Traducido del inglés al español - www.onlinedoctranslator.
com
Autores de la segunda edición:
Lorraine K. Alexander, Doctora en Salud Pública
Brettania Lopes, MPH
Kristen Ricchetti-Masterson, MSPH
Karin B. Yeatts, PhD, MS
ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico
SERIE DE LIBROS ERICNOTE
Sesgo de confusión, Parte II y Modificación de la
medida del efecto
La confusión es un tipo de error
sistemático que puede ocurrir en los
estudios epidemiológicos, y es una
distorsión de la asociación entre una
exposición y el resultado de salud por una
tercera variable extraña.
La modificación de la medida del efecto (EMM)
es cuando una medida de asociación, como
una relación de riesgo, cambia sobre los
valores de alguna otra variable.A diferencia de
la confusión, que es una distorsión, la EMM es de
interés científico, responde a una pregunta de
investigación y puede ayudar a identificar a
personas susceptibles o vulnerables.
poblaciones ¿Los niños con mala nutrición,
expuestos a la contaminación del agua, tienen
mayor riesgo de síntomas gastrointestinales en
comparación con los niños con buena nutrición
que están expuestos a la contaminación del
agua?
Tanto la confusión como el EMM se
pueden considerar en la fase de diseño de
la investigación o en la fase de análisis.
Hablaremos de ambos en este
computadora portátil.
Cálculo y ajuste por
confusión
El número anterior de ERIC Notebook,
"Confounding Bias, Part I", trató dos
criterios para identificar posibles
factores de confusión en
Segunda edicion
un estudio. Una vez que se han identificado los
factores de confusión potenciales, el siguiente
paso es evaluar si los factores de confusión
sesgan los resultados del estudio y en qué
medida. Para hacer esto, los resultados donde se
ignora la confusión, el"crudo"medida de
asociación, se comparan con los resultados que
han sido corregidos para
distorsiones debidas a la confusión, la
"equilibrado"medida de asociación.
Esta metodología parte de 2
supuestos:
En primer lugar, los datos se obtienen mediante
muestreo aleatorio simple en lugar de algún
procedimiento de selección de sujetos más
restrictivo, como el emparejamiento.
La segunda suposición es que la
exposición, el resultado de salud y las
variables de confusión son todas
dicotómicas (es decir, tienen solo dos
estratos). Si las variables están en un
formato continuo, pueden dicotomizarse
o deben ajustarse simultáneamente para
calcular la verdadera medida de
asociación.
Los métodos para calcular medidas ajustadas de
asociaciones difieren por la necesidad de controlar
cada factor de confusión individualmente o todos los
factores de confusión
simultaneamente.
 CUADERNO ERIC
Antes de calcular una medida de asociación ajustada
utilizando análisis estratificados, primero se debe evaluar la
Dos ejemplos de EMM son:
- Un programa de educación sobre el cáncer de mama (la exposición)
que es mucho más efectivo para reducir el cáncer de mama en áreas
rurales que en áreas urbanas. Aquí, el área (rural o urbana) es un
modificador de medida de efecto.
- El hallazgo de que una reducción en los servicios de transporte
público regional (la exposición) afecta a las personas con poco o
ningún acceso a un automóvil mucho más que a aquellas personas
con acceso a un automóvil. En este ejemplo, tener acceso a un
automóvil es el modificador de medida de efecto.
presencia demodificación de medida de efecto(EMM). Cuando está
presente la modificación de la medida del efecto, puede ser difícil
determinar si se está produciendo confusión o no.
¿Qué es la modificación de la medida del efecto?
Cuando las estimaciones de una relación exposición-resultado en la
salud estratificada por un factor de confusión son suficientemente
diferentes entre sí (es decir, índice de riesgo nivel 1 = 4,0 y índice de
riesgo nivel 2 = 0,2), sugieren que pueden estar operando dos
relaciones exposición-resultado en la salud diferentes. , uno en cada
nivel del confusor.
EMM es diferente de confundir, donde en lugar de
"competir" con la exposición de interés en explicar
Figura 1
Razón de riesgo
tio examen-
por favor
ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico
PÁGINA 2
la etiología de un resultado de salud o enfermedad, el
modificador de medida de efecto identifica subpoblaciones que
son particularmente susceptibles a la exposición de interés.
¿Está presente la modificación de la medida del efecto?
Para calcular si EMM puede estar ocurriendo en el estudio,
primero calcule tres medidas de asociación:
A = La medida bruta general de asociación de la
exposición-resultado de salud
B1 = La medida de la asociación exposición-resultado de salud
entre todos los participantes del estudio que tienen
antecedentes de la variable de confusión (C+)
B2 = La medida de la asociación exposición-resultado de salud
entre todos los participantes del estudio que no tienen
antecedentes de la variable de confusión (C-)
Use la Figura 1 a continuación como una guía sobre cómo
interpretar el significado de estas tres medidas de asociaciones.
Como regla general, si B1 y B2 son básicamente iguales en
valor, pero diferentes de A, entonces existe confusión y EMM
no. EMM está presente cuando B1 y B2 son diferentes entre
sí, y al menos uno (B1 o B2) es diferente de A. Tanto EMM
como la confusión pueden ocurrir simultáneamente.
Si se utiliza un análisis estratificado para ajustar por EMM, los factores de
confusión deben abordarse utilizando técnicas estadísticas más complejas,
como la estratificación de los resultados en más de
 CUADERNO ERIC
una variable divide la muestra en tamaños de muestra
significativamente más pequeños y limita la generalización.
Cálculo de estimaciones resumidas ajustadas
Si no hay EMM presente, entonces los efectos estimados específicos del estrato
se pueden agrupar para formar una estimación resumida del efecto a través de
los estratos. Esta estimación resumida representa un índice de riesgo ajustado
(un índice de riesgo ajustado por factores de confusión).
Aunque hay muchas formas de calcular el índice de riesgo
ajustado, el procedimiento de Mantel Haenszel es el
procedimiento de combinación más común.
Cálculo de medidas ajustadas cuando todos los factores de confusión se
evalúan simultáneamente
El control simultáneo de dos o más variables puede dar resultados
diferentes (y potencialmente más interesantes) de los obtenidos al
controlar cada variable por separado. El control simultáneo de los
factores de confusión emula mejor el entorno natural donde se
encuentran las exposiciones, las enfermedades y los factores de
confusión de interés que el control individual de los factores de
confusión.
El control simultáneo de varios factores de confusión para calcular
medidas ajustadas se realiza a través de modelos matemáticos.
Para controlar la confusión usando modelos matemáticos,
simplemente incluya las variables de confusión como variables
independientes en el modelo. La simplicidad de este método de
ajuste por confusión es una de las características atractivas del
uso de modelos matemáticos en epidemiología.
Aunque hay muchos tipos de modelos matemáticos disponibles,
generalmente solo hay un tipo de modelo que es apropiado para
los objetivos de un análisis de datos específico y para el tipo de
datos disponibles. Los más comunes
El modelo matemático utilizado en epidemiología es la
regresión logística.
Este modelo tiene el formato general de
y = a + b1x+ segundo2z2+ ... + segundoizi
ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico
PÁGINA 3
Se deben proporcionar datos a nivel individual sobre:
1. y: el resultado de salud en un formato dicotómico
2. x: la exposición
3. z2 a zi: los factores de confusión
Con este software de información y análisis estadístico, los
investigadores pueden calcular lo siguiente:
1. a: la intersección del eje y
2. b1: el coeficiente de la variable exposición
3. b2 a bi: los coeficientes para cada factor de confusión que se
controla en el modelo.
Estos coeficientes (excepto a) son muy útiles, ya que pueden
transformarse en razones de probabilidades. La razón de
posibilidades obtenida de b1 de este modelo es una medida de
asociación interpretable que describe la relación entre la
exposición (x) y el resultado de salud (y) después del ajuste por
variables de confusión (z2a zi).
Las mayores desventajas de usar modelos matemáticos son las
suposiciones que debe cumplir el conjunto de datos para usarlos; a
menudo, es posible que los datos no se ajusten a todas las
suposiciones. Es recomendable hacer diagnósticos de regresión en
algún momento durante la etapa de análisis de datos para verificar
estas suposiciones.
¿Es necesario el ajuste por confusión?
Si los efectos ajustados son marcadamente diferentes del efecto
crudo (típicamente un cambio de 10 o 15% de crudo a ajustado),
entonces existe confusión y debe controlarse. Los
investigadores deben informar el punto de corte que usaron
para su análisis (p. ej., 5 %, 10 % o 50 %) en la selección de
factores de confusión para el ajuste.
Si el ajuste de las variables de confusión cambia los resultados solo
ligeramente (menos del 10%), entonces la tendencia sería ignorar esta
influencia, ya que cuantas más variables se controlen, menos precisos
(más amplios los intervalos de confianza) serán los resultados del
estudio. . Los beneficios de ignorar los factores de confusión menores
superarían los costos.
Considere también si es importante controlar posibles factores de
confusión como la edad, simplemente porque muchos
 CUADERNO ERIC
los lectores no confiarían en los resultados que no están ajustados por edad.
Esta desconfianza surge del conocimiento de que la edad está fuertemente
relacionada con las tasas de enfermedad y mortalidad (se aplicarían
comentarios similares al sexo).
Control de confusión
En la fase de análisis:
Una vez que se han recopilado los datos, hay dos opciones para el
control de la confusión: análisis estratificado o
modelo matematico. Ambos métodos se describieron
anteriormente al calcular el efecto de la confusión en la medida
de asociación. Brevemente, el análisis estratificado agrupa la
medida de asociación calculada en cada estrato del factor de
confusión en una estimación de resumen. El modelado
matemático utiliza un enfoque más complejo y hace más
suposiciones que el análisis estratificado.
En la fase de diseño:
Algunos factores de confusión deben controlarse en la etapa de
diseño del estudio de un estudio, en lugar de en la etapa de análisis.
Puede ser necesario hacer esto si el factor de confusión es muy
fuerte y cuando el tamaño de muestra anticipado será lo
suficientemente grande para tratarlo en la etapa de diseño. Algunos
diseños de estudio son más favorables para controlar la confusión
que otros.
La restricción, el emparejamiento y la aleatorización son
técnicas comunes que se utilizan para minimizar la confusión
en la fase de diseño. Estas técnicas no son exclusivas entre sí.
Se pueden usar varios métodos de control diferentes a la vez.
Restricción
La confusión se puede controlar restringiendo la población de
estudio a aquellos que no están expuestos a una o más variables
de confusión. Un ejemplo de restricción es restringir una
población de estudio a no fumadores al estudiar la asociación del
radón ambiental con el cáncer de pulmón. La restricción es ideal
cuando la relación exposición-resultado de salud tiene fuertes
factores de confusión porque puede ser un método eficiente,
conveniente, económico y directo para controlar los factores de
confusión. Sin embargo, la variable restringida, por ejemplo,
fumar en el ejemplo dado, no puede evaluarse por confusión.
Restricción
ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico
PÁGINA 4
puede que no siempre sea logísticamente factible porque el tamaño de la
muestra de los participantes del estudio disponibles se reduce, a veces
hasta el punto de que no se puede realizar un estudio.
Ejemplo
Por ejemplo, se ha identificado un grupo de 30 paracaidistas
seropositivos de distintas edades (20 % veinteañeros, 30 %
treintañeros, 50 % personas de la tercera edad) con los que
estudiar los factores de riesgo conductuales de la infección por
el VIH, independientemente de la edad. Por lo tanto, el grupo de
control debe ser de 30 paracaidistas seronegativos con la misma
distribución de edad que el grupo de paracaidistas seropositivos
(20% veinteañeros, 30% treintañeros, 50% adultos mayores).
Esto se lograría haciendo coincidir los controles con los casos
por edad, seleccionando solo paracaidistas VIH negativos que
contribuyan a la distribución de edad predeterminada.
Pareo
La confusión también se puede controlar mediante la coincidencia de
la(s) variable(s) de confusión. El emparejamiento implica restringir el
grupo de control (para estudios de casos y controles) o el grupo no
expuesto (para estudios de cohortes) de modo que la distribución de
la(s) variable(s) de confusión dentro de estos grupos sea similar (o
idéntica) a la distribución correspondiente dentro del grupo índice. (el
grupo de casos para el caso
- estudios de control o el grupo expuesto para estudios de cohortes). Se
puede considerar que el emparejamiento impone una "restricción parcial"
en los valores de las variables de confusión, ya que solo se restringe el
grupo de control o no expuesto.
El análisis de los datos combinados requiere una consideración
especial, porque el grupo de control, o no expuesto, no es una
muestra aleatoria de participantes del estudio; deben considerarse
como una muestra sesgada. Las técnicas para analizar los datos
coincidentes incluyen realizar el análisis de datos por separado para
cada nivel del factor de confusión (análisis estratificado) y usar la
regresión logística condicional.
Al considerar el emparejamiento, tenga en cuenta cuatro factores:
1. Precisión (generalmente aumenta con el emparejamiento)
2. Costo (generalmente reducido con el emparejamiento, porque se
necesita un tamaño de muestra más pequeño)
 CUADERNO ERIC
3. Viabilidad (se puede aumentar con el emparejamiento)
4. Flexibilidad para decidir si emparejar
También tenga en cuenta que las variables coincidentes no se
pueden evaluar por confusión.
Aleatorización
La aleatorización es un método ideal para controlar la confusión porque
este método puede controlar tanto los factores de confusión conocidos
como los desconocidos. Sin embargo, debido a que la aleatorización
requiere que el estado de exposición de los individuos se asigne a los
participantes del estudio,
Los diseños de estudios observacionales, como los estudios transversales, de
cohortes, de casos y controles y ecológicos, no pueden utilizar la aleatorización
para controlar los factores de confusión. Sin embargo, para los ensayos clínicos
controlados, la aleatorización es un método común para controlar los factores de
confusión.
El uso de la aleatorización para controlar los factores de confusión
supone que la clasificación aleatoria de individuos en grupos
producirá grupos que tendrán una distribución igual (o similar) de
factores de confusión. Por ejemplo, la teoría de la aleatorización dice
que dados dos grupos de estudiantes seleccionados al azar, cada
grupo tendrá el mismo porcentaje de mujeres, el mismo porcentaje de
personas con blusas de color blanco, el mismo porcentaje de personas
con ojos marrones, etc. . Por lo tanto, la aleatorización, si se realiza
correctamente, producirá grupos homogéneos de individuos. Cuando
una exposición es
Terminología
Modificación de medida de efecto:una variación en la magnitud
de una medida del efecto de la exposición a través de los niveles
de otra variable
Aleatorización:asignación aleatoria de sujetos a
categorías de exposición
Pareo:la selección de controles, o sujetos no
expuestos, que son idénticos, o casi, a los casos, o
sujetos expuestos, con respecto a la distribución de
uno o más factores potencialmente confusos
De: Epidemiología moderna, Rothman KJ y Greenland S, 1998
aplicado a uno de estos grupos homogéneos, pero no al
otro, la única diferencia entre los dos grupos es
ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico
PÁGINA 5
su estado de exposición. En esta situación, la confusión, la
distribución desigual de un factor de riesgo entre grupos
expuestos y no expuestos, no puede ocurrir.
La clave para el control adecuado de la confusión a través de la
aleatorización es tener un tamaño de muestra suficientemente grande en
cada grupo aleatorizado. Rothman y Greenland (1998) afirman que tener
al menos 50 sujetos, preferiblemente 100 o más, generalmente asegurará
que los factores de confusión potenciales se distribuyan equitativamente
entre cada grupo de estudio.
Preguntas de práctica
Las respuestas están al final de este cuaderno.
1) Hay una campaña de vacunación vigente en algunos condados de
un estado para educar a los padres sobre las enfermedades
infantiles y las vacunas recomendadas para sus hijos. Los
investigadores encuentran que la campaña de vacunación
parece ser efectiva. Los niños que viven en los condados con la
campaña de vacunación tienen 4 veces más probabilidades de
vacunarse según las recomendaciones en comparación con los
niños que viven en los condados sin la campaña de vacunación.
Sin embargo, incluso mirando solo dentro de los condados con
la campaña de vacunación, los investigadores encuentran que
los niños de familias con ingresos por encima del nivel de
pobreza tienen el doble de probabilidades de vacunar a sus
hijos en comparación con los niños de familias con ingresos por
debajo del nivel de pobreza. ¿Cuál de los siguientes puede ser
determinado a partir de este ejemplo?
Elija todos los que correspondan:
a) El ingreso familiar parece ser un factor de confusión
b) El ingreso familiar parece ser un modificador de la medida del
efecto
c) La campaña de vacunación parece ser efectiva
d) La campaña de vacunación es el resultado del estudio.
e) La campaña de vacunación es la exposición del estudio.
2) Los investigadores realizaron un estudio de cohorte en el país B para
examinar la asociación entre una dieta rica en grasas y el riesgo de cáncer
de colon. Los investigadores creen que el uso de vitaminas puede ser un
factor de confusión, pero primero deben examinar si el uso de vitaminas es
o no un modificador de la medida del efecto. Use las tablas 2x2 a
continuación para determinar si el uso de vitaminas es un
 CUADERNO ERIC PÁGINA 6

Referencias
modificador de medida de efecto o un factor de confusión en la asociación

dieta alta en grasas-cáncer de colon.

Kleinbaum DG, Kupper LL, Morgenstern H. Investigación
epidemiológica: principios y métodos cuantitativos. Belmont,
Cáncer de colon sin dos puntos Total CA: Publicaciones Lifetime Learning, 1982.
cáncer
Expuesto a un 254 2220 2474 Miettinen OS, Cook EF. Confundir: esencia y detección.
dieta alta en grasas American Journal of Epidemiology 114(4):593-603, 1981
no expuesto a 98 2300 2398 oct.
una dieta rica en grasas

Dr. Carl M. Shy, Epidemiología 160/600 Introducción a la

Entre las personas expuestas a una dieta rica en grasas:
epidemiología para conferencias del curso de salud pública,
1994-2001, Universidad de Carolina del Norte en Chapel Hill,
Cáncer de colon Ningún colon puede- Total
Departamento de Epidemiología

toma diariamente 150 1830 1980 Rothman KJ, Groenlandia S. Epidemiología moderna.
Segunda edicion. Filadelfia: Lippincott Williams and Wilkins,
No toma 104 390 494
1998.

Rothman KJ. Introducción a la Epidemiología. Nueva York, Nueva

Entre personasno expuestos a una dieta rica en grasas:
York: Oxford University Press, 2002

Cáncer de colon Ningún colon puede- Total

Cursos del Departamento de Epidemiología de la Universidad de
cierto
Carolina del Norte en Chapel Hill: Epidemiología 710, conferencias del
Toma vita- 80 1500 1580
min curso Fundamentos de la epidemiología, 2009-2013, y Epidemiología
No toma 18 800 818 718, conferencias del curso Análisis epidemiológico de datos binarios,
vitamina diaria 2009-2013.

a) ¿Es el uso de vitaminas un factor de riesgo independiente para el cáncer

de colon?
b) ¿El uso de vitaminas se distribuye de manera diferente entre los grupos
de dieta alta en grasas y dieta baja en grasas?
c) Compare la razón de riesgo cruda con las razones de riesgo
estratificadas por uso de vitaminas.
Reconocimiento
Los autores de la segunda edición del Cuaderno ERIC
desean agradecer a los autores de la Primera edición
del Cuaderno ERIC: Michel Ibrahim, MD, PhD, Lor raine
Al exander, DrPH, Car l Shy, MD, DrPH, Gay le
Shimokura, MSPH y Sher ry Far r, GRA, Departamento
de Epidemiología de la Universidad de Carolina del
Norte en Chapel Hill. La primera edición del cuaderno
ERIC fue producida por el brazo educativo del centro
de información e investigación epidemiológica en
Durham, NC. La financiación del ERIC

La primera edición del cuaderno fue proporcionada por el

Departamento de Asuntos de Veteranos (DVA), Administración
de Salud de Veteranos (VHA), Cooperativa
Programa de Estudios (CSP) para promover el crecimiento
estrat égico de la capacidad epidemiológica de la
DVA.

ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico

 CUADERNO ERIC PÁGINA 7

Respuestas a las preguntas de práctica
1. Las opciones de respuesta b, c y e son correctas. En este ejemplo, el
ingreso familiar parece ser un modificador de la medida del
efecto porque el efecto de la campaña de vacunación difiere
notablemente entre las 2 subpoblaciones (ingreso familiar por
encima o por debajo del nivel de pobreza). La campaña de
vacunación parece ser eficaz ya que los niños de los condados
con la campaña de vacunación tenían 4 veces más
La relación de riesgo de cáncer de colon entre los no consumidores de vitaminas
con una dieta rica en grasas es:
Relación de riesgo = (104/494) / (18/818) = 9,6
El cociente de riesgo bruto de 2,51 y el cociente de riesgo específico de la
vitamina de 2,3 (de la pregunta 1) se encuentran entre los cocientes de riesgo
estratificados. Los 2 cocientes de riesgo estratificados difieren mucho entre sí
(9,6 para los no usuarios de vitaminas frente a 1,5 para los usuarios de

probabilidades de ser vacunados que los niños de los condados vitaminas). Este ejemplo muestra la presencia de la modificación de la
sin la campaña de vacunación. En este ejemplo, el medida del efecto.

Los investigadores están estudiando el resultado de si los

niños son o no vacunados de acuerdo con
recomendaciones La campaña de vacunación es la
exposición.

2.

a) ¿Es el uso de vitaminas un factor de riesgo independiente para el cáncer

de colon?

Responder:
Proporción de riesgo de que los usuarios de vitaminas desarrollen
cáncer de colon entre el grupo no expuesto:
(80/1580) / (18/818)=2,3

Sí, una razón de riesgo de 2,3 muestra que el consumo de vitaminas

es un predictor moderado de cáncer de colon.

b) ¿El uso de vitaminas se distribuye de manera diferente entre los grupos

de dieta alta en grasas y dieta baja en grasas?

Responder:
Entre las personas que comen una dieta alta en grasas hay
1980/2474 = 80% usuarios de vitaminas
Entre las personas que no siguen una dieta alta en grasas hay
1580/2398= 66 % usuarios de vitaminas
Por lo tanto, el uso de vitaminas se distribuye de manera diferente entre
los grupos expuestos a dietas altas y bajas en grasas.

c) Compare la razón de riesgo cruda con las razones de riesgo

estratificadas por uso de vitaminas.

Responder:
La relación de riesgo bruta (no estratificada por el uso de vitaminas) es el
riesgo de cáncer de colon por la exposición a una dieta rica en grasas/el
riesgo de cáncer de colon por la exposición a una dieta baja en grasas.
Relación de riesgo crudo = (254/2474) / (98/2398) = 2,51

La relación de riesgo de cáncer de colon entre los usuarios de vitaminas con

una dieta rica en grasas es:
Relación de riesgo = (150/1980) / (80/1580)= 1,50

ERIC en elDepartamento de Epidemiología de la UNC CHCentro Médico