un nuevo estudio.
nuevo estudio incluyendo un mayor tamaño muestral, es posible
que consigamos alcanzar entonces la significación estadística.
3.3. Tests para contraste de hipótesis
↑ n → ↓ α, ↓ β, ↑ potencia estadística
22
Tema 3 · Contraste de hipótesis
VARIABLE CUANTITATIVA
VARIABLE
CUALITATIVA 2 GRUPOS O 2 >2 GRUPOS O
MOMENTOS DEL t >2 MOMENTOS DEL t
*Corrección de Yates: corrección que se aplica al test de chi2 cuando el tamaño muestral es n <200.
**Test exacto de Fisher: cuando en la tabla de contingencia de la chi2 hay menos de cinco individuos en >25 % de las casillas [expresado matemáticamente: n · p <5 ó
n · (1-p) <5] no se puede utilizar el test de chi2 y hay que utilizar el test exacto de Fisher.
Muestras
independientes t de Student
2 grupos
Muestras
dependientes t pareada
Paramétrica
Cuantitativas Normalidad
Muestras
independientes ANOVA
>3 grupos
Muestras
dependientes ANOVA
Nominal
Muestras
independientes X2 para n muestras
>3 grupos
Muestras
dependientes Q Cochran
No paramétrica
Cualitativas
Muestras
independientes U-Mann Whitney
2 grupos
Muestras
dependientes Wilcoxon
Ordinal
Muestras
independientes Kruskall-Wallis
>3 grupos
Muestras
dependientes Friedman
*Corrección de Yates: corrección que se aplica al test de chi2 cuando el tamaño muestral es n <200.
**Test exacto de Fisher: cuando en la tabla de contingencia de la chi2 hay menos de cinco individuos en >25 % de las casillas [expresado matemáticamente: n · p <5 ó
n · (1-p) <5] no se puede utilizar el test de chi2 y hay que utilizar el test exacto de Fisher.
Las casillas oscuras son las pruebas que consideramos tendrian mayor probabilidad de venir en el ENARM.
23
Manual ENARM · Estadística y Epidemiología
a = ordenada en el origen
Se utilizan cuando la variable no sigue una distribución nor-
mal y además n <30. y=a+b·x
Las variables ordinales se consideran como si fueran cuanti-
tativas, pero con la restricción de que sólo se puede emplear
con ellas tests no paramétricos.
b = pendiente
Recuerda que...
Las variables resultado cualitativas nos las plantearán
habitualmente como porcentajes (comparar varios porcentajes),
mientras que las variables resultado cuantitativas nos las x
plantearán habitualmente como medias (comparar varias medias). 0 1 2 3 4
24
Tema 3 · Contraste de hipótesis
explican por los cambios de la variable “x” (p. ej., un coeficiente estudiado con análisis de supervivencia, la medida epidemio-
de 0,8 = 80 %, indica que el 64 % de los cambios en la variable lógica utilizada es el hazard ratio o razón de riesgos (HR). Su
“y” se explican por los cambios en la variable “x”): interpretación es similar a las del resto de medidas de asociación
- Valor absoluto >0,7: (RR, OR…).
Correlación fuerte. El HR es el cociente entre el riesgo que tiene de presentar el
- Valor absoluto <0,7: evento de interés un sujeto del grupo experimental respecto
Correlación débil. a un sujeto del grupo control, por cada unidad de tiempo
- Valor absoluto = 0: que dura el estudio. Es similar al riesgo relativo (RR), dado que
Ausencia de correlación. también es un cociente de riesgos. Sin embargo, mientras el RR
compara el riesgo acumulado a lo largo de todo el estudio
(cociente de incidencias acumuladas al finalizar el estudio), el
y y HR analiza el riesgo instantáneo para cada unidad de tiempo
(cociente entre la velocidad de progresión de la enfermedad o
“hazard rate” de los grupos comparados). Así, el HR analiza las
probabilidades de presentar el evento en el siguiente instante
de tiempo, para aquéllos individuos que continúen en el estudio
al inicio de dicho periodo de tiempo (pacientes en riesgo); el RR
analiza las probabilidades de presentar el evento a lo largo de
todo el estudio.
Ejemplo (ver figura 4): imaginemos un estudio que compara 2
x x
grupos de 100 pacientes, que dura 2 unidades de tiempo, y que
Figura 3. Correlación positiva (izquierda) y negativa (derecha).
tiene un HR de 0.7 (sin pérdidas). Pongamos que observamos,
por ejemplo, 30 eventos en el grupo control en cada periodo
de tiempo. En este caso, en el grupo experimental habría 21
Recuerda que...
eventos en el periodo de tiempo 1 (un 70 % de 30) y quedarían
El análisis de regresión estima el valor de 79 pacientes para el periodo de tiempo 2. En dicho periodo de
una variable que corresponde para un valor de otra (ecuación). tiempo habría 24 eventos (en el grupo control hay 30 eventos
Mientras el análisis de correlación mide la intensidad de de 70 pacientes que quedan, esto es, un riesgo del 42,8 %; el
la relación entre dos variables cuantitativas. riesgo del grupo experimental debe ser el 70 % de ese 42,8 %:
un 30 % sobre 79 pacientes, que son 24 eventos). El HR del
estudio es 0.7, pero el RR sería igual al cociente de incidencias
Análisis de supervivencia acumuladas: 45 eventos en el grupo experimental / 60 eventos
en el grupo control = 0.75. Así, vemos que el HR y el RR son
Se utiliza cuando en un estudio epidemiológico la variable res- similares, pero no son la misma cosa.
puesta es el tiempo que transcurre hasta que sucede un
evento de interés (la muerte, la aparición de enfermedad, la
curación, el alta hospitalaria…). Así pues, las variables tienen
una parte cuantitativa (tiempo que transcurre) y una parte cua- 100% 21 eventos
litativa (aparición o no de un evento).
Cuando el tiempo de seguimiento de alguno de los pacientes 80% 79%
del estudio termina antes de que haya tenido lugar el evento 30 eventos
70%
de interés se habla de observaciones incompletas o censu- 24 eventos
radas. Si un paciente fallece por una causa distinta a la enfer- 60%
55%
medad estudiada se considerará como censurado, ya que, en
30 eventos
caso contrario, se estaría cometiendo un sesgo de información. 40% 40%
Para cuantificar el grado de asociación existente entre un de- Figura 4. Curvas de Kaplan-Meier que representan el ejemplo expuesto en el
terminado factor de riesgo o protector y un evento de interés texto.
25
Manual ENARM · Estadística y Epidemiología
Pregunta ENARM
2. En un estudio de cohortes se obtuvo como con-
clusión una mortalidad de 1.86 (hazard ratio con
intervalo de confianza del 95 % de 1.68 a 2.06)
en el grupo expuesto, comparado con el grupo
no expuesto. ¿Cuál de las siguientes es la inter-
pretación más apropiada del estudio respecto al
uso de opio y la mortalidad?
· Encuentra las respuestas y comentarios de las preguntas ENARM al final del manual ·
26
Tema 4
Probabilidades
Conceptos
- Probabilidad.
Medida de la verosimilitud de que un determinado suceso A B = + -
ocurra o no. Oscila entre 0 (suceso imposible) y 1 (suceso se-
guro).
- Sucesos complementarios. p (A U B) = p(A) + p(B) -
U
p(A B)
Dos sucesos A y B son complementarios cuando la suma de las
probabilidades de ambos es igual a 1. Siempre que no ocurre Figura 1. Unión de probabilidades.
un suceso, ocurre el suceso contrario: p(A) + p(B) = 1.
Ejemplo: ser hombre (A) y ser mujer (B). Intersección de probabilidades (∩)
- Sucesos incompatibles.
Se denomina así a los sucesos excluyentes, es decir, que no Es la probabilidad de que ocurran un suceso y otro simultá-
pueden suceder a la vez. Dos sucesos A y B son incompatibles neamente. Para calcularlo se multiplica la probabilidad de que
cuando p(A ∩ B) = 0 ocurra uno de ellos [p(A)] por la probabilidad de que ocurra el
Ejemplo: tener el pelo moreno (A) o pelirrojo (B). otro en aquellos casos en los que ocurre el primer suceso [pro-
- Sucesos independientes. babilidad condicionada = p(B/A)]:
La probabilidad de que ocurra uno de ellos no se influye por el
hecho de que ocurra o no el otro: p(A/B) = p(A); p(B/A) = p(B). p(A ∩ B) = p(A) · p(B/A) = p(B) · p(A/B)
Ejemplo: ganar la quiniela (A) y ganar la lotería (B).
Si tenemos dos sucesos independientes: p(B/A) = p(B), y por
Unión de probabilidades (U) tanto p(A ∩ B) = p(A) · p(B).
Es la probabilidad de que ocurra un suceso u otro. Al calcular la
unión de probabilidades se suma la probabilidad de que ocurra
cada suceso, pero se debe restar una vez la probabilidad de que Probabilidad condicionada
ocurran ambos a la vez (ya que al sumar la probabilidad de que Una probabilidad de un suceso A condicionada al suceso B es
ocurra cada suceso se está contando dos veces a los individuos la probabilidad de que ocurra el suceso A considerando sólo
que presentan los dos sucesos): los casos en los que ocurre B (es decir, la probabilidad de que
ocurra A sabiendo que ha ocurrido B).
p(A U B) = p(A) + p(B) − p(A ∩ B) La fórmula por la cual se puede calcular la probabilidad condi-
cionada p(A/B) a partir de la probabilidad condicionada p(B/A)
se denomina teorema de Bayes.
Si tenemos dos sucesos incompatibles: p(A ∩ B) = 0, y por
tanto p(A U B) = p(A) + p(B)
p(A ∩ B) p(A) · p(B/A)
Si queremos calcular la probabilidad de que sólo ocurra un su- p(A/B) = =
ceso u otro (eliminando por tanto todos los casos en los que p(B) p(B)
aparezcan los dos sucesos a la vez) debemos restar dos veces
en la fórmula la intersección de probabilidades:
A menos que tengamos sucesos independientes, en cuyo caso
las fórmulas se simplifican, en el examen no nos van a poder
p(sólo A ó B) = p(A) + p(B) − 2 · p(A ∩ B) pedir calcular la probabilidad condicionada ni la intersección de
probabilidades.
27
Manual ENARM · Estadística y Epidemiología
28
EPIDEMIOLOGÍA
Tema 5
Estudios de validación de una prueba diagnóstica
Cuando se desea comercializar un nuevo test diagnóstico (p. más categorías existan, menos grado de concordancia calcu-
ej., un nuevo modelo de esfingomanómetro), se deben llevar a laremos. Es por eso que en variables con varias categorías (no
cabo estudios de validación mediante los cuales se evaluarán dicotómicas) se emplea el test de kappa ponderado.
distintas cualidades del test: Ejemplo: evaluar la concordancia entre dos cardiólogos que
definen la clase funcional de la NYHA I-II-III-IV de una serie de
pacientes. Existirá más concordancia si cuando un cardiólogo
Validez (exactitud) indica clase II el otro indica clase III, que si un cardiólogo indica
Es el grado en el cual una medición representa el verdadero clase I y el otro clase IV.
valor que se desea medir. En los estudios de validación, repre- - Variable cuantitativa: coeficiente de correlación intraclase.
sentaría el grado de correlación de las medidas obtenidas me- Ejemplo: evaluar la concordancia entre dos anatomopatólogos
diante el test con las obtenidas mediante el gold standard. que cuantifican el número de mitosis en una misma serie de
muestras de biopsias de un tumor neuroendocrino.
Reproducibilidad (fiabilidad, precisión)
Es la capacidad del test de obtener el mismo resultado cuando
la medición se repite bajo las mismas condiciones de medida. 5.1. Parámetros de validez de una prueba diagnóstica
29
Manual ENARM · Estadística y Epidemiología
30
Tema 5 · Estudios de validación de una prueba diagnóstica
Antes hemos indicado que los tests muy sensibles son útiles
cuando su resultado es negativo (descartan enfermedad), y los 100
tests muy específicos cuando su resultado es positivo (confir-
man enfermedad). Esto es así por la relación entre la S y E con
los valores predictivos de un test: Punto de corte óptimo
↑ S → ↓ TFN → ↑ VPN S
↑ E → ↓ TFP → ↑ VPP
Recuerda que...
Los valores predictivos de un test dependen de la prevalencia de
enfermedad, mientras que la S y E no dependen de la prevalencia.
31
Manual ENARM · Estadística y Epidemiología
32
Tema 6
Medidas en epidemiología
33
Manual ENARM · Estadística y Epidemiología
ENFERMOS SANOS
FACTOR a b
PRESENTE
FACTOR c d
AUSENTE
IA expuestos (Ie) a / (a + b)
RR = =
IA en no expuestos (Io) c / (c + d)
34
Tema 6 · Medidas en epidemiología
6.3. Modelos de causalidad / Modelos causales Para que se establezca una relación de causalidad se deben
cumplir varios de los siguientes criterios (no hace falta que se
cumplan todos):
Los modelos de causalidad más relevantes son:
- Modelo determinista o unicausal.
Define la causalidad como una conexión perfectamente pre- Criterios de validez interna
decible, constante, única y recíproca entre la causa y el efecto. - Secuencia temporal.
Según este modelo la causa es necesaria y suficiente para pro- La causa debe preceder al efecto. Es el único criterio de cau-
ducir el efecto. salidad imprescindible.
- Modelo multicausal. - Fuerza de asociación.
Defiende la existencia de pluralidad de causas y multiplicidad A mayor magnitud de la medida de fuerza de asociación,
de efectos, negando la existencia de la especificidad de la mayor es la probabilidad de que exista una relación causal.
causa y del efecto. - Efecto dosis-respuesta (gradiente biológico).
- Modelo determinista modificado (Rothman). A mayor dosis o tiempo de exposición al factor causal, mayor
Mantiene la teoría determinista, pero defiende la multicau- es el riesgo de enfermar.
salidad y rechaza el concepto de causa necesaria y suficiente,
redefiniéndolos: Criterios de coherencia científica
• Causa suficiente. - Consistencia.
Aquella que inevitablemente produce un efecto. No es un Los resultados de un estudio que sugiera causalidad deben
factor único, sino un conjunto de factores o causas contri- ser reproducibles por otros investigadores y arrojar resultados
buyentes. similares.
• Causa contribuyente. - Coherencia.
Cada factor componente de una causa suficiente. Los resultados de los estudios que traten de establecer la re-
• Causa necesaria. lación causal entre un factor y un efecto deben ser similares
Aquella que debe estar inevitablemente presente para que entre sí.
se produzca el efecto. - Plausibilidad biológica.
- Modelo probabilístico. Existencia de un mecanismo fisiopatológico conocido que ex-
Preconiza el empleo de la teoría de probabilidades y las téc- plique la posible relación causal.
nicas estadísticas para estimar la magnitud de las relaciones - Especificidad de asociación.
causales. Si la posible causa conduce a un único efecto, y viceversa, el
efecto sólo parece estar causado por un único factor, la vero-
similitud de la relación causal aumenta.
6.4. Criterios de causalidad de Bradford Hill - Analogía.
Factores causales similares al estudiado producen efectos similares.
- Demostración experimental.
El hecho de que exista una determinada fuerza de asociación
Existencia de asociación entre el factor y el efecto en estudios
entre un factor y una enfermedad NO implica necesariamente
experimentales. Es el criterio de causalidad más potente.
que dicho factor sea un factor causal de dicha enfermedad.
35
Manual ENARM · Estadística y Epidemiología
tor de riesgo o implementar un factor protector totalmente en útiles en Epidemiología Clínica (al sernos un indicador del
una muestra o población en riesgo. Por lo tanto, son medidas porcentaje de riesgo de enfermar que evitamos en cada sujeto
útiles en Salud Pública (al permitirnos calcular, si conocemos en riesgo).
el tamaño de una población, el número total de casos que evi-
taríamos en ella).
Fracción atribuible o fracción etiológica de riesgo (FA, FER)
Medida de impacto relativa utilizada para factores de riesgo.
Riesgo atribuible, exceso de riesgo o diferencia de inci- Es la proporción de casos nuevos entre los expuestos que es
dencias (RA, ER) atribuible a la exposición.
Medida de impacto absoluta utilizada para factores de riesgo. In-
dica el exceso de riesgo asociado a la exposición, y que podría evi-
FA = (Ie − Io) / Ie
tarse si se eliminara ésta (número de casos evitados por cada 100
pacientes con el factor de riesgo a los que les quitas dicho factor).
Ejemplo: FA = 40 % significa que de cada 100 casos de enfer-
medad que aparecen en un grupo de expuestos, 40 se deben a
RA = Ie − Io
esa exposición (60 se deberán a otras causas). Así, si un indivi-
duo expuesto elimina su factor de riesgo (p. ej., deja de fumar)
Ejemplo: RA = 6 % significa que por cada 100 expuestos hay su riesgo de enfermar disminuirá un 40 %.
seis casos más de enfermedad que por cada 100 no expuestos. El riesgo atribuible brinda cuántos casos se deben a un solo
Si elimináramos el factor de riesgo en un grupo de expuestos, factor, mientras que la fracción atribuible nos da el porcentaje.
evitaríamos por cada 100 expuestos esos seis casos de más.
RAR = Io – Ie
Ejemplo: RRR = 35 % significa que de cada 100 casos de enfer-
medad que aparecen en un grupo sin el factor protector (p. ej.,
Ejemplo: RAR = 5 % significa que por cada 100 personas no no vacunados), 35 se deben a no tener el factor protector. Así,
protegidas hay cinco casos más de enfermedad que por cada si un individuo adquiere el factor protector (p. ej., se vacuna) su
100 personas con el factor de protección. Si a las personas no riesgo de enfermar disminuirá un 35 %.
protegidas les proporcionáramos el factor de protección, evita-
ríamos esos cinco casos que tienen de más.
Ejercicio de integración
Número necesario de pacientes a tratar (NNT)
Es el número de pacientes que se debe tratar con un factor pro- En la revista JAMA 2000;283:1295-1302 se publicó el artículo
tector para prevenir un evento. Se obtiene a partir del inverso cuyo título es: Effects of Controlled-Release Metoprolol
de la RAR: on Total Mortality, Hospitalizations, and Well-being in
Patients With Heart Failure (Efecto del metoprolol de li-
NNT = 100 / RAR (expresando el RAR en %) beración prolongada en la mortalidad, hospitalizaciones
y mejoría de los síntomas en los pacientes con falla car-
diaca). El objetivo del estudio fue valorar el efecto del succinato
Se debe redondear al entero superior. Al igual que para el resto de metoprolol de liberación prolongada sobre la mortalidad,
de medidas de impacto, el “0” contenido en el intervalo de número de hospitalizaciones, síntomas y calidad de vida.
confianza indica no significación estadística.
En la tabla 3 (ver en la página siguiente) exponemos los
Al igual que podemos calcular el número de pacientes que hay resultados obtenidos.
que tratar con un factor protector para prevenir un evento,
Podemos observar que en el grupo de intervención metoprolol
usando para ello la RAR, también podemos calcular el número
CR/XL, de 1990 pacientes fallecieron 641, comparado con 767
de pacientes que hay que “dañar” con un factor de riesgo para
de 2001 del grupo placebo, por lo cual para obtener la RRR
provocar un caso de enfermedad (NNH: número necesario de
(Reducción de riesgo relativo), primero dividimos la incidencia
pacientes a dañar), usando para ello el RA:
de expuestos (641/1990=0.322) entre la incidencia de los ob-
servados (767/2001=0.383). Así obtenemos el riesgo relativo
NNH = 100 / RA (expresando el RA en %) (RR): 0.322/0.383=0.84. A continuación restamos 1 – el RR (1
representa que no hay ninguna reducción), de lo que se obtiene
1 - 0.84 = 0.16 (16 % de reducción del riesgo relativo).
Medidas de impacto relativas
Después podríamos obtener la RAR (Reducción absoluta del
Indican el beneficio relativo (porcentaje de casos evitados del riesgo). Para esto se restan la incidencia de los expuestos y la
total de casos que padece una población en riesgo) que se incidencia de los observados: 0.322 - 0.383= –0.061, lo que
obtiene al retirar un factor de riesgo o implementar un factor indica un 6 % de reducción absoluta del riesgo entre los ex-
protector en una población en riesgo. Por lo tanto, son medidas puestos al tratamiento frente a los que recibieron placebo.
36
Tema 6 · Medidas en epidemiología
GRUPO REDUCCIÓN
GRUPO,
DESENLACES METOPROLOL CR/XL, DE RIESGO %
NÚM. DE PACIENTES TOTAL
COMBINADOS NÚM. DE PACIENTES (95 % INTERVALO
(N=2001)
(N=1990) DE CONFIANZA)
*Solo el primer objetivo ocurrido en cada paciente se tomó en cuenta. P> .001 para todas las comparaciones. CR/XL indica liberación controlada/Liberación prolongada
(ing. controlled reléase/ extended release).
37
Tema 7
Tipos de estudios epidemiológicos
Existen dos grandes clasificaciones de los estudios epidemioló- Generan nuevas hipótesis de trabajo, pero no permiten con-
gicos, la primera en función de sus objetivos y la segunda en firmar hipótesis ya que carecen de un grupo control (principal
función de la intervención del investigador. limitación).
38
Tema 7 · Tipos de estudios epidemiológicos
- Los datos que recogemos son los promedios (se habla de pro- salud que se quiere analizar: un grupo que está expuesto a
medios en lugar de medias o de porcentajes) de la característica un factor de riesgo o protector, y un grupo no expuesto. Se
estudiada en cada uno de los grupos de personas estudiado. analiza la incidencia de enfermedad que aparece en cada uno
de esos dos grupos a lo largo del periodo de seguimiento.
Estudio de casos y controles - Utiliza como medida de fuerza de asociación el RR.
Es un estudio observacional de base individual y con segui- - Sus ventajas e inconvenientes están recogidos en la tabla 1.
miento retrospectivo (desde el presente hacia el pasado).
Dicho seguimiento no es un seguimiento real que implique ver
a los pacientes varias veces (un estudio de casos y controles CASOS Y CONTROLES COHORTES
sólo requiere ver a cada paciente una única vez), sino que es un Seguimiento retrospectivo Seguimiento prospectivo
seguimiento “virtual” que se realiza utilizando la memoria del
paciente para que nos cuente datos de su pasado. Calculan prevalencias Calculan incidencias
El seguimiento retrospectivo, por lo tanto, está sujeto a las limi- de exposición de enfermedad
taciones de la memoria humana y es peor (más sujeto a sesgos)
que el seguimiento prospectivo. OR: sobreestima la fuerza
RR: mejor estimador
En un estudio de casos y controles se selecciona un grupo de de asociación, salvo en
de la asociación
sujetos enfermos (casos) y un grupo de sujetos sanos (con- enfermedades raras
troles) respecto al problema de salud que se quiere analizar, y
se evalúa la proporción de sujetos de cada uno de los grupos Baratos, rápidos, reproducibles Caros, lentos, poco reproducibles
que estaba expuesta en el pasado a un supuesto factor de
riesgo o protector. Pueden escogerse varios controles para Peores para demostrar hipótesis Mejores para demostrar hipótesis
cada caso.
Más sensible a sesgos Menos sensible a sesgos
Para evitar sesgos de memoria es importante ser igual de ex-
haustivo en la anamnesis de los casos y de los controles.
- Utiliza como medida de fuerza de asociación la odds ratio, Útiles para estudiar Útiles para estudiar
que sobreestima el riesgo con respecto al RR salvo en el es- enfermedades raras o con exposiciones raras y para
tudio de enfermedades raras. largo periodo de latencia enfermedades agudas
- Sus ventajas e inconvenientes están recogidos en la tabla 1.
Permiten estudiar multi- Permiten estudiar multi-
Estudio de casos y controles anidado en una cohorte causalidad (varias causas efectividad (varios efectos
Es un caso particular del estudio de casos y controles que se de una enfermedad) de la misma exposición)
utiliza cuando en el momento actual no existe un número
de casos suficiente para realizar el estudio. Esto suele ocurrir Dificultad: Dificultad:
cuando se estudian enfermedades agudas y epidémicas, en las establecer el grupo control* sensible a pérdidas**
que los casos van apareciendo poco a poco a lo largo de un
periodo de tiempo. *La principal dificultad de los estudios de casos y controles es seleccionar el
Este estudio consiste en realizar un seguimiento prospectivo de grupo control, ya que óptimamente debe tener las mismas características que
el grupo de casos para minimizar el riesgo de aparición de sesgos de selección
una cohorte de sujetos (de la población diana de nuestro estu-
o de sesgos por factor de confusión. Para conseguirlo se emplean técnicas de
dio), e ir seleccionando los casos a medida que aparecen hasta apareamiento [ver Tema 8.2. Errores sistemáticos (sesgos)].
alcanzar el tamaño muestral deseado. Cada vez que aparece **Los estudios de cohortes (y cualquier estudio prospectivo) son sensibles a
un caso, se seleccionan de manera aleatoria entre los sujetos la aparición de pérdidas, ya que requieren ver a los pacientes en el futuro y eso
sanos de la cohorte el número de controles que se haya previsto puede no ser posible (fallecimientos, cambio de domicilio, incomparecencia del
para cada caso, y en ese momento se recogen los datos de paciente…). En cambio, los estudios de casos y controles sólo requieren ver a
forma retrospectiva (se pregunta al caso y a los controles por cada paciente una vez, por lo que no pueden tener pérdidas.
su pasado).
Tabla 1. Diferencias entre los estudios de casos y controles y los estudios de
Así, sus características son idénticas a las del estudio de casos y cohortes.
controles convencional, y sólo se diferencia en que los pacientes
se reclutan poco a poco en lugar de todos a la vez.
Los estudios de casos y controles realizados utilizando los datos Estudio de cohortes históricas (cohortes retrospectivo)
de los registros poblacionales de enfermedades suelen con- Es un estudio de cohortes en el que el seguimiento de los pa-
siderarse anidados, dado que los registros poblacionales suelen cientes se realiza desde el pasado hacia el presente, en lugar
elaborarse de forma prospectiva. de hacerlo desde el presente hacia el futuro. Fijaos que la direc-
ción del seguimiento sigue siendo prospectiva.
Estudio de cohortes El nombre “estudio de cohortes retrospectivo” es por lo tanto
desafortunado ya que el seguimiento no es retrospectivo sino
Es un estudio observacional de base individual y con segui- prospectivo. Es mejor utilizar el término estudio de cohortes
miento prospectivo (desde el presente hacia el futuro). Dicho históricas, aunque los dos términos son correctos.
seguimiento es real, y consiste en ver al paciente hoy y volverle
a ver en sucesivas ocasiones en el futuro hasta que finalice el El seguimiento se realiza de modo indirecto a través de la his-
periodo de seguimiento. Es el mejor estudio observacional toria clínica del paciente, comenzando por la primera página
para demostrar hipótesis. (pasado) y acabando en la última (presente).
En un estudio de cohortes se sigue prospectivamente a dos Sus características son idénticas a las del estudio de cohortes
grupos de individuos sanos con respecto al problema de convencional, excepto en los siguientes aspectos:
39
Manual ENARM · Estadística y Epidemiología
Pasado Presente
Presente Futuro
40
Tema 7 · Tipos de estudios epidemiológicos
Seguimiento prospectivo
d i
Asignación no aleatorizada
(estudios cuasi-experimentales) Ensayo clínico no aleatorizado
Base individual
(estudio antes-después)
e j
Experimentales
Fines preventivos Ensayo de campo
Asignación aleatorizada
M
(estudios experimentales) A
Fines terapéuticos Ensayo clínico
(pero podrían ser aleatorizados) ya que, al utilizar una base nivel de evidencia, pero la más utilizada utiliza un esquema ABC
comunitaria, los grupos de estudio suelen estar preformados (siendo mayor la evidencia generada por los estudios de nivel A,
y en esos casos es imposible formarlos mediante el azar. y menor la de nivel C, cuya evidencia se considera inconcluyente
Los estudios de intervención comunitaria son habitualmente y debe confirmarse mediante estudios de mayor calidad).
la alternativa a un ensayo de campo cuando es muy difícil
utilizar una base individual. Por ejemplo, si se realiza un estu-
dio para demostrar si el consumo de agua fluorada previene Niveles de evidencia científica ABC
la aparición de caries, aleatorizar individuos y que unos tomen - Nivel de evidencia A.
agua fluorada y otros agua normal puede ser muy difícil. En • Metaanálisis de estudios experimentales aleatorizados.
estos casos es más sencillo aplicar la intervención sobre co- • Varios estudios experimentales aleatorizados.
munidades enteras (p. ej., que a una determinada localidad - Nivel de evidencia B.
se añada flúor al suministro de agua y a otra no). • Un único estudio experimental aleatorizado.
- Ensayo clínico no aleatorizado. • Estudios cuasi-experimentales.
Igual que un ensayo clínico, sólo que la asignación de la inter- • Estudios de cohortes grandes.
vención no es aleatoria. También se denomina estudio antes-
- Nivel de evidencia C.
después, aunque este término se suele reservar para estudios
• Estudios observacionales (salvo cohortes).
de intervención en un único grupo de pacientes (con lo que
• Consenso de expertos.
no hay posibilidad de aleatorización) en los que se compara
la situación basal con la situación tras la administración de un
tratamiento (datos apareados). Metaanálisis
El metaanálisis es una revisión sistemática de la literatura en
(Ver figura 2) la que se combinan estadísticamente los resultados de todos
los estudios incluidos:
- Revisión sistemática.
7.3. Niveles de evidencia científica La búsqueda bibliográfica se realiza en función de unos crite-
rios de selección concretos (inclusión y exclusión), de modo
que todo estudio que cumpla con esos criterios deberá ser in-
Actualmente, las sociedades científicas médicas basan sus re- cluido en el metaanálisis. Las revisiones narrativas, sin em-
comendaciones en los resultados de los estudios epidemioló- bargo, incluyen los artículos que elija libremente el investigador.
gicos disponibles sobre cada materia: Medicina Basada en la
Evidencia, que consiste en la integración de la mejor evidencia - Combinación estadística de resultados.
científica disponible sobre un tema con la maestría clínica in- Los resultados de los pacientes que participaron en cada estu-
dividual. dio individual se tratan como si todos los pacientes hubieran
participado en un único estudio. Así, se obtiene un resultado
En función de la calidad de diseño de cada tipo de estudio, combinado que procede de un tamaño muestral inmenso (la
éste es capaz de generar un determinado nivel de eviden- suma de tamaños muestrales de cada estudio individual), con
cia científica. Existen numerosas escalas de cuantificación del lo que se consigue:
41
Manual ENARM · Estadística y Epidemiología
42
Tema 7 · Tipos de estudios epidemiológicos
3. Monitorización
7.4. Fases de realización de los estudios Fase de seguimiento de los pacientes, en la que se realizan las
epidemiológicos mediciones previstas en el diseño y se obtienen los resultados.
43
Manual ENARM · Estadística y Epidemiología
A. Verificar que el diseño sea correcto y no haya sesgos (vali- que sea actualmente de elección. La utilización de placebo se
dez interna). reserva para los casos en los que no hay fármacos con eficacia
Es el paso más importante del análisis de resultados, ya que demostrada, y también se permite para enfermedades que no
la ausencia de validez interna invalidará cualquier resultado sean graves (sin riesgo de secuelas) y en las que exista una alta
obtenido. tasa de respuesta a placebo.
La lectura crítica de un artículo científico deberá, por tanto, Las diferencias entre la fase II y la fase III son las siguientes:
basarse fundamentalmente en analizar los aspectos meto-
- Fase II.
dológicos del estudio (su diseño), plasmados en el apartado
Empleo del tratamiento en un grupo reducido de enfermos
“Material y Métodos” del estudio.
(en general <100) muy seleccionados, esto es, con criterios
B. Confirmar la existencia de significación estadística. de selección estrictos (estudios explicativos).
C. Valorar la magnitud de las diferencias existentes y su rele- Además, suelen utilizar variables resultado “blandas” (deter-
vancia clínica. minaciones de laboratorio, pruebas de imagen…), que aportan
La existencia de diferencias estadísticamente significativas menor relevancia clínica de los resultados, pero al ser en general
entre dos intervenciones no implica que una de ellas sea cuantitativas proporcionan mayor potencia estadística.
mejor que otra. Sólo si la magnitud de dicha diferencia es su- En ocasiones se distingue una primera fase IIa (la que hemos
ficiente, y si implicará beneficios relevantes desde un punto mencionado hasta ahora), y una segunda fase IIb, cuyo ob-
de vista clínico, podremos decir que una intervención es jetivo es probar varias dosis del fármaco para establecer la
“mejor” que otra y, por tanto, establecer una recomenda- relación dosis-respuesta (titulación de dosis) y elegir la dosis
ción al respecto. más adecuada para su empleo en la fase III.
D. Determinar la validez externa. La utilización de criterios de selección estrictos hace que
Los resultados del estudio se podrán generalizar a aquellos la muestra sea muy homogénea (los pacientes se parecerán
subgrupos poblacionales que cumplan los criterios de selec- mucho entre sí), lo cual confiere las siguientes ventajas e in-
ción de los pacientes participantes del estudio. convenientes:
• Ventajas:
- Mayor validez interna.
5. Difusión de los resultados Menor riesgo de sesgos de selección o por factor de confu-
Mediante la publicación del estudio en artículos científicos u sión, al tener los distintos grupos características similares.
otros medios de comunicación. - Resultados más homogéneos.
Como los pacientes son muy parecidos, el fármaco hará lo
mismo en todos ellos obteniendo resultados más precisos
7.5. Fases de desarrollo de un tratamiento (fases (intervalos de confianza más pequeños), con lo que au-
del ensayo clínico) menta la potencia estadística del estudio (necesidad de
menor tamaño muestral).
• Inconvenientes:
Para el desarrollo de un tratamiento, primero se realiza su sínte- - Menor validez externa.
sis química y se realizan estudios con material biológico in vitro. Los resultados serán generalizables sólo a un limitado sec-
Posteriormente se prueba su eficacia y seguridad en animales. tor de la población.
Tras esta fase preclínica, el tratamiento debe testarse en hu-
- Fase III.
manos antes de poder comercializarlo.
Empleo del tratamiento en un grupo amplio de enfermos (en
La fase clínica del desarrollo de un tratamiento incluye estudios general >100) con criterios de selección laxos (estudios
con diseño de ensayo clínico y por eso se suele hablar directa- pragmáticos), lo que va a permitir que la muestra sea similar
mente de “fases del ensayo clínico”; dicha fase clínica consta a a los pacientes que se van a encontrar en la práctica clínica ha-
su vez de las siguientes fases: bitual, y la eficacia demostrada se parecerá a la “efectividad”
que se observará en la población.
Fase I Además, suelen utilizar variables resultado “duras” (varia-
bles clínicas: muerte, infarto, ictus…), que aportan mayor
Es la primera vez que se utiliza el tratamiento en humanos. relevancia clínica de los resultados, pero al ser en general
Consiste en un estudio transversal sobre un único grupo de cualitativas (p. ej., muerte: sí/no) proporcionan menor poten-
sujetos voluntarios, cuyo objetivo es estudiar las propiedades cia estadística. Estas variables clínicas son muchas veces sub-
farmacocinéticas del tratamiento. jetivas (dolor, calidad de vida…), lo cual dificulta su correcta
Como objetivo secundario, se estudia de forma preliminar la determinación; son útiles en este caso las escalas de evalua-
tolerabilidad/toxicidad del fármaco (si su administración pro- ción multidimensionales, que aportan una alta relevancia
dujo efectos adversos a los voluntarios). clínica, pero pueden ser difíciles de interpretar y tener proble-
Habitualmente se realiza sobre voluntarios sanos (que suelen mas de validez para nuestra muestra concreta.
recibir una remuneración económica por participar en el estu- En ocasiones, en vez de utilizar variables duras se utilizan varia-
dio), pero si el tratamiento se prevé que tenga muchos efectos bles resultado blandas pero que han demostrado asociarse de
adversos se realizará con voluntarios enfermos (p. ej., quimio- manera significativa a una determinada variable dura en estu-
terápicos). dios previos (“validadas”): es lo que se llaman variables subro-
gadas o intermedias. Al ser variables en general cuantitativas,
aportarán mayor potencia estadística y por tanto permitirán uti-
Fase II y fase III lizar un menor tamaño muestral en el estudio, pero son siempre
Son las fases que tienen diseño de ensayo clínico. Por lo peores que la utilización de la variable dura en sí misma (más
tanto, su objetivo es valorar la eficacia y seguridad del trata- riesgo de sesgos). Ejemplo: analizar si un nuevo betabloqueante
miento en un grupo de enfermos. Las dos fases pueden tener consigue disminuir la PAD en 10 mmHg (variable subrogada) en
un grupo control y un diseño idéntico. En el caso de tener sujetos hipertensos, lo cual ha demostrado en estudios previos
grupo control, éticamente se debe emplear el fármaco activo aumentar la supervivencia (variable dura).
44
Tema 7 · Tipos de estudios epidemiológicos
45
Manual ENARM · Estadística y Epidemiología
46
Tema 7 · Tipos de estudios epidemiológicos
Debido a estas limitaciones, la utilización de controles históricos surgido antes de que finalice el seguimiento del estudio), y por
se restringe a situaciones en las que es muy difícil reclutar el tanto incurrir en problemas éticos (seguir tratando a un grupo
tamaño muestral necesario en el presente (enfermedades de pacientes con un fármaco inferior a otro): en caso de encon-
raras o terminales). trar diferencias significativas en un análisis intermedio, se
Además, se exige que las variables resultado sean variables detiene el estudio.
duras. La realización de análisis intermedios debe estar planificada en
el diseño del estudio antes de comenzarlo.
Además, hay que tener en cuenta que al hacer análisis interme-
7.7. Realización de muchas comparaciones en los dios se incurre en comparaciones múltiples, por lo que existe
estudios epidemiológicos un riesgo de sobrestimar el beneficio del tratamiento experi-
mental (mayor probabilidad de cometer un error alfa). Por ello,
habrá que aplicar una penalización estadística.
La realización de muchas comparaciones en un estudio supone
un problema ya que, con cada comparación realizada, existirá
una probabilidad de cometer un error alfa (encontrar diferen-
cias que en realidad no existen), y la probabilidad alfa de cada 7.8. Estudios de bioequivalencia
comparación se irá acumulando hasta tener una probabilidad
global de haber cometido errores en el estudio muy alta. Tipos de especialidades farmacéuticas
Así, pese a tener comparaciones individuales estadísticamente - Fármaco original o innovador.
significativas (si p <0,05), puede ocurrir que no podamos decir Investigación y desarrollo completo por parte de la industria
que de forma global nuestro estudio ha demostrado encontrar farmacéutica. Tiene un periodo de exclusividad en el que sólo
diferencias (p “global” >0,05). lo pude comercializar la compañía farmacéutica que lo ha de-
Ejemplo: si realizamos dos comparaciones con un error alfa de sarrollado.
0.04 en cada una, la probabilidad global de haber cometido - Licencias o segundas marcas.
un error alfa en el estudio será = 0,04 + 0,04 – 0,04 · 0,04 = La compañía farmacéutica que ha desarrollado un fármaco (y
0,0784 (resultado “global” no significativo). todavía lo comercializa en periodo de exclusividad) autoriza a
Para evitar este problema, se aconseja aplicar una penalización otra empresa para que también lo distribuya.
estadística: se exigen niveles de significación de cada compa- - Especialidad farmacéutica genérica (EFG).
ración individual lo suficientemente bajos para que, al sumarlos, Especialidad con la misma forma farmacéutica (comprimidos,
el valor alfa “global” sea p <0,05. De forma aproximada, el cápsulas, vial para inyección…) e igual composición cualitativa
nivel de significación exigido para cada comparación individual y cuantitativa de principio activo que otra especialidad de refe-
es pi = 0,05 / n.º de comparaciones. rencia, cuyo perfil de eficacia y seguridad esté suficientemente
Hay varias situaciones en las que se realizan muchas compara- demostrado. Los excipientes pueden ser distintos. Pueden re-
ciones en los estudios epidemiológicos: gistrarse antes de que haya expirado la patente original, pero
se comercializan una vez haya expirado. En el registro han de
aparecer las mismas indicaciones de la especialidad original.
Análisis de comparaciones múltiples
Se comparan muchas variables esperando que al menos en al- Estudios de bioequivalencia
guna de ellas se encuentren diferencias significativas. Implica Para poder registrar un fármaco genérico, éste debe demostrar
como hemos visto un mayor riesgo de encontrar falsas di- su equivalencia terapéutica con la especialidad de referencia
ferencias, por lo que sus resultados deben interpretarse con mediante los correspondientes estudios de bioequivalencia.
precaución.
En ellos, no es necesario demostrar la eficacia y la relación be-
neficio/riesgo del producto, siendo suficiente demostrar que las
Análisis de subgrupos características farmacocinéticas del genérico (concentración
Se analizan los resultados obtenidos en subconjuntos de la plasmática máxima alcanzada, tiempo que se tarda hasta alcan-
muestra (p. ej., en ancianos, en diabéticos, en pacientes con zar esa concentración, y cantidad total de fármaco absorbida
insuficiencia renal…). –área bajo la curva–) no son significativamente distintas a la del
producto original.
Puede ser útil para conocer el comportamiento de un fármaco
en distintos grupos poblacionales, pero su realización es muy Los estudios de bioequivalencia suelen realizarse en voluntarios
sensible a los sesgos, especialmente si los subgrupos no se sanos y con un diseño cruzado. El análisis de los datos se realiza
han previsto desde el inicio del estudio. para demostrar equivalencia terapéutica con un límite bilate-
ral de un 20 % de diferencias. Dichas diferencias se miden en
En general, el análisis de subgrupos plantea nuevas hipótesis de
el intervalo de confianza del 90 % (IC 90 %) del cociente de
trabajo, pero no sirve para confirmarlas. Dichas hipótesis debe-
medias de los parámetros farmacocinéticos mencionados, que
rán confirmarse en nuevos estudios realizados específicamente
debe encontrarse entre el 80-125 %. Se divide la media de los
en pacientes del subgrupo de interés.
resultados obtenidos en el fármaco original entre la media de
los resultados obtenidos con el genérico.
Análisis intermedios La demostración de bioequivalencia permite suponer que, ante
Son análisis de los resultados que se realizan en momentos in- similar indicación y con la misma pauta posológica, esos pro-
termedios del seguimiento de un estudio, cuando dicho segui- ductos presentarán la misma eficacia clínica.
miento es muy largo (por ello, se realizan sobre todo en los Las diferentes formas farmacéuticas orales de liberación inme-
estudios de fase III). diata (comprimidos, cápsulas…) podrán considerarse la misma
Se realizan para evitar que pasen desapercibidas diferencias im- forma farmacéutica siempre que hayan demostrado su bioequi-
portantes entre los grupos en comparación (que pueden haber valencia.
47
Manual ENARM · Estadística y Epidemiología
Cp
Cmáx
ABC
Tmáx t
Administración del
fármaco
48
Tema 7 · Tipos de estudios epidemiológicos
A. Experimental.
B. Comparativo.
C. Homodémico.
D. Descriptivo.
A. Casos y controles.
B. Transversal.
C. Prospectivo.
D. Cohorte.
· Encuentra las respuestas y comentarios de las preguntas ENARM al final del manual ·
49
Tema 8
Errores en los estudios epidemiológicos
Validez y reproducibilidad en los estudios epidemiológicos ejemplo, un grupo es más anciano que el otro, lo que influye
Al igual que en un estudio de validación de un nuevo test diag- en que se mueran más sujetos en dicho grupo.
nóstico, en cualquier estudio epidemiológico se tiene en cuenta Siempre que realizamos un estudio comparando varios grupos,
su validez y reproducibilidad: debemos confirmar al inicio del análisis de resultados que las
características de los grupos sean homogéneas (grupos “com-
parables” entre sí), en cuyo caso no habrá posibilidad de que
Validez (exactitud) existan sesgos de selección.
Grado en que un estudio mide lo que realmente tenía como - Solución.
objetivo medir. La aleatorización a la hora de formar los grupos disminuye
- La validez interna hace referencia a la exactitud de los resul- las probabilidades de que las características de los pacientes
tados para los pacientes del estudio (que los resultados sean se distribuyan de forma dishomogénea entre los grupos.
aplicables a la muestra), y depende de que el diseño del estu- El análisis de subgrupos y el análisis estratificado per-
dio sea correcto (ausencia de sesgos). miten, a posteriori (tras finalizar el estudio), comprobar si las
- La validez externa hace referencia a que los resultados sean diferencias en las características de los grupos participantes
aplicables a la población diana, y depende de lo representa- influyen en los resultados (y por tanto si suponen un sesgo de
tiva que sea la muestra de la población (ausencia de errores selección), pero no permiten eliminar el sesgo.
aleatorios). La validez interna es un prerrequisito de la validez
externa. Ejemplos de sesgos de selección
- Sesgo de autoselección (del voluntario).
Reproducibilidad (fiabilidad, precisión) Cuando se recluta a pacientes voluntarios para participar en
Grado de un estudio de obtener el mismo resultado si se re- un estudio, suelen ser pacientes que no encuentran alivio con
pitiera en otras muestras distintas en las mismas condiciones. los tratamientos disponibles y buscan “a la desesperada” una
Depende de lo representativa que sea la primera muestra res- solución. Dichos pacientes suelen por tanto estar más graves
pecto a la población de la que se obtienen las siguientes mues- que la media, lo cual puede afectar a los resultados (cualquier
tras para repetir el estudio (por tanto, de la presencia de errores fármaco tenderá a ser menos efectivo).
aleatorios). - Sesgo del obrero sano.
Si para estudiar una enfermedad laboral se acude al lugar
de trabajo para seleccionar a los individuos, se infraestimará la
8.1. Errores aleatorios frecuencia de enfermedad, ya que aquellos sujetos enfermos
no estarán trabajando sino de baja.
- Sesgo diagnóstico (de Berkson).
El hecho de que estudiemos muestras de individuos y no a la Sesgo que ocurre cuando se seleccionan los individuos de un
población completa puede hacer que nuestra muestra no sea estudio de entre pacientes hospitalizados, y el factor que
representativa de la población. se está estudiando es un factor de riesgo para hospitalizarse.
- Tipos de errores aleatorios. Ejemplo: se analiza la posible relación causal entre el VIH y los
Error de tipo I (alfa) y error de tipo II (beta) (se estudia en el linfomas en pacientes hospitalizados mediante un estudio de
tema 3.1. Errores en contraste de hipótesis). casos (pacientes con linfoma) y controles (hospitalizados por
- Consecuencia. otras causas), analizando la frecuencia de VIH en cada grupo.
Afectan a la validez externa del estudio (no afectan a la Tanto el VIH como los linfomas son por sí mismos factores de
validez interna). riesgo de ingresar en el hospital (si un individuo con VIH o con
- Solución. linfoma enferma por otras causas, es probable que le ingresen
El aumento del tamaño muestral disminuye el riesgo de porque su enfermedad de base le convierte en un paciente de
cometer errores aleatorios y aumenta la potencia estadística alto riesgo). Así, entre los pacientes “hospitalizados por otras
del estudio. causas” habrá un subgrupo de pacientes cuyo motivo de hos-
pitalización será VIH (mientras que el grupo de pacientes con
linfoma ya tienen bastante con su tumor para ingresar). Esto
8.2. Errores sistemáticos (sesgos) hará que infraestimemos la asociación entre linfoma y VIH,
al encontrar más pacientes VIH en el grupo control.
- Sesgo de incidencia/prevalencia (falacia de Neyman).
Son errores debidos a un diseño inadecuado del estudio. Sesgo que ocurre en los estudios de casos y controles al
- Consecuencia. estudiar enfermedades que tienen una fase aguda con altas
Afectan a la validez interna del estudio (por lo que, secun- tasas de letalidad y una fase crónica posterior (p. ej., IAM,
dariamente, afectan también a la validez externa). ictus, disección de aorta), ya que sólo podremos estudiar a los
- No se ven influidos por el tamaño muestral. casos “prevalentes” (crónicos que han sobrevivido a la fase
aguda) mientras que se nos pasarán desapercibidos los casos
Sesgos de selección “incidentes” (agudos que fallecieron). Las características de
los casos prevalentes pueden ser distintas a las de los casos
Aparece cuando existen diferencias en las características que incidentes y eso tener implicaciones en los resultados.
tienen los distintos grupos en estudio (aparte de la característica Ejemplo: al analizar la relación causal de la FA con el ictus, in-
estudiada), y dichas diferencias influyen en los resultados. Por fraestimaremos la asociación porque los ictus cuya causa es
50
Tema 8 · Errores en los estudios epidemiológicos
cardioembólica por FA tienen una mayor letalidad que los ictus - Estudios abiertos.
por otras causas. Así, los casos “prevalentes” de ictus tendrán Los pacientes e investigadores conocen qué intervención reci-
una prevalencia de FA menor que la del conjunto de pacientes ben los pacientes.
con ictus (sumando los casos incidentes y los prevalentes). - Estudios ciegos (con enmascaramiento).
• Ciego simple.
Los pacientes no saben qué intervención reciben (si la expe-
rimental o el control).
• Doble ciego.
No lo saben ni los pacientes ni los investigadores.
• Triple ciego.
No lo saben ni los pacientes, ni los investigadores ni los ana-
listas de los datos (que suelen ser personas independientes
de los investigadores).
51
Manual ENARM · Estadística y Epidemiología
52
Tema 8 · Errores en los estudios epidemiológicos
- Análisis por intención de tratar. del tratamiento médico y no un éxito de la cirugía). Permite
Se estudian los resultados de todos los pacientes reclutados estudiar la causa de las pérdidas y el efecto global del fármaco
en el estudio (todos los pacientes aleatorizados), incluyendo a teniendo en cuenta que un porcentaje de pacientes no se lo
los pacientes que cursen pérdida o que sean traspasados entre tomará (situación que simula a la que se observará en la prác-
grupos, considerándose cada paciente como perteneciente al tica clínica real una vez se comercialice el fármaco).
grupo al que fue aleatorizado (p. ej., un paciente aleatorizado Es el mejor tipo de análisis y el único permitido en los estudios
a tratamiento médico al que finalmente se somete a cirugía con diseño de superioridad.
por fracaso del tratamiento médico se considera un fracaso
53
Valores normales en
Estadística y Epidemiología
Error β β <0,2
EEM EEM = σ / n
54
BIBLIOGRAFÍA
- Métodos de investigación clínica y epidemiológica, 3.ª Edición. JM Argimón Pallás, J Jiménez Villa. Mosby, 2007.
- Manual de Epidemiología y Salud Pública para grados en ciencias de la salud, 2.ª Edición. I Hernández-Aguado, A Gil de Mi-
guel, M Delgado Rodríguez, F Bolúmar Montrull, FG Benavides, M Porta Serra, C Álvarez-Dardet Díaz, J Vioque López, B Lumbreras
Lacarra. Editorial Médica Panamericana, 2011.
- El método estadístico en la investigación médica, 6.ª Edición. JL Carrasco de la Peña. Ciencia 3 Diostribución, 1995.
- Hjalmarson A, Goldtein S, Fegerberg B, et al. Effects of Controlled-Release Metoprolol on Total Mortality, Hospitalizations,
and Well-being in Patients With Heart Failure. The Metoprolol CR/XL Randomized Intervention Trial in Congestive Heart Failure
(MERIT-HF). JAMA. 2000;283:1295-1302
- R. Clifford Blair, Richard A. Taylor. Bioestadística. Pearson Educación. México, 2008
- Aringer M, Costenbader KH, Dörner T, et al. Limited role of specificity of ANA for SLE classification. Response to: ‘European
League against Rheumatism/American College of Rheumatology classification criteria for systemic lupus erythematosus: the labora-
tory immunologist’s point of view’ by Infantino et al. Ann Rheum Dis 2019;0:1. doi:10.1136/annrheumdis-2019-216700.
55
RESPUESTAS ENARM
4. RESPUESTA CORRECTA: D
Comentario: Estos estudios describen la frecuencia y características más importantes de un problema de salud: en individuos
(reporte de caso/series de casos, transversales o de prevalencia) y en poblaciones (ecológicos), a diferencia de los estudios ana-
líticos, que establecen una relación entre una determinada exposición y la aparición de un determinado problema de salud:
observacionales (casos y controles, cohortes) y de intervención (ensayo clínico, ensayo de campo, ensayo clínico no aleatorizado,
estudio de intervención comunitaria).
5. RESPUESTA CORRECTA: B
Comentario: Es un estudio observacional de base individual (la unidad delcestudio es el individuo) que no presenta seguimiento
de los pacientes, esto es, que sólo estudia las características que tienen los pacientes en el presente: trata de describir o estudiar
relaciones causales entre exposiciones y problemas de salud presentes en un momento puntual.
6. RESPUESTA CORRECTA: D
Comentario: El ensayo clínico es un estudio experimental cuyo objetivo es el tratamiento de una enfermedad mediante la apli-
cación de una intervención (p. ej., un fármaco) a un grupo de sujetos enfermos, cuyos resultados se compararán con los de otro
grupo de enfermos a los que no se aplicó el tratamiento.
56
NOTAS
NOTAS