DirkPfeiffer IntrotoVetEpi

Machine Translated by Google
Dirk Pfeiffer – Introducción a la epidemiología veterinaria
1
Contenido
DERECHOS DE AUTOR 3
DEDICACIÓN 4
PREFACIO 5
AGRADECIMIENTOS 8
CONTENIDO 10
1. INTRODUCCIÓN 13
Objetivos de aprendizaje 13
Retos actuales y futuros en salud animal y salud pública veterinaria 13
Epidemiología veterinaria 15
2. CONCEPTOS EPIDEMIOLÓGICOS GENERALES 17
Introducción 17
Patrones temporales y espaciales de la enfermedad. 19
Determinantes de la salud y la enfermedad. 24
Causalidad 28
3. CUANTIFICAR LA PRESENCIA DE ENFERMEDADES 33
Introducción 33
Riesgo de incidencia 34
Tasa de incidencia 35
Predominio 37
Comparación de medidas de prevalencia e incidencia. 38
Medidas diversas de aparición de enfermedades. 40
Supervivencia o tiempo hasta el evento 41
Estandarización de medidas de ocurrencia. 45
2
4. DISEÑO DE ESTUDIOS EPIDEMIOLÓGICOS 48
Introducción 48
Estudios descriptivos 49
Estudios experimentales 50
Estudios observacionales 53
Comparación de tipos de estudio. 60
5. MEDICIÓN DE EFECTOS 62
Introducción 62
Medidas de fuerza de asociación. 63
Medidas de impacto 66
Ejemplo de cálculo de medidas epidemiológicas de efecto 68
6. CONSIDERANDO EL ERROR Y LA CAUSAEFECTO 70
Introducción 70
Error sistematico 70
Error al azar 73
Interacción o modificación del efecto. 81
De la asociación a la causaefecto 83
7. MUESTREO DE POBLACIONES ANIMALES 86
Introducción 86
Muestreo probabilístico o no probabilístico 88
Estrategias de muestreo aleatorio 89
Cálculo del tamaño de la muestra 97
8. INTERPRETACIÓN DE LAS PRUEBAS DE DIAGNÓSTICO 110
Introducción 110
3
Pruebas de diagnóstico 111
Evaluación de pruebas diagnósticas. 113
Realización e interpretación de pruebas a nivel de animal individual. 119
Estimación de prevalencia y pruebas diagnósticas. 121
Perspectiva clínica sobre la interpretación de las pruebas diagnósticas. 122
Métodos para elegir valores de corte 124
Razones de probabilidad 128
Combinar los resultados de las pruebas de diagnóstico 133
Análisis de decisión 141
9. INFORMAR SOBRE EL CONTROL Y ERRADICACIÓN DE ENFERMEDADES 144
Introducción 144
Análisis de riesgo 145
Evaluación de la salud y la productividad del rebaño. 149
Vigilancia y seguimiento de enfermedades. 150
Investigación del brote 152
Modelado 155
Sistemas de información computarizados 158
ÍNDICE 160
REFERENCIAS 165
4
1. Introducción
Objetivos de aprendizaje
Al finalizar este capítulo, podrá:
• Describir la relación entre la ciencia veterinaria, la medicina veterinaria basada en evidencia y
epidemiología.
• Proporcionar definiciones de epidemiología veterinaria.
Retos actuales y futuros en salud animal y salud pública veterinaria
Durante los últimos 50 años, la profesión veterinaria se ha enfrentado a una serie de desafíos
relativos a la salud animal y pública a nivel de cada animal y de población. en el individuo
A nivel animal, particularmente en el contexto de la práctica clínica, la importancia de los métodos basados en la probabilidad.
Actualmente esta información es bien reconocida y ha llevado al desarrollo de métodos veterinarios basados en evidencia.
medicamento que se analiza con más detalle a continuación. A nivel poblacional, enfermedades antiguas como
La tuberculosis bovina ha resurgido en algunos entornos, enfermedades que antes estaban limitadas geográficamente.
como la lengua azul están ampliando su alcance y otras nuevas como la lengua espongiforme bovina
La encefalopatía ha aparecido y se ha extendido a muchos países antes de ser reconocida. En paralelo,
El público desarrolla expectativas cada vez mayores con respecto a la seguridad alimentaria y el bienestar animal.
estándares. En algunos casos, la erradicación de enfermedades parece imposible a pesar de largos y muy prolongados
Campañas costosas de control de enfermedades, como en el caso de la tuberculosis bovina en el Reino Unido.
o infección por lengua azul en Europa. También se considera necesario tener en cuenta la situación económica.
aspectos del control de enfermedades a nivel agrícola o regional (Rushton, 2008). Enfermedad multifactorial costosa
complejos como la mastitis o la cojera del ganado se han vuelto más comunes, en algunos casos
asociado con prácticas de producción más intensivas. Estos últimos también se han asociado con grandes
escalar brotes de enfermedades con importantes consecuencias económicas y de bienestar, como por ejemplo en
Países Bajos con peste porcina clásica en 1997/98 y cepa de influenza aviar tipo H7N7 en
2003 (Stegeman et al., 2000; Stegeman et al., 2004). El gran número de movimientos de animales.
5
ocurrido en el Reino Unido y de allí a otros países europeos fue uno de los factores clave
factores que explicaron la extraordinaria magnitud del brote de fiebre aftosa (FA) en 2001 (Gibbens
y Wilesmith, 2002). El comercio mundial de animales y productos derivados de animales presenta nuevas
Desafíos para la inocuidad de los alimentos, ya que los alimentos provienen de países con diferentes estándares alimentarios.
seguridad. Es probable que se produzcan cambios climáticos y un aumento de los movimientos de ganado y mascotas a larga distancia.
provocar cambios en la distribución geográfica de las enfermedades. Han aparecido nuevas enfermedades como
encefalopatía espongiforme bovina (EEB), que presentaba un desafío formidable en términos de
identificación de la causa y control efectivo, lo que resulta en graves consecuencias económicas para
las industrias ganaderas en muchos países, así como las muertes humanas (Wilesmith et al., 1991). En recientes
tiempos, el desarrollo de resistencia a los antimicrobianos ha sido reconocido como una amenaza importante para
Salud animal y humana, como en el caso del Staphylococcus aureus resistente a la meticilina.
(SARM). La globalización de los viajes humanos permite que las enfermedades infecciosas se propaguen muy rápidamente.
todo el mundo, como quedó demostrado durante el brote del síndrome respiratorio agudo severo (SARS) en
2002/3 (Anderson et al., 2004). Ser capaz de afrontar los retos antes mencionados con la mayor eficacia posible.
posible, los responsables de las políticas de salud y bienestar animal a menudo exigen asesoramiento científico
que sea relevante para su aplicación inmediata o a corto plazo en poblaciones animales. También se ha convertido
Es evidente que la separación histórica de la vigilancia y la investigación de enfermedades entre animales y
Los humanos ignoran la conexión inherente de los sistemas biológicos y, por lo tanto, el llamado sistema biológico.
Se requiere medicina o un enfoque de salud (Zinsstag et al., 2005).
A nivel de cada animal, los veterinarios que trabajan en la práctica clínica tienen que realizar una amplia gama
de decisiones que dependen de información basada en probabilidades. Algunos ejemplos son la probabilidad de que un
paciente tiene una determinada enfermedad dado el resultado de una prueba de diagnóstico particular o la probabilidad de que se produzca una determinada enfermedad.
el tratamiento resultará en la curación. La respuesta a estas preguntas requiere una comprensión de la
evidencia científica que describa la realización de la prueba diagnóstica o el método de tratamiento utilizado.
No basta con confiar en fuentes como los libros de texto, ya que a menudo están desactualizados y confiar en
6
basarse en las recomendaciones de expertos individuales puede dar lugar a información sesgada. Además, el volumen de
La información disponible en la literatura revisada por pares o a través de la World Wide Web a menudo es
abrumador y su validez es difícil de determinar. Desarrollo profesional continuo (DPC)
Las actividades son esenciales para que los veterinarios mantengan actualizada su base de conocimientos, pero esto puede ser
requiere mucho tiempo y es poco probable que aborde el espectro completo de casos clínicos que deben abordarse.
ser abordados en la práctica diaria. Dadas estas limitaciones, el veterinario debe aspirar a una
equilibrio óptimo entre sus habilidades clínicas aplicadas y sus conocimientos teóricos, donde los primeros
Es probable que mejore con la experiencia y que esta última disminuya con el tiempo, particularmente sin
DPC eficaz. Al reconocer estas limitaciones, la medicina veterinaria basada en evidencia (EBVM) ha
Se ha introducido desde principios de este siglo basándose en un concepto desarrollado una década antes.
en ciencias médicas (Cockcroft y Holmes, 2003).
Epidemiología veterinaria
Los desafíos a la salud pública y animal mencionados anteriormente tienen en común que requieren
identificación, cuantificación y examen intensivo de múltiples causas, directa o indirectamente,
y a menudo interactúan entre sí, determinantes de la enfermedad. La ciencia de la epidemiología veterinaria se ocupa de la
investigación de estos determinantes de la distribución de enfermedades en poblaciones animales. Productividad y
El bienestar de los animales también puede ser un resultado de interés, ya que las enfermedades generalmente afectarán a ambos, y
de hecho, a menudo pueden ser lo que las partes interesadas tendrán como enfoque principal. Veterinario
La epidemiología implica la aplicación de un enfoque científico estructurado para integrar datos.
generado por diferentes disciplinas y técnicas científicas durante la investigación de una enfermedad. El
A menudo se hace hincapié en proporcionar evidencia científica que sea de relevancia inmediata para la toma de decisiones.
haciendo.
En el contexto de la prestación de asesoramiento epidemiológico en relación con una cuestión particular de sanidad animal,
La epidemiología veterinaria ofrece una amplia gama de métodos que se pueden agrupar como se muestra en la Tabla 1.
1. La investigación epidemiológica suele comenzar con la pregunta de si hay un animal
7
problema de salud. Esto requerirá la recopilación de datos o el acceso y recopilación de datos existentes. El
Los datos pueden incluir una amplia gama de mediciones que incluyen animales, manejo, económicos y
factores ambientales, y pueden recolectarse en diferentes resoluciones que van desde molecular hasta
nivel de población. Los datos resultantes se analizan descriptivamente en términos de frecuencia de ocurrencia.
y posiblemente económicos. Estos resultados luego contribuyen a una decisión sobre si
Las investigaciones de las relaciones causales entre la aparición de enfermedades y los factores de riesgo potenciales son
necesario proporcionar una base científica para el desarrollo de políticas de control o prevención. Semejante
La investigación sobre las relaciones causaefecto generalmente implica investigaciones basadas en datos o conocimientos.
modelado. La diferencia entre estos dos enfoques de modelado es que el primero se basa en
derivar relaciones a partir de los datos que se han recopilado, y el primero implica el desarrollo de
Modelos basados en el conocimiento existente sobre las relaciones dentro del sistema biológico. Una vez el
Cuando se comprenden mejor las relaciones, se puede evaluar el impacto de las intervenciones. El objetivo final de
Las investigaciones epidemiológicas son el control e idealmente la prevención de los problemas de enfermedades animales.
facilitando la integración de la evidencia científica más actualizada en la toma de decisiones relacionadas
al desarrollo de políticas.
Cuadro 11: Agrupación estructurada de métodos de investigación epidemiológica
Pregunta Problema de salud animal
Estudios Vigilancia y
Recopilación de datos epidemiológicos seguimiento Conocimiento existente
Análisis Análisis
Descripción
descriptivo Economico
Relaciones Modelado Modelado basado en el

causales basado en datos conocimiento
Modelado Modelado basado en el Análisis

Intervención
basado en datos conocimiento Economico
Respuesta(s) Control o prevención
8
2. Conceptos epidemiológicos generales
• Comprender los conceptos epidemiológicos asociados con agentehuéspedentorno y red de
causalidad.
• Utilice términos utilizados en la epidemiología de enfermedades infecciosas, como infección, período de incubación,
reservorio, vector, patogenicidad y virulencia.
• Discutir diferentes enfoques para determinar las relaciones causaefecto.
Introducción
La base de la mayoría de las investigaciones epidemiológicas es la suposición de que la enfermedad no ocurre en un
moda aleatoria. Si este no fuera el caso, no sería necesario identificar relaciones causales
entre los posibles factores de riesgo y la enfermedad. Como se mencionó anteriormente, se supone que la enfermedad está influenciada
por múltiples factores de riesgo o determinantes que potencialmente interactúan. Estos se pueden agrupar en tiempo,
Lugar y características de los animales. Las investigaciones epidemiológicas se centran en medir estos
determinantes para grupos de animales seleccionados de poblaciones animales, y la característica definitoria
es que se examinan tanto animales sanos como enfermos. Parámetros que deben investigarse
incluir el estado de salud del animal y cualquier factor que potencialmente pueda afectar su estado de salud,
como edad, condición corporal, estado de vacunación, estado de embarazo, etc. Ubicación espacial y temporal
de cada individuo también puede ser relevante. El estado de salud de una población se investiga con
respecto de los posibles estados de salud de las personas, tales como muerte, enfermedad clínica o subclínica o
salud. En animales individuales, la enfermedad se define como un estado de función o forma corporal que no logra
satisfacer las expectativas del dueño del animal o de la sociedad. En las poblaciones, puede manifestarse a través de
déficits de productividad o falta de supervivencia de calidad. Actualmente también se utilizan técnicas genéticas y moleculares.
se utilizan más comúnmente y proporcionan herramientas para una mejor medición del host, el agente y
factores de exposición.
9
Las diferencias cuantitativas en la manifestación de enfermedades infecciosas a nivel poblacional pueden ser
descrito utilizando la analogía de un iceberg (ver Figura 21). Representa las distintas etapas con
con respecto a infecciones y enfermedades en las que los animales de una población estarán en un punto particular de
tiempo. En el caso de muchas enfermedades infecciosas, un número sustancial de animales que estaban o no
Los expuestos a la infección permanecen no infectados y estos representan la base del iceberg. Estos animales
puede ser susceptible a una infección en el futuro o desarrollar inmunidad como consecuencia de
exposición. Otro grupo de animales puede estar infectado, pero no ha desarrollado la enfermedad clínica en este momento.
momento determinado en el tiempo. Este grupo de animales puede permanecer siempre en esta categoría, o podría en algún momento
etapa de desarrollo de la enfermedad clínica dependiendo de la influencia de diferentes factores, incluidos, por ejemplo,
estrés ambiental. Estos animales a menudo pasan desapercibidos a través de un sistema de vigilancia de enfermedades.
La punta del iceberg incluye animales con diferentes manifestaciones de enfermedad clínica. El
La probabilidad de que los animales de estas categorías sean reconocidos mediante la vigilancia de enfermedades varía, en
que aquellos que han muerto o desarrollan una enfermedad grave suelen ser detectados, mientras que aquellos con enfermedades leves
la enfermedad puede pasar desapercibida. La capacidad de los animales dentro de estos diferentes grupos para transmitir
La infección se convierte en un factor muy importante que influye en la dinámica de transmisión de una enfermedad infecciosa.
enfermedad, variará entre enfermedades y dependerá de una variedad de factores de riesgo.
muerte
enfermedad severa
probabilidad
alto
de detección
mediante vigilancia bajo enfermedad leve
infección sin enfermedad
exposición sin infección
10
Figura 21: El concepto iceberg de enfermedad
Patrones temporales y espaciales de la enfermedad.
Los patrones temporales de enfermedad pueden clasificarse en términos generales en enfermedades epidémicas y endémicas.
Las epidemias se definen como una incidencia de enfermedades superior a lo "normal", mientras que la endemia
Se refiere a una enfermedad que está presente la mayor parte del tiempo y, por lo tanto, "normalmente" en una población. Puede
Será difícil distinguir entre lo que es una enfermedad "normal" y lo que no. Pandemia
La ocurrencia de enfermedades se refiere a epidemias generalizadas que generalmente ocurren a escala global, como la
Epidemia de gripe española en 19181919. Los brotes implican un aumento repentino en el número de
casos, y a menudo se utilizan para describir sucesos inusuales a nivel de rebaño. enfermedad esporádica
Su aparición se caracteriza por casos únicos o grupos de enfermedades que normalmente no están presentes en
un área. Los patrones temporales de enfermedad se presentan mediante gráficos de barras que muestran el número de nuevos
los casos en el eje vertical y el tiempo en el eje horizontal, y se denominan curvas epidémicas. El
La forma de la curva epidémica se puede utilizar para desarrollar hipótesis con respecto a la causa potencial.
de la enfermedad y sus características epidemiológicas. La agrupación de la aparición de enfermedades en el tiempo puede
describirse como una variación a corto plazo , como en el caso de las epidemias clásicas como la fiebre aftosa de 2001 en el Reino Unido
brote (ver Figura 22), variación periódica o estacional , como la influenza aviar en Vietnam en
20046 (ver Figura 23) y la variación a largo plazo como, por ejemplo, para el número creciente de nuevos
Desglose de rebaños de tuberculosis bovina en el Reino Unido (Figura 24).
11
350
300
250
200
so
ore aN
msue d
c
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Número de la semana
Figura 22: Curva epidémica del brote de fiebre aftosa de 2001 en el Reino Unido [datos de Defra]
Figura 23: Aparición periódica de influenza aviar H5N1 en Vietnam [de Pfeiffer et al.
(2007)]
12
0,06
0,05
0,04
nóicroporP
0,03
0,02
0,01
0.00
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
Año
Figura 24: Patrón temporal de proporción de rebaños con pruebas positivas de M.bovis entre
rebaños previamente libres de tuberculosis (datos de Defra 2009)
La Figura 25 muestra ejemplos de los cuatro tipos estándar de curvas de aparición de enfermedades. El
La identificación del primer caso, el caso índice, es bastante importante, ya que permite hacer inferencias sobre
Infecciosidad y período de incubación de la enfermedad. En el caso de una epidemia que se propaga, la enfermedad
Es probable que haya sido introducido a través de una única fuente y posteriormente haya sido transmitido.
desde animales infectados hasta animales susceptibles dentro de la misma población. Este comportamiento es típico de
una enfermedad infecciosa con un período de incubación relativamente corto, como la fiebre aftosa. Con
aparición esporádica de la enfermedad, sólo se observa un pequeño número de casos durante un corto período de tiempo.
tiempo lo que inferiría que el proceso patológico no es infeccioso en las condiciones prevalecientes.
Este tipo de patrón suele manifestarse por deformaciones congénitas. En el caso de una epidemia puntual ,
Un gran número de casos nuevos ocurren durante un período de tiempo relativamente corto. La característica clave de
En una epidemia de este tipo, el número de nuevos casos disminuye muy rápidamente, lo que indica que la fuente de infección
ha sido eliminado y no se produce transmisión entre animales infectados y susceptibles. Alimentar
13
Causas transmitidas como las toxinas en los alimentos para animales pueden exhibir este tipo de comportamiento. Enfermedad endémica
ocurrencia se refiere a la aparición de casos en todo momento
14
aN
mesúu
svo
osroe ed
nc
2
0
1 2 3 4 5 6 7
Semana
Brote esporádico
10
8
eaN
mesúu
svo
osroe d
n
c
1 2 3 4 5 6 7
Semana
Epidemia de fuente puntual
10
6
aN
mesúu
svo
osroe e d
n
c
0
1 2 3 4 5 6 7
Semana
Propagación de epidemia
10
8
eaN
mesúu
svo dc
n
6
osroe
1 2 3 4 5 6 7
Semana
Enfermedad endémica
Figura 25: Tipos estándar de patrones temporales de aparición de enfermedades
15
La aparición de enfermedades también se puede caracterizar a través de su patrón espacial. Suele ser de interés para
determinar si la enfermedad ocurre en un patrón espacialmente agrupado que puede ser el resultado de
transmisión de enfermedades infecciosas entre animales muy próximos entre sí o de
Presencia de factores de riesgo en la ubicación del cluster. La Figura 26 muestra la distribución espacial de
Lugares de brotes de la enfermedad causada por el serotipo 8 del virus de la lengua azul durante el período de agosto a
Octubre de 2006. El virus había sido introducido mediante un mecanismo desconocido en una población relativamente pequeña.
zona donde Alemania, los Países Bajos y Bélgica comparten fronteras. Desde aquí se propagó el virus.
por vector Culicoides y/o movimiento de animales predominantemente en dirección este y oeste.
Figura 26: Distribución espacial de las ubicaciones de los brotes de enfermedades clínicas causadas por la lengua azul
serotipo 8 del virus en Europa Central entre agosto y octubre de 2006 (sombreado en gris).
el fondo indica la altura sobre el nivel del mar: oscuro arriba, claro abajo) [de Anónimo
(2006)]
Determinantes de la salud y la enfermedad.
El concepto de causalidad vincula los factores de riesgo potenciales con la aparición de una enfermedad. es mas lejos
discutido en la siguiente sección. El conocimiento de estos factores permite potencialmente controlar o prevenir
dieciséis
enfermedad. Las investigaciones sobre las relaciones causaefecto resultan útiles en poblaciones donde no todos
individuo se ve afectado por la enfermedad en estudio. El objetivo entonces es medir los factores que describen
variación dentro o entre sistemas de cría con respecto a los aspectos económicos, sociales, físicos y
parámetros biológicos. Pueden ser factores de uno o más de estos grupos de parámetros, y como riesgo
Factores o determinantes de la salud y la enfermedad, alteran la naturaleza o frecuencia de la enfermedad. El término
La tríada epidemiológica describe la interrelación entre agente, huésped y ambiente como
determinantes de la enfermedad (ver Figura 27).
agente
enfermedad
anfitrión ambiente
Figura 27: La tríada de determinantes epidemiológicos
Los determinantes del agente incluyen la patogenicidad, que es la capacidad de un agente para producir enfermedad en un
variedad de huéspedes bajo una variedad de condiciones ambientales y virulencia, que es una medida de la
gravedad de la enfermedad causada por un agente específico. El período de incubación se define como el tiempo entre
infección y la primera aparición de signos clínicos. Un componente importante de la epidemiología de cualquier
El proceso infeccioso es la relación entre huésped y agente. Se caracteriza por ser dinámico.
pero a menudo habrá un equilibrio entre los mecanismos de resistencia del huésped, la infectividad y
virulencia del agente. El agente aumenta su supervivencia aumentando su infectividad y disminuyendo
su patogenicidad, así como a través de intervalos generacionales más cortos. El resultado de la infección puede ser
infección latente, enfermedad clínica, estado de portador, inmunidad estéril o muerte. Un estado portador o latente.
La infección se caracteriza por un huésped infectado que es capaz de diseminar el agente, pero
normalmente no muestra evidencia de enfermedad clínica. Los portadores de incubación, por otro lado, son
17
infectados, diseminados, pero se encuentran en etapa preclínica. Los portadores convalecientes están infectados,
difundirse y se encuentran en etapa postclínica. El agente de una enfermedad concreta puede transmitirse
a través de diferentes mecanismos cuya identificación puede permitir la introducción de medidas específicas para
evitando la transmisión. Estos incluyen ingestión, transmisión aérea, contacto, inoculación,
transmisión iatrogénica y coital (Thrusfield, 2005). Algunos agentes pueden reproducirse durante
transmisión (Salmonella). La presencia de vectores o huéspedes intermediarios puede ser un requisito para
un agente infeccioso para sobrevivir dentro de un ecosistema. En tales circunstancias, el anfitrión definitivo
(generalmente un vertebrado) permite que el agente pase por una fase sexual de desarrollo. En el
huésped intermediario (vertebrado, invertebrado), el agente pasa por una fase de desarrollo asexual.
Un vector es un invertebrado que transmite activamente el agente infeccioso entre infectados y
vertebrados susceptibles mediante transmisión mecánica o biológica. Este último puede ser transovárico.
permitiendo el mantenimiento de la infección dentro de la población de vectores o la transmisión transestadial
que implica la transmisión entre diferentes etapas de desarrollo de un vector.
Los determinantes del huésped incluyen factores como la especie, la raza, la edad y el sexo. El rango de huéspedes susceptibles
Las especies varían sustancialmente entre agentes infecciosos. Muchos agentes patógenos como Mycobacterium
bovis puede infectar a un mayor número de especies animales diferentes. Una especie se considera natural.
reservorio de infección si la infección puede mantenerse dentro de la población de la especie sin necesidad de
reintroducción periódica. Este tipo de escenario epidemiológico puede complicar enormemente el control o
Erradicación de una enfermedad en el ganado doméstico, especialmente si el reservorio de la infección es un animal salvaje.
especies. Éste es el caso de la tuberculosis bovina en varios países donde la infección circula en
Especies reservorios de animales salvajes específicos que resultan en introducciones repetidas de la infección en animales domésticos.
poblaciones de ganado vacuno (ver Figura 28). La susceptibilidad del huésped puede variar entre razas de un determinado
especies animales como entre Bos indicus y Bos taurus con respecto a la resistencia a las garrapatas. Variación
En la edad, la susceptibilidad es probablemente el determinante intrínseco del huésped más importante. Un factor clave en este
18
contexto es la inmunidad pasiva que la madre confiere a los animales recién nacidos y que puede resultar
en una baja incidencia de infección por la enfermedad respectiva en animales jóvenes.
Los determinantes ambientales de las enfermedades incluyen factores posicionales, climáticos y de cría de animales.
La posición geográfica, por ejemplo, se refiere a si una explotación se encuentra en las proximidades de una zona de humedal.
con alta densidad de especies de aves silvestres que pueden representar un reservorio de infección por influenza aviar.
Los factores climáticos afectan la distribución de especies vectoras, como por ejemplo Culicoides spp.
que son vectores del virus de la lengua azul, o si el agente es capaz de sobrevivir durante períodos prolongados
del tiempo en el ambiente. Los factores de cría incluyen las formas específicas en que se cría a los animales.
mantenido y alimentado.
Figura 28: Papel de diferentes tipos de especies hospedadoras en la epidemiología de Mycobacterium bovis
con el grosor de las flechas indicando la importancia relativa de la transmisión entre especies hospedadoras
[de Pfeiffer (2008)]
19
Causalidad
El término red de causalidad se utiliza a menudo para describir la compleja red de factores que interactúan.
que involucra al agente, el huésped y el medio ambiente, que es responsable de muchas enfermedades. La figura 29 muestra
algunos de los factores que influyen en la aparición del aborto por brucelosis bovina como ejemplo de
red de causalidad [para más detalles ver Radostits et al. (2006)].
producción láctea/carne extensiva/

apiñamiento
intensiva
exposición a
vigilancia eficaz de
aborto por
la enfermedad
brucela
vacunación
femenino aborto por

infección
ganado brucelosis
desnutrición edad el embarazo
Figura 29: Factores que influyen en la aparición de abortos por brucelosis bovina en bovinos
El modelo de causa de componentes suficientes es útil para describir mecanismos causales multifactoriales.
(Rothman et al., 2008e). Las causas suficientes son conjuntos de componentes causales que representan condiciones.
y eventos que son suficientes para que ocurra la enfermedad. Para una misma enfermedad puede haber diferentes
causas suficientes. Si un componente aparece en cada causa suficiente, se llama necesario.
causa del componente. Por ejemplo, el ganado puede infectarse con Mycobacterium avium spp.
paratuberculosis (MAP) como ternero, pero la mayoría de los animales nunca desarrollarán una enfermedad clínica que involucre
emaciación severa debido a diarrea prolongada. En este caso, la causa suficiente todavía no está completamente aclarada.
comprendido. La infección por MAP será un componente causal necesario y otros componentes causales
Es probable que sean la edad en el momento de la infección y la dosis de infección, así como diversos factores de estrés. Figura 210
20
muestra varios ejemplos de posibles causas suficientes para el complejo de enfermedades respiratorias bovinas. Uno
incluye un factor estresante externo como el clima frío, infección con virus como la parainfluenza 3
virus (PI3) y la bacteria Mannheimia haemolytica (Rice et al., 2007). Otro involucra el
presencia de Pasteurella multocida junto con el estrés resultante de la mezcla de terneros de varios
fuentes (Dabo et al., 2007), y el último vincula la respuesta inmune innata alterada en los pulmones
resultante de la infección por el virus de la diarrea viral bovina (BVDV) con Mycoplasma bovis (Caswell y
Archambault, 2007). En general, parece que causas suficientes para el BRDC consisten en componentes
causas que incluyen uno o varios factores estresantes junto con virus específicos y bacterias ubicuas. El
La interrelación entre las causas componentes como parte de una causa suficiente representa un ejemplo.
de interacción biológica, que debe diferenciarse de la interacción estadística para ser discutida
más tarde.
Estrés climático
+
Mezclarse con ganado de
Varios virus
múltiples fuentes
+ +
Mannheimia Pasteurella multocida
haemolítica
Enfermedad
respiratoria
BVDV
+
micoplasma bovis
Figura 210: Causas suficientes y componentes de enfermedades respiratorias en el ganado
Los factores de riesgo pueden ser causas directas o indirectas de enfermedad. La Figura 211 muestra el transporte de ganado y el
estrés resultante como causas indirectas de la pasteurelosis neumónica, mientras que una causa directa será
21
Reducción de la resistencia neumónica a la bacteria comensal Mannheimia haemolytica, que es
normalmente solo está presente en el tracto respiratorio superior (Rice et al., 2007).
Figura 211: Causas directas e indirectas de la pasteurelosis neumónica en el ganado
Una causa de una enfermedad es un evento, condición o característica que juega un papel esencial en
produciendo una aparición de la enfermedad. Conocimiento sobre tales relaciones de causa y efecto.
subyace a cada maniobra terapéutica en la medicina clínica. Se utilizan diferentes métodos para
establecer la causa, como por ejemplo la experiencia personal, la intuición, las recomendaciones de
otros o evidencia científica. Los principios científicos para investigar las relaciones causaefecto.
han sido objeto de investigación para filósofos y otros científicos desde la antigüedad. dos claves
Las doctrinas de la filosofía de la ciencia son de particular relevancia, la inducción y el refutacionismo.
(Rothman, 2002). La inducción implica que los enunciados generalizados sobre causaefecto se derivan de
observaciones empíricas realizadas en un estudio particular. El refutacionismo supone que una declaración general
sobre causaefecto sólo puede ser corroborado por cada nueva pieza de evidencia que lo respalde, pero nunca
ser probado. En cambio, puede ser refutado por los resultados de un solo estudio que indique la ausencia de causa.
efecto. Por lo tanto, al intentar establecer la causa es importante darse cuenta de que es imposible
demostrar relaciones causales más allá de toda duda. Pero es posible utilizar evidencia empírica para aumentar
22
la propia convicción de una relación causaefecto hasta el punto en que, para todos los efectos, la causa es
La evidencia puede entonces ser utilizada para justificar, por ejemplo, una acción terapéutica.
Se utilizan diferentes conjuntos de criterios para proporcionar evidencia de relaciones causaefecto. El Henle
Postulados de Koch desarrollados en 1840 por Jacob Henle y ampliados en 1884 por su alumno Robert
Koch fueron el primer conjunto de criterios utilizados para proporcionar un marco generalmente aceptado para identificar
causas de la enfermedad. Exigieron que se cumplieran las siguientes reglas antes de que un agente pudiera ser
considerada la causa de una enfermedad:
• Tiene que estar presente en todos los casos de la enfermedad.
• Tiene que aislarse y cultivarse en cultivo puro.
• Tiene que causar una enfermedad específica cuando se inocula en un animal susceptible y luego se recupera.
del animal e identificado.
Estos postulados jugaron un papel importante en el desarrollo de la ciencia médica hasta mediados del siglo XX.
siglo. Una vez que la salud pública alcanzó un nivel relativamente alto, se hizo evidente que estos
Los postulados tienen dificultades para abordar múltiples factores etiológicos, múltiples efectos de causas únicas,
estados de portador, factores no agentes (edad, raza) y factores causales cuantitativos. Esto significa que un riesgo
El factor bien puede ser una causa de enfermedad a pesar de que no cumple con los postulados de HenleKoch.
Basado en las reglas de razonamiento inductivo de John Stuart Mill publicadas en 1856, tanto Hill (1965) como
Evans (1976), independientemente unos de otros, desarrollaron conjuntos de criterios de causalidad. Ellos son muy
similares y han demostrado ser útiles para identificar relaciones causaefecto en epidemiología. evans
Los criterios se presentan aquí e incluyen lo siguiente:
• La proporción de individuos con la enfermedad debería ser mayor en aquellos expuestos al supuesto
causa que en aquellos no expuestos.
• La exposición a la causa putativa debería ser más común en los casos que en aquellos sin la
enfermedad.
23
• El número de casos nuevos debería ser mayor en aquellos expuestos a la causa putativa que en aquellos
no expuestos, como se muestra en estudios prospectivos.
• Temporalmente, la enfermedad debe seguir a la exposición a la causa putativa.
• Debe haber un espectro biológico mensurable de respuestas del huésped.
• La respuesta del huésped debe ser repetible después de la exposición a la supuesta causa.
• La enfermedad debería ser reproducible experimentalmente con mayor frecuencia en aquellos animales que
expuestos a la causa putativa que en los que no.
• Prevenir o modificar la respuesta del anfitrión debería disminuir o eliminar la expresión de
enfermedad.
• La eliminación de la supuesta causa debería dar como resultado una menor incidencia de la enfermedad.
• La relación debe ser biológica y epidemiológicamente plausible.
Si un factor o determinante de riesgo no cumple uno o más de los criterios anteriores (excepto el cuarto:
temporalidad), esto no excluye la posibilidad de que exista una relación causal. Y si un factor
cumple todos los criterios, todavía es posible que no sea una causa.
Si bien los conceptos presentados anteriormente están ahora bastante bien establecidos, es importante tener en cuenta
el impacto de los métodos moleculares y genéticos para la caracterización de huéspedes y patógenos en los enfoques
para el establecimiento de relaciones causaefecto. En este contexto, la siguiente pequeña selección de
Las publicaciones se pueden utilizar para obtener más información. Falkow (2004) propuso un conjunto de moléculas
Los postulados de Koch y Fredericks y Relman (1996) adaptaron los postulados de Evans para su uso con compuestos nucleicos.
datos de secuencia ácida. Lipkin (2008) se refiere a las oportunidades y desafíos que representa la
tasa creciente de descubrimiento de nuevos patógenos, y ambos, Page et al (2003) y Khoury et al
(2008) analizan la causalidad en asociación con estudios de asociación entre genes y enfermedades.
24
3. Cuantificación de la aparición de enfermedades
• Calcular e interpretar correctamente las medidas de riesgo y tasa de frecuencia de enfermedades.
• Comprender el significado de probabilidad de supervivencia y tasa de peligro.
• Estandarizar los riesgos y tasas de enfermedades teniendo en cuenta los factores de confusión.
Introducción
Una de las tareas más fundamentales en la investigación epidemiológica es la cuantificación de enfermedades.
ocurrencia. El evento de interés puede ser una infección, una enfermedad clínica o la muerte de un animal individual.
nivel. Pero también es posible utilizar el estado sanitario de grupos de animales, como por ejemplo rebaños. Es
importante proporcionar una definición clara de caso y una descripción de la población dentro de la cual se
ocurrido, ya que de lo contrario los datos no pueden ser interpretados por otros.
Conteos, razones, proporciones y tasas son las principales cantidades matemáticas utilizadas para describir
aparición de enfermedades. Los recuentos son una enumeración del número de casos. Las proporciones son matemáticas.
Expresiones que relacionan una cantidad con otra. Una proporción es una razón en la que el numerador es
incluido dentro del denominador. No tiene unidades, varía de 0 a 1 y a menudo se expresa como
porcentaje después de multiplicar por 100. Las tasas son razones que expresan el cambio en un tipo de
cantidad relativa al cambio en otro tipo de cantidad. Las tarifas tienen unidades y no tienen un número finito.
límite superior. Un ejemplo es el ritmo cardíaco o la velocidad de un coche.
Un recuento del número de animales infectados, enfermos o muertos puede ser útil para
estimar la carga de trabajo, el costo o el tamaño de las instalaciones para brindar atención médica, pero tiene un valor limitado para
investigación epidemiológica. A menudo es más fácil obtener recuentos de los enfermos que de los sanos.
animales, particularmente cuando la población a seguir en el tiempo es abierta, es decir
Los animales se pueden agregar o eliminar durante ese tiempo, en lugar de cerrarlos. Un recuento también puede ser
25
expresado como proporción del número de animales capaces de sufrir infección, enfermedad o
muerte. A esta última también se le llama población o, si se hace el seguimiento de un grupo de animales no enfermos
con el tiempo, la población en riesgo. El concepto de riesgo también es importante. Define la probabilidad de que
La enfermedad se desarrolla en un animal individual durante un período de tiempo específico y se calcula como una
proporción.
La frecuencia de la enfermedad basada únicamente en casos nuevos (=incidentes) de enfermedad se puede cuantificar utilizando la incidencia.
(tasa y riesgo de incidencia) o medidas de supervivencia (función de supervivencia y peligro), describiendo así
inicio de la enfermedad. Los animales a incluir tienen que estar sanos al inicio de la observación.
período. Luego se sigue a cada animal a lo largo del tiempo hasta que desarrolla la enfermedad o hasta su observación.
termina el período (por ejemplo, vendido o final del período de estudio). El evento de referencia que define el punto de partida de
El período de observación puede ser un evento específico de cada animal, como el nacimiento, el tratamiento o la fecha de
introducción al rebaño, o puede ser una fecha del calendario común para la población en estudio, por
Por ejemplo, la fecha de inicio de un estudio. Los cálculos asociados también pueden incluir el mismo animal.
desarrollar la enfermedad repetidamente siempre que se pueda asumir la recuperación dentro del período de seguimiento. Viejo
así como los casos nuevos (=prevalentes) se incluyen en el cálculo de la prevalencia, lo que significa que
Se mide el estado de salud en lugar de su cambio. La incertidumbre estadística asociada con estos
Las medidas de aparición de enfermedades se pueden expresar calculando intervalos de confianza para el punto.
estimaciones de riesgos y tasas. El capítulo 6 presenta los cálculos matemáticos relevantes para
dimensiones. Morris y Gardner (2000) se centran en cálculos de intervalos de confianza para diferentes tipos
de los parámetros de resultados epidemiológicos.
Riesgo de incidencia
El riesgo de aparición de nuevas enfermedades se cuantifica mediante el riesgo de incidencia, también llamado riesgo acumulativo.
incidencia , proporción de incidencia, tasa de letalidad o tasa de ataque. Se define como la proporción de
Individuos libres de enfermedad que desarrollan una enfermedad determinada durante un tiempo específico. Tenga en cuenta que los animales tienen que
estar libre de enfermedad al inicio del período de seguimiento para ser incluido en el numerador o
26
denominador de este cálculo. El riesgo de incidencia se interpreta como el riesgo que corre un individuo de contraer o
desarrollar la enfermedad dentro del período de seguimiento. Para enfermedades donde los animales pueden desarrollar la misma
enfermedad varias veces durante el período de seguimiento, sólo se puede contar el primer evento. La cantidad
no tiene unidades, varía de 0 a 1 y no es interpretable sin la especificación del período de tiempo. Él
Se supone una población cerrada, es decir, ningún animal sale o entra a la población durante el período de
hacer un seguimiento. Si se elimina un pequeño número de animales durante el estudio, la población en riesgo puede ser
ajustado restando la mitad del número de animales retirados (esto supone que en promedio los animales
se eliminan a mitad del período de estudio). Una limitación del riesgo de incidencia, particularmente con largos
períodos de estudio y una causa específica de muerte como resultado, es que los animales estarán expuestos a
riesgos múltiples o competitivos y, por lo tanto, será difícil obtener estimaciones de riesgo precisas. como un
Por ejemplo, para calcular el riesgo de incidencia, se analiza un rebaño de 121 bovinos mediante la prueba de la tuberculina.
y todos dieron negativo. Un año más tarde, se vuelven a analizar los mismos 121 bovinos (es decir, ningún animal tiene
eliminado o añadido) y 25 dan positivo. El riesgo de incidencia durante un período de 12 meses puede
luego se calculará como 25/121, lo que equivale a 0,21 (=21%). Por tanto, un animal seleccionado al azar
de este rebaño tenían un 21% de posibilidades de infectarse durante el período de 12 meses.
Tasa de incidencia
La tasa de incidencia cuantifica el número de casos esperados por unidad de tiempo animal. Los términos
(densidad de incidencia, tasa de riesgo, fuerza de morbilidad o mortalidad) también se utilizan. No es un riesgo o
probabilidad, y por lo tanto no tiene una interpretación a nivel de animal individual. en cambio es
un concepto instantáneo, lo que significa que el valor calculado expresa la velocidad a la que los casos son
ocurriendo en un instante. En ese sentido es similar a la velocidad de un automóvil que se puede expresar en
km/hora, pero aún se relaciona con la velocidad en un momento particular (Rothman, 2002). La tasa de incidencia es
calculado utilizando el número de casos nuevos observados durante el período de seguimiento en el numerador y
la suma acumulada de todo el tiempo individual en riesgo en el denominador. El tiempo en riesgo contribuyó
por cada animal es el tiempo desde el inicio del seguimiento hasta que ocurre la enfermedad, hasta que el animal es retirado
27
de la población o el período de seguimiento ha finalizado. A diferencia del riesgo de incidencia, la incidencia
tasa permite abordar riesgos competitivos, en el sentido de que un animal que muere por una causa diferente o
desarrolla una enfermedad distinta a la estudiada todavía puede contribuir el período de tiempo durante el cual fue
en riesgo de desarrollar la enfermedad de interés. Los animales individuales pueden contribuir en varios períodos de tiempo.
al numerador y denominador, desde el momento en que se recuperaron de la enfermedad anterior
ocurrencia. La tasa de incidencia tiene unidades de tiempo inverso, tiene un límite inferior de cero y ningún límite superior.
Para su cálculo se puede utilizar un denominador exacto o aproximado. El denominador exacto es
basado en la suma de las unidades de tiempo de los animales durante las cuales cada animal estuvo en riesgo. El aproximado
el denominador utiliza el número total de animales libres de la enfermedad (o su producto con el período de seguimiento)
al inicio del período de seguimiento, de los cuales la mitad de los enfermos, la mitad de los retirados y la mitad de los añadidos
se están restando animales (Dohoo et al., 2003). La cantidad numérica producida por la incidencia.
El cálculo de la tasa sólo tiene significado en el contexto de las unidades de tiempo a las que se refiere. Las unidades de tiempo pueden ser
ajustado por multiplicación de la cantidad numérica, y se recomienda tener al menos un dígito
a la izquierda del lugar decimal. Las tasas de incidencia tienen varias limitaciones. Una es que sólo permiten
cálculo de tasas promedio durante un período de tiempo y, por lo tanto, pueden ocultar patrones temporales. También el
El tiempo total de los animales en riesgo no diferencia entre los animales que solo contribuyeron por períodos cortos.
en riesgo y aquellos que pueden haber sido seguidos durante mucho tiempo. Otra limitación es que el
Se podría obtener la misma cantidad numérica a partir de muestras o grupos de estudio de muy diferentes tamaños,
complicando la interpretación. Por ejemplo, una tasa de incidencia de 1 caso de enfermedad por cada 100 semanas animales
se puede obtener siguiendo a 100 animales en promedio durante 1 semana o a 2 animales durante 100 semanas
juntos.
Como ejemplo de cálculo de la tasa de incidencia, se realizó un estudio durante un período de 12 meses.
determinar la mortalidad de las vacas en un pueblo que tiene un total de 100 vacas al inicio del año.
estudiar.
• 5 vacas mueren después de 2 meses, lo que significa que en conjunto estaban 5* 2 = 10 meses animales en riesgo.
28
• 2 vacas mueren después de 5 meses, lo que significa que juntas tenían 2 * 5 = 10 meses animales en riesgo.
• 3 vacas mueren después de 8 meses, lo que significa que en conjunto estaban 3 * 8 = 24 meses animales en riesgo.
Esto significa que mueren un total de 10 vacas, y estas experimentaron 44 meses animales en riesgo según el
cálculo anterior.
• 90 vacas sobrevivieron después del período de estudio, lo que significa que tuvieron 90*12 meses = 1080 animales.
meses en riesgo.
Por lo tanto, la tasa de incidencia de mortalidad de vacas en esta aldea usando el método del denominador exacto es
calculado como 10/1124 = 0,009 muertes por animal mes, o 9 muertes por 1000 animales meses en
riesgo.
Predominio
La proporción de una población afectada por una enfermedad en un momento dado se llama prevalencia. Él
También se conoce como tasa de prevalencia o proporción de prevalencia. La prevalencia puntual describe la enfermedad
ocurrencia en un solo momento en el tiempo y prevalencia durante un período de tiempo. La prevalencia puede ser
interpretado como la probabilidad de que un individuo seleccionado al azar de esta población o de una similar
tener la enfermedad en este momento. Por tanto, es muy importante para la decisión diagnóstica.
haciendo. Los casos de enfermedades prevalentes utilizados en el numerador incluyen tanto casos antiguos como nuevos. Este
significa que las enfermedades con bajas tasas de incidencia, pero con una larga supervivencia, en realidad pueden resultar en enfermedades relativamente
valores de prevalencia elevados, y viceversa. La prevalencia es de utilidad limitada para la investigación etiológica de
Enfermedades asociadas con larga duración, ya que no puede diferenciar entre factores que afectan la enfermedad.
aparición y supervivencia de animales enfermos.
Como ejemplo de cálculo de prevalencia, supongamos una situación en la que se toman muestras de sangre de
un rebaño de 173 vacas lecheras para evaluar la frecuencia de la infección por Neospora caninum. Si 15 de estos
los animales dan positivo, la prevalencia se puede calcular en 15/173, lo que equivale a 0,09 (9%). Esto significa
que una vaca lechera seleccionada al azar de este rebaño tiene un 9% de probabilidad de estar infectada en este momento del año.
tiempo.
29
Comparación de medidas de prevalencia e incidencia.
Al comparar la incidencia, el riesgo y la prevalencia, es importante darse cuenta de que sólo el primero incluye una
secuencia temporal. El riesgo de incidencia sólo incluye casos nuevos en el numerador, mientras que
La prevalencia no distingue entre casos antiguos y nuevos. El riesgo de incidencia predice lo que será
que sucederá en el futuro, es decir, la probabilidad de que personas similares desarrollen la afección. Este
Es útil para tomar decisiones sobre medidas preventivas como la vacunación. La prevalencia describe
la probabilidad de tener la enfermedad entre un grupo de animales, generalmente en un momento determinado. Cada
El médico utiliza esta información durante el proceso de toma de decisiones clínicas. Ambas medidas pueden ser
Se utiliza para hacer comparaciones entre factores de riesgo, pero la incidencia es más apropiada, ya que no son
afectado por la duración de la enfermedad. La tabla 31 presenta una comparación de los tres métodos para expresar
frecuencia de la enfermedad.
Tabla 31: Comparación de medidas de incidencia y prevalencia
Tasa de incidencia Riesgo de incidencia Predominio
Numerador Nuevos casos ocurridos durante Nuevos casos ocurridos durante Todos los casos contados
un período de tiempo entre un un período de tiempo entre un durante una sola encuesta
grupo inicialmente libre de enfermedad grupo inicialmente libre de enfermedad de un grupo
Denominador Suma de periodos de tiempo durante Todos los individuos susceptibles todos los individuos
que individuos podrían tener presente al inicio de examinado, incluyendo
enfermedad desarrollada el período casos y no casos
Tiempo Para cada individuo de Duración del período Punto único o período
inicio del seguimiento hasta
enfermedad
Interpretación Número de casos nuevos por Riesgo de desarrollar enfermedades. probabilidad de tener
unidad de tiempo durante un período de tiempo determinado enfermedad en un determinado
punto en el tiempo
30
La Figura 31 muestra un ejemplo comparativo de cálculos de prevalencia e incidencia. Se basa en un
población de 10 animales a los que se les da seguimiento durante un período de 12 meses, siendo cada uno de ellos
saludable al principio. Para los animales a los que se les diagnostica una enfermedad o se los retira en un mes determinado, el
Se supone que el tiempo en riesgo termina con el mes anterior. Por ejemplo, el animal A muestra enfermedad en
Mayo y por lo tanto estuvo en riesgo desde enero hasta abril. Y el animal C fue retirado del
población en agosto, lo que significa que estuvo en riesgo de enfermarse de enero a julio. En
En total, 4 animales desarrollan la enfermedad y 2 son retirados del estudio. Las proporciones de prevalencia
expresar la probabilidad de que un animal enferme en el mes respectivo, 0,33 y 0,5
respectivamente. Es un ejemplo de un patrón estacional de prevalencia, ya que el número calculado
Los valores y los denominadores son diferentes para junio y diciembre. El riesgo de incidencia ha sido
calculado ambos usando un denominador exacto donde solo se incluyen los animales que fueron
disponible para el seguimiento durante todo el período de estudio, y utilizando un denominador aproximado donde
Se restan la mitad de los retiros. Los valores resultantes de 0,5 y 0,44 expresan el riesgo de una
enfermedad en desarrollo animal cada 12 meses o un año, ya que esa fue la duración del seguimiento
período. La tasa de incidencia también se ha calculado con dos denominadores, y en unidades de años animales,
en lugar de meses para facilitar la comparación con otros valores de riesgo de prevalencia e incidencia
calculado (tenga en cuenta que esta es la razón por la cual el valor exacto del denominador se ha dividido por 12
meses). Es importante recordar que estos valores de tasa de incidencia no expresan un riesgo o
probabilidad, sino más bien el número de casos que se esperan por año, en este ejemplo 0,6 o 0,57 casos
por año.
31
Mes del año
om
op em
gsseniT
e
ir
or er b eF
erbmeiciD
erbmeivoN
e d e uP
erbutcO
erbmeitpeS
orenE
oinuJ
oiluJ
laminA
lirbA
otsogA
A Enfermedad 4
B 12
C Retirado 7
D Enfermedad 1
Y 12
F Enfermedad 5
GRAMO Enfermedad 10
h 12
I 12
j Retirado 5
Prevalencia puntual en diciembre 0,50 = 4 / 8 0,33 = 3 / 9

en junio Incidencia riesgo por Prevalencia puntual
año denominador exacto
0,50 = 4/8
denominador aproximado 0,44 = 4 /(10 0,5 * 2)
Tasa de incidencia por animal año
exacto denominador 0,60 = 4 / ((4 + 12 + 7 + 1 + 12 + 5 + 10 + 12 + 12 + 5)/12) 0,57 = 4 /(10
*
denominador aproximado 0,5 4 0,5 * 2)
Figura 31: Ejemplo de cálculo para medidas de prevalencia e incidencia de la aparición de enfermedades
Medidas diversas de aparición de enfermedades.
Otras medidas de frecuencia de enfermedades, algunas de las cuales ya se han mencionado anteriormente, incluyen
la tasa de ataque que se define como el número de casos nuevos dividido por la población inicial en riesgo.
En realidad es un riesgo de incidencia y, a pesar de su nombre, en realidad es una probabilidad y no una tasa. El
La tasa de ataque se utiliza cuando el período de riesgo es corto. Las tasas de mortalidad se aplican utilizando una serie de
diferentes interpretaciones y, a menudo, no representan tasas reales. La tasa bruta de mortalidad tiene la muerte como
el resultado de interés y se calcula de forma análoga a la tasa de incidencia. La mortalidad por causas específicas
La tasa se estima para causas específicas de muerte y también se calcula de manera análoga a la tasa de incidencia. Caso
La tasa de mortalidad representa la proporción de animales con una enfermedad específica que mueren a causa de ella. es un riesgo
medida, no una tasa, y se utiliza para describir el impacto de las epidemias o la gravedad de una enfermedad aguda.
32
Supervivencia o tiempo hasta el evento
Un parámetro clave de interés en la investigación epidemiológica es el tiempo hasta que ocurren los eventos.
como muerte, infección, aparición o recuperación de una enfermedad clínica. El término supervivencia se utiliza a menudo
para este tipo de datos, principalmente porque los métodos se desarrollaron inicialmente para investigar la mortalidad. Él
puede estimarse si se dispone de mediciones repetidas en el mismo grupo de animales, y una
característica de tales datos suele ser que algunos animales no desarrollarán el evento de interés durante
el período de seguimiento, un proceso llamado censura de derechos. La Figura 32 presenta un ejemplo de dichos datos.
Hay varias opciones para cuantificar el tiempo hasta el evento para un grupo de animales. Si uno fuera a usar
el promedio del tiempo hasta el evento , los animales que no experimentaron el evento de interés pudieron
no estar incluido. En la Figura 32, serían los que fueron vendidos o vivos al final del
periodo de estudio. Por lo tanto, este método tiene la desventaja de que la estimación dependerá de la longitud
del período de tiempo durante el cual se recogieron los datos. Si el intervalo es demasiado corto, es probable que haya tiempo de supervivencia.
subestimarse, y si es muy largo, un pequeño número de animales con un largo tiempo hasta el evento puede
tienen una fuerte influencia en la estimación media. Otra opción es calcular el tiempo medio hasta
evento, pero esto sólo se puede calcular si al menos el 50% de los animales experimentan el evento durante el
período de seguimiento. También es posible calcular la tasa de incidencia, pero este cálculo supone que
La velocidad a la que ocurre el evento es constante durante todo el período de estudio, lo que muy a menudo no es así.
el caso.
33
Figura 32: Ejemplo de datos de tiempo hasta el evento (evento = enfermarse)
La técnica más adecuada para resumir la información de ocurrencia de enfermedades en este tipo de
Los datos son las funciones de supervivencia y peligro. Como se señaló anteriormente, estos se aplican a cualquier dato de tiempo hasta el evento,
pero se desarrollaron por primera vez para investigar la supervivencia. La función de supervivencia (=supervivencia acumulada
probabilidad) es una representación del patrón de distribución de la proporción acumulada de
individuos que no han experimentado el evento (por ejemplo, enfermedad, muerte o recuperación) durante un tiempo determinado en
riesgo. La función de supervivencia no es creciente, comienza con un valor de 1 y puede alcanzar un mínimo de
cero. A menudo se resume utilizando el tiempo de supervivencia medio, que es el momento en el que el 50% de los
Las personas en riesgo han experimentado el evento de interés. La función de riesgo es una representación de
el patrón de distribución de la tasa de riesgo (= tasa de fracaso instantáneo, fuerza de la mortalidad,
tasa de mortalidad condicional, tasa de fracaso específica por edad). Este último se calcula dividiendo el
probabilidad de que un animal experimente el evento de interés durante un intervalo de tiempo específico, dado que
no lo ha experimentado antes de ese momento, durante la duración del intervalo de tiempo especificado. La clave
34
Las ventajas de la función de supervivencia y de riesgo son las siguientes. Los cálculos pueden hacer uso de
observaciones censuradas correctas, es decir, animales que no experimentaron el evento de interés durante el
período de seguimiento. Las cantidades resultantes son riesgos y tasas que tienen una interpretación conveniente.
en la investigación epidemiológica. También es posible utilizar enfoques no paramétricos para la
cálculos, de modo que no son necesarias suposiciones sobre la forma de las distribuciones.
En la Figura 33 se presenta un ejemplo de cálculo para datos de supervivencia. El animal A sobrevivió durante 4
meses, B sobrevivió todo el período de 12 meses y C fue eliminado de la población después de 7
meses, y así sucesivamente. Para los cálculos, se supone que el evento de interés en estos datos (es decir,
muerte) ha ocurrido en algún momento durante el último mes bajo observación (es decir, en el mes 4 para animales
A), y que los animales retirados estuvieron en riesgo hasta el final del último mes de observación (es decir,
el animal C estuvo en riesgo hasta el mes 7 inclusive). La fila denominada "En riesgo" muestra el número de
animales en riesgo durante un mes determinado, es decir, animales que han muerto en el mes anterior o
fueron retirados al final del mes anterior. Las filas para 'Eventos' y
'Retirados' representan los animales que fueron retirados o murieron, respectivamente. La fila 'Eventos' es
utilizado como numerador y el de 'En riesgo' como denominador para el cálculo de la
probabilidad de supervivencia condicional durante un mes en particular. El producto de la supervivencia condicional.
probabilidades expresa la probabilidad de supervivencia acumulada. La tasa de riesgo es el cociente entre
la fila 'Probabilidad de evento condicional' en un intervalo de tiempo particular (es decir, 1 supervivencia condicional
probabilidad) y la fila 'Duración' representa la duración del intervalo de seguimiento respectivo (es decir,
1 mes en este caso). Los gráficos resultantes para las funciones de supervivencia y peligro basadas en los valores
Para la probabilidad de supervivencia acumulada y la tasa de riesgo, respectivamente, se muestran en la Figura 34.
35
Mes del año

Animal 1 2 3 4 5 67 8 9 10 11 12
A Muerte
B
C Retirado
D Muerte
Y
F Muerte
GRAMO
Muerte
h
I
j
Retirado
Remoto 0 0 0 0 0 1 0 1 0 0 0 0
Eventos 0 1 0 0 1 1 0 0 0 0 1 0
En riesgo 10 10 9 9 9 8 6 6 5 5 5 4
Duración 1 1 1 1 1 1 1 1 1 1 1 1
Condicional
supervivencia 1.00 0,90 1.00 1.00 0,89 0,88 1.00 1.00 1.00 1.00 0,80 1.00
probabilidad
Condicional
evento 0.00 0,10 0.00 0.00 0,11 0,13 0.00 0.00 0.00 0.00 0,20 0.00
probabilidad
Tasa de riesgo 0.00 0,10 0.00 0.00 0,11 0,13 0.00 0.00 0.00 0.00 0,20 0.00
Acumulativo
supervivencia 1.00 0,90 0,90 0,90 0,80 0,70 0,70 0,70 0,70 0,70 0,56 0,56
probabilidad
Figura 33: Ejemplo de cálculo para funciones de supervivencia y peligro
1.00 1.00
0,90 0,90
0,80 Función de sobreviviente 0,80
0,70 0,70
0,60 0,60
0,50 0,50
0,40 0,40
0,30 0,30
om
ivn
sere
solatnm Ep
a
0,20 0,20
Función de peligro
varm
eiavlilibu
aidcaandd crP
u
poe
ebu ds
a
0,10 0,10
0.00 0.00
1 2 3 4 5 6 7 8 9 10 11 12
Tiempo (en meses)
Figura 34: Gráficos de funciones de supervivencia y peligro basados en el cálculo del ejemplo
(La función de supervivencia se relaciona con el eje y a la izquierda, la función de peligro con el eje y a la derecha)
36
Estandarización de medidas de ocurrencia.
Una estimación general del riesgo o tasa para una población como cantidad agregada está influenciada por
diferencias en el riesgo o tasa entre subgrupos de población (= estratos de factores de riesgo) y el riesgo relativo
contribución de cada uno de estos subgrupos (=estratos) al grupo total de estudio. Por lo tanto, si uno encuentra
diferencias en el riesgo general o en las estimaciones de tasas al comparar entre diferentes poblaciones, es
No está claro si esto es el resultado de diferencias en la distribución de sus miembros a lo largo del riesgo.
subgrupos de factores dentro de cada población o una diferencia real en riesgo o tasa. El factor de riesgo que define
los estratos dentro de la población se denomina factor de confusión potencial. Si el posible factor de confusión
es conocido y de carácter categórico, se puede realizar un ajuste de cada uno de los riesgos crudos o tasas
introduciendo una ponderación diferencial para cada estrato, proceso llamado estandarización. Los dos
Los principales métodos disponibles para realizar estos ajustes son la estandarización directa e indirecta.
Tenga en cuenta que estos métodos sólo son relevantes si existen diferencias entre los niveles de riesgo específicos del estrato.
o estimaciones de tasas en una población particular. Ambos métodos utilizan valores de un estándar o referencia.
población que puede basarse, por ejemplo, en datos censales. La elección algo arbitraria de
La distribución de referencia influirá en el riesgo general estandarizado o en la estimación de la tasa, y algunos
Por lo tanto, los epidemiólogos prefieren evitar este proceso y solo informan estimaciones de riesgo específicas del estrato.
(Rothman, 2002). Pero si es necesario hacer comparaciones de estimaciones de riesgo o de tasas entre poblaciones,
Puede ser necesario utilizar la estandarización u otros enfoques analíticos como el de MantelHaenszel.
pruebas o regresión logística para controlar el factor de confusión.
Estandarización directa
La estandarización directa implica ponderar un conjunto de estimaciones de tasas o riesgos específicos de un estrato observado.
según una distribución estándar predefinida. Este enfoque sólo debe usarse cuando son grandes
Los tamaños de muestra están disponibles. En primer lugar, se calculan los riesgos o tasas específicos del estrato. el directo
Luego se obtiene una estimación estandarizada del riesgo o de la tasa como la suma de los productos en todos los estratos.
entre la proporción de la población estándar en el estrato i y el riesgo observado o la estimación de la tasa
37
en el estrato i de la población total. Como ejemplo (ver Figura 35), suponiendo que la mortalidad en
Los gatos están influenciados por los factores de riesgo: obesidad y estar en interiores, cualquier comparación de mortalidad.
entre los gatos obesos y los que no lo son puede verse influenciado por la distribución relativa
de gatos mantenidos en interiores entre los dos grupos. También se supone que la obesidad y el hecho de permanecer en casa
no están asociados. De hecho, parece que el riesgo bruto de mortalidad es menor para los obesos (0,14 por año)
que el de los gatos que no son obesos (0,22 por año). En este ejemplo, la mortalidad por estrato específico
Los riesgos se volvieron a ponderar usando 0,2 para los gatos mantenidos en el interior y 0,8 en caso contrario, y el resultado directo
Los riesgos de mortalidad estandarizados ahora son más similares entre gatos obesos y no obesos. En esto
Por ejemplo, la diferencia observada anteriormente había sido el resultado de la diferencia en el valor relativo
distribución de gatos de interior entre gatos obesos y no obesos, es decir, una proporción mucho mayor de los
los gatos obesos se mantuvieron en el interior que los gatos no obesos.
Directo
Específico del estrato Crudo estandarizado
riesgo de mortalidad por riesgo de mortalidad riesgo de mortalidad
Muertes de animales en el interior año por año Ponderación por año
Obeso sí 40 4 0,10 0,14 0,20 0,80 0,26
No 10 3 0,30
no obeso Sí 20 0,05 0,22 0,20 0,21
No 100 1 25 0,25 0,80
Figura 35: Ejemplo de cálculos de estandarización directa
Estandarización indirecta
Para poder utilizar la estandarización indirecta, es necesario tener un riesgo o tasa específico para el estrato.
estimaciones para la población estándar y la distribución del factor de ajuste en el grupo de estudio.
El método se puede utilizar si no se dispone de estimaciones de riesgo o de tasa específicas del estrato para el
grupo de estudio, siempre que se pueda calcular el riesgo global, o si los primeros están disponibles pero se basan
en tamaños de muestra pequeños. Como primer paso, se calcula el número esperado de casos sobre la base de la
suma de los productos entre los riesgos o tasas estándar específicos del estrato y los riesgos específicos del estrato observados.
Número de animales o tiempo animal en el grupo de estudio. La razón estandarizada de morbilidad o mortalidad.
(SMR) se basa en dividir lo observado por el número esperado de casos. el indirecto
38
El riesgo o tasa estandarizada se puede obtener multiplicando el SMR por el riesgo o tasa general.
tasa de la población estándar.
El ejemplo de la Figura 36 utiliza los mismos datos que para la estandarización directa anterior. El estandar
La población asume un riesgo de mortalidad de 0,05 por año para los gatos mantenidos en interiores y de 0,2 por año.
de lo contrario, se supone que el riesgo de mortalidad general en la población estándar es de 0,17 por año.
La mortalidad observada entre los gatos obesos es de 7 muertes. El número esperado de casos entre
gatos obesos (n=4) se obtuvo sumando los productos entre el número de animales mantenidos
en interiores (n=40) y el respectivo riesgo de mortalidad estándar específico del estrato de 0,05, por un lado
y la proporción que se mantuvo al aire libre (n = 10) y el correspondiente riesgo de mortalidad específico del estrato de
0,2 por el otro. La tasa de mortalidad estandarizada para gatos obesos se calcula como la relación entre
mortalidad observada (n=7) y esperada (n=4), lo que da como resultado una SMR de 1,75. Una estandarización indirecta
Se calculó un riesgo de mortalidad de 0,3 por año como el producto entre el riesgo de mortalidad global en el
población estándar (0,17) y la RME (1,75). La cifra resultante es muy diferente para los gatos obesos,
como resultado de que la proporción de gatos mantenidos en el interior es diferente a la del estándar
población.
Crudo Estrato estándar Indirecto

Observado mortalidad específico y general Esperado estandarizado
muertes por riesgo por riesgo de mortalidad por muertes por riesgo de mortalidad
Animales de interior año año año año SMR por año
Obeso Sí 40 0,05
No 10 0,20
total 50 7 0,14 0,17 4 1,75 0,30
No obeso si 20 0,05
sin 100 0,20
total 120 26 0,22 0,17 21 1.24 0,21
Figura 36: Ejemplo de cálculo para estandarización indirecta
39
4. Diseño de estudios epidemiológicos
• Diseñar un estudio epidemiológico experimental u observacional.
• Comprender las diferencias, así como las ventajas y desventajas de los diferentes diseños de estudio.
Introducción
Como se analizó en el Capítulo 1, los principales objetivos de la epidemiología son describir el estado de salud de
poblaciones, explicar la etiología de las enfermedades, predecir la aparición de enfermedades y controlar la
distribución de la enfermedad. Cualquiera de estos objetivos requerirá acceso a datos para su análisis. Los datos pueden
ya se han recopilado, por ejemplo como parte de un programa de vigilancia de enfermedades, o necesita
recogerse a través de un estudio específicamente diseñado. Si los datos aún no se han recopilado, es necesario
tener claro cuál es la población objetivo y de origen. La población objetivo es la población a la que
Los resultados del estudio deben generalizarse. La población fuente es aquella de la cual
Se han seleccionado unidades de estudio reales, como animales o rebaños. El grupo o muestra de estudio.
consta de las unidades de estudio individuales que han sido seleccionadas. Una discusión más detallada de estos
conceptos se presenta en el Capítulo 7.
Los estudios epidemiológicos se pueden clasificar en estudios descriptivos y analíticos. Reportes del caso,
las series de casos y las encuestas son ejemplos de estudios descriptivos. Estudios analíticos o explicativos.
incluir estudios experimentales y observacionales. Implican la comparación entre grupos de
animales con respecto a la asociación estadística entre uno o varios factores de riesgo y un
resultado de interés, como el estado de la enfermedad, y por lo tanto permitir inferencias con respecto a causaefecto
relaciones. Con cualquiera de los diferentes tipos de estudios analíticos es necesario tener en cuenta que todos
Los fenómenos dentro de los sistemas biológicos están interrelacionados, lo que complica la situación para un
investigador que tendrá que seleccionar un segmento de todo el sistema para la investigación o intento
40
representarlo en un laboratorio. Los distintos tipos de estudios analíticos difieren con respecto a la
equilibrio logrado entre el control óptimo de la medición y la representación del "mundo real". El
El estudio experimental está en un extremo del espectro considerando que permite un buen control de
condiciones de medición y estudio, pero puede ser menos probable que represente el "mundo real". El
El estudio observacional está en el extremo opuesto, lo que permite un menor control sobre las condiciones del estudio y
medición, pero es más probable que representen el "mundo real". Estudios observacionales ecológicos.
se basan en unidades de estudio que son un agregado de la unidad de interés. Los agregados podrían ser, por
por ejemplo, rebaños o granjas a pesar de que el objetivo de la investigación es identificar factores de riesgo para
animales individuales. Cualquier inferencia de tales estudios debe interpretarse con mucha cautela,
porque los resultados están potencialmente sujetos a un sesgo llamado falacia ecológica. La cuestión clave aquí
es que los factores de riesgo que operan a nivel agregado pueden no haber afectado a todos los individuos dentro del grupo.
unidades de estudio.
Se podría considerar que las revisiones sistemáticas y los metanálisis pertenecen al grupo de los análisis.
estudios. Se diferencian de las revisiones narrativas de la literatura en que implican un análisis estructurado y en el
Caso del metaanálisis de síntesis cuantitativa de evidencia científica publicada. Ambos son
Se considera que proporcionan la mejor evidencia en relación con las relaciones causaefecto y, por lo tanto, son de
particular relevancia en la medicina veterinaria basada en evidencia (Cockcroft y Holmes, 2003).
Estudios descriptivos
Tanto los informes de casos como las series de casos se centran en animales enfermos individuales y han estado durante mucho tiempo en el centro
del conocimiento clínico. Se basan en la observación personal directa relacionada con la anatomía.
estructura y función fisiológica, que puede cuantificarse y ser sistemática, pero generalmente
en gran medida cualitativo. Si bien estas observaciones pueden ser extremadamente intensivas y detalladas, sus principales
La desventaja para evaluar las relaciones causaefecto es que no implican comparación.
Las encuestas también son descriptivas y a menudo implican la selección aleatoria de una muestra de una fuente.
población. Su objetivo es describir la frecuencia de las enfermedades, pero no recopilan datos sobre los factores de riesgo.
41
Estudios experimentales
El estudio experimental implica la manipulación de las condiciones de estudio (es decir, la aplicación de un
intervención), y puede llevarse a cabo en un entorno controlado, como un laboratorio, o en
el entorno natural de los animales (=campo). Si se realiza en un laboratorio, se consigue una gran precisión en
Se puede lograr una medición y un control óptimo de las variables que influyen, lo que resulta en una causa sólida.
inferencias de efectos. La desventaja es que normalmente no es posible en un laboratorio representar la
innumerables factores que afectan la aparición de enfermedades en el entorno natural del animal y puede
Ser difícil trabajar con un número suficiente de animales para representar la verdadera variación entre animales.
en la población natural. Si el estudio experimental se realiza en el entorno natural del
animales, se denomina estudio experimental de campo (también ensayo controlado, ensayo clínico o intervención
estudiar). A diferencia del experimento de laboratorio, los animales estarán expuestos a todas las sustancias conocidas y
factores desconocidos presentes en su entorno natural. Estos estudios generalmente se utilizan para evaluar
efectos terapéuticos o preventivos de intervenciones particulares, pero también son útiles para investigar
relaciones etiológicas.
Los estudios experimentales suelen implicar dividir un grupo de animales en al menos dos subgrupos, uno
al que se aplicará una intervención y otro grupo llamado control o de comparación que
no recibirán la intervención (ver Figura 41). La decisión de aplicar una intervención a un
El número de animales en particular dentro del estudio o no debe basarse en una asignación aleatoria (= aleatorización).
Este tipo de estudio también se denomina ensayo controlado aleatorio (ECA). Después de un período de tiempo, el estado
con respecto a la variable de resultado (por ejemplo, estado de la enfermedad) se evalúa para cada animal. Resumen
Luego se comparan las medidas de la respuesta (por ejemplo, riesgo de incidencia) entre ambos subgrupos.
Las diferencias en los valores resumidos indican una asociación entre la intervención y el resultado,
y por lo tanto puede sugerir la presencia de un efecto de la intervención en el resultado
variable.
42
El efecto de los fármacos suele evaluarse en tres fases de ensayos (Fletcher y Fletcher, 2005). Fase
Los ensayos I se centran en establecer un rango de dosis seguro e identificar efectos secundarios graves, y pueden implicar
sólo un pequeño número de animales sin control. Los ensayos de fase II abordan la eficacia de los medicamentos y la
relación entre dosis y eficacia. Pueden estar controlados, pero seguirán implicando relativamente
un pequeño número de animales y, por lo tanto, sólo detectan grandes efectos. Los ensayos de fase III proporcionan la
información definitiva en relación con el efecto y los efectos secundarios comunes, y deben realizarse como
ensayos controlados aleatorios con un número suficiente de animales para que sean clínicamente importantes
Se pueden detectar los efectos del tratamiento.
Experimentos no controlados describen el comportamiento de la enfermedad en el mismo grupo de animales antes y después.
intervención. Suponen que cualquier cambio en la enfermedad posterior al tratamiento se debe a la
tratamiento, lo que ocurre muy raramente. Los investigadores deben ser conscientes de efectos como
regresión a la media y mejora predecible. Muchos parámetros biológicos, por ejemplo, la sangre.
bioquímica, están sujetos a variaciones naturales significativas también en el animal sano y, por lo tanto, una
un animal no enfermo puede presentar valores fuera del rango "normal" en una ocasión de muestreo,
aunque con poca frecuencia. En mediciones posteriores, los valores normalmente vuelven a estar dentro del rango
rango "normal", un efecto llamado regresión a la media. El peligro de este tipo de efecto es que
la 'mejora' puede atribuirse a la intervención, cuando en realidad el animal tratado había
nunca ha sido verdaderamente "anormal". Además, la mayoría de las enfermedades mejorarán con el tiempo, de modo que
la mejora es predecible y, por lo tanto, es posible que la intervención no haya causado la mejora en
Un experimento incontrolado.
El estudio de campo experimental proporciona al investigador un control efectivo sobre la situación de estudio,
limitando así la influencia de diversas fuentes potenciales de sesgo. La aleatorización debe lograr
que todos los factores asociados con el resultado distintos de la intervención estén distribuidos equitativamente
entre los grupos de estudio. Este debería ser definitivamente el caso, si el tamaño de la muestra es lo suficientemente grande,
incluso si estos factores no son mensurables o conocidos. Si no es posible obtener tamaños de muestra grandes, el control de
43
tales factores pueden lograrse definiendo subgrupos o estratos homogéneos con respecto al estatus
de estas variables (= bloqueo o emparejamiento) dentro de las cuales el tratamiento se asigna aleatoriamente.
Otra opción es realizar un estudio cruzado en el que cada animal en un momento dado durante el estudio
estar en el grupo de intervención y otro en el grupo control. Este enfoque se puede utilizar, siempre y cuando el
La intervención tiene sólo un efecto de muy corta duración que ha desaparecido cuando un animal
cambios al otro subgrupo de estudio. Cegamiento o enmascaramiento significa que los propietarios del estudio
los animales no sabrán en qué subgrupo (intervención o control) se encuentran los animales del estudio.
Minimizar la posibilidad de que los propietarios cambien el manejo o manejo de los animales dependiendo de
ya sea que estén en un grupo u otro. Los estudios experimentales de campo se consideran el método de
elección para la investigación de hipótesis causales sobre la eficacia de las medidas preventivas.
En comparación con los estudios observacionales, proporcionan un control mucho mejor sobre los factores de confusión y
por lo tanto, puede proporcionar evidencia más sólida sobre la causalidad. Si se realiza adecuadamente un estudio de campo experimental
diseñado, hay menos posibilidades de sesgo debido a la selección o la desinformación en comparación con el
estudios observacionales. También se encuentran entre los diversos diseños de estudio más adecuados para su inclusión.
en revisiones sistemáticas. Entre las desventajas de los estudios experimentales de campo se encuentran las siguientes
características. A menudo requieren grupos grandes, pueden ser costosos y la duración requerida puede ser larga.
si la incidencia de la enfermedad es baja. Se puede introducir un sesgo de selección si no se diseñan adecuadamente.
En Dohoo et al (2003) se proporciona una descripción detallada de los estudios experimentales.
44
Intervención
Sin intervención
Muestra de Asignar Calcular el
animales sanos riesgo de

seleccionados de aleatoriamente a grupos enfermedad en cada grupo.
la población.
Período de recopilación de datos de seguimiento
Figura 41: Estructura esquemática de un estudio experimental
Estudios observacionales
Se realiza un estudio observacional en el entorno natural de los animales, pero sólo implica
medición u observación de eventos que ocurren naturalmente. Es uno de los más utilizados
Técnicas en investigación epidemiológica. Se pueden realizar de forma prospectiva o retrospectiva.
recopilación de datos. En un estudio observacional prospectivo, los datos se recopilarán una vez finalizado el estudio.
Aunque también se pueden incluir fuentes de datos existentes. En caso de un diseño retrospectivo,
La información sobre el resultado y los factores de riesgo ya debería estar disponible. El más importante
Los diseños de estudio observacional son el de cohorte, el de casos y controles y el de corte transversal.
45
estudio de cohorte
El estudio de cohorte (también estudio longitudinal) se basa en seleccionar al menos dos grupos de no enfermos.
animales con diferente estado de exposición en relación con los factores de riesgo que se postula que causan una enfermedad (ver
Figura 42). También es posible seleccionar una muestra de animales que probablemente sean heterogéneos con respecto
a los niveles de factores de riesgo y luego determinar su estado de exposición. El grupo de animales seleccionado (= el
cohorte) luego se sigue a lo largo del tiempo y se registra cualquier cambio en el estado de la enfermedad de cualquier animal durante el
periodo de estudio. Al finalizar el estudio, las medidas de incidencia se pueden comparar entre
grupos de estado de exposición. La unidad de interés en el estudio pueden ser animales individuales, pero también es
posible involucrar a grupos de agregados como camadas de animales o rebaños.
Exactamente como ocurre con los estudios experimentales, al evaluar la relación entre un factor de riesgo y
enfermedad en un estudio de cohorte, es importante que los diferentes grupos de exposición para un riesgo particular
factor son similares con respecto a cualquier otro factor asociado con ese factor de riesgo y el resultado
(= factores de confusión). Es poco probable que esto sea así sin que se tomen medidas específicas.
durante el diseño o análisis del estudio que controlará dichas diferencias (Fletcher y Fletcher,
2005). La aleatorización sería el mejor enfoque, pero no se puede aplicar de forma observacional.
estudiar. Un muestreo restringido implicaría centrar el estudio únicamente en un grupo de animales que
tienen el mismo o similar estatus en relación con importantes factores de confusión. La desventaja de
Este enfoque es que los hallazgos del estudio podrían ser menos generalizables. Una alternativa es
Emparejamiento donde los animales expuestos y no expuestos se agrupan según el factor de confusión.
estatus, ya sea uno a uno o uno a muchos (por ejemplo, la misma edad o raza) o como grupos más grandes.
Este enfoque sólo controlará el sesgo causado por los factores utilizados para emparejar y la practicidad.
Por estas razones, estos normalmente sólo pueden ser relativamente pocos factores. Otra desventaja del emparejamiento es que
el efecto del factor de emparejamiento ya no se puede analizar. En lugar de durante el diseño,
Los factores de confusión que se han medido se pueden controlar en el análisis, utilizando
estandarización, estratificación o ajuste multivariable. La estandarización se ha discutido en
46
página 45 bajo estandarización de medidas de ocurrencia de enfermedades. La estratificación implica presentar
y analizar los datos como subgrupos con características similares, a menudo en formato tabular. Mientras que la
Los resultados son fáciles de entender, puede dar lugar a un pequeño número de observaciones en algunos de los estratos.
El ajuste multivariable mediante métodos de regresión es menos transparente, pero más eficiente que
Estandarización o estratificación, ya que permite el control de múltiples variables de confusión.
simultáneamente y puede manejar pequeñas cantidades de observaciones en subgrupos.
Un estudio de cohorte bien diseñado tiene varias ventajas. Es el más efectivo de los
Estudios observacionales para la investigación de hipótesis causales con respecto a la aparición de enfermedades. Él
proporciona estimaciones de incidencia de enfermedades que son más significativas que los datos de prevalencia para evaluar
Se pueden estudiar simultáneamente relaciones causaefecto y múltiples resultados. Los estudios de cohortes pueden
Se puede utilizar para estudiar exposiciones raras y mediante un diseño apropiado es posible minimizar la selección.
y sesgo de confusión. Las desventajas incluyen que los estudios de cohortes a menudo requieren una duración prolongada, lo que
aumenta el potencial de efectos de confusión y por lo tanto afecta la capacidad de demostrar
causalidad. Además, en el caso de enfermedades raras, son necesarios estudios de larga duración o grupos grandes.
Las pérdidas durante el seguimiento o el cambio de animales entre categorías de exposición pueden convertirse en un problema importante.
problema, particularmente con estudios de larga duración. Los estudios de cohortes también suelen ser bastante caros.
47
Expuesto
No expuesto
Cohorte de animales sanos Determinar Calcular el

seleccionados de la estado de riesgo de
población. exposición enfermedad en cada grupo.
Período de recopilación de datos de seguimiento
Figura 42: Diagrama esquemático de un estudio de cohorte
Estudio de casos y controles
En un estudio de casos y controles, se seleccionan animales con (=casos) y sin la enfermedad (=controles) (ver
Figura 43). La frecuencia de exposición a factores de riesgo potenciales se mide retrospectivamente para el
dos grupos. Luego se compara la frecuencia relativa de la exposición entre los dos grupos. Es
Es preferible seleccionar casos nuevos en lugar de casos prevalentes de la enfermedad. Factores de riesgo de enfermedades prevalentes.
puede estar asociado con el riesgo o la duración de la enfermedad, o ambos, y estos efectos entonces no podrían ser
distinguido en un estudio de casos y controles. Los casos pueden incluirse todos o como una muestra representativa. A
El requisito clave para los estudios de casos y controles es que los controles deben haber tenido una oportunidad similar de
exposición como casos. Esto puede ser difícil de lograr si los casos se han seleccionado de subpoblaciones.
como consultorios de referencia u hospitales. Idealmente, los controles son una muestra aleatoria de no casos del
48
misma población fuente de la que se obtuvieron los casos. Estos se llaman basados en la población o
estudios de casos y controles de base primaria. Si los controles deben seleccionarse de subpoblaciones como
consultorios u hospitales de referencia, se debe tener especial cuidado para garantizar la comparabilidad con los casos.
Aquí es necesario definir una población de origen secundario o base secundaria, que debería representar
la población que ha generado los casos. Si resulta difícil obtener controles comparables de un
población fuente adecuada, también es posible seleccionar múltiples grupos de control, cada uno de los cuales representa
diferentes poblaciones. Si una enfermedad es rara y, por tanto, hay sólo unos pocos casos, la capacidad del
estudio para detectar factores de riesgo importantes (= poder estadístico) se puede aumentar mediante el uso de múltiples
controles para cada caso. La selección de los controles de la base primaria o secundaria depende de
si se utiliza un diseño de estudio de casos y controles basado en el riesgo o en la tasa. En un diseño basado en riesgos, los controles son
seleccionados entre los animales que no desarrollaron la enfermedad hasta el final del período de riesgo. Él
requiere que una población esté cerrada, es decir, que no haya pérdidas o adiciones significativas a la
población. Este enfoque es más adecuado para investigaciones de brotes, donde el período de riesgo es
En definitiva, ha terminado y casi todos los casos se han producido. La selección entre los controles debe implicar
fracciones de muestreo iguales en expuestos y no expuestos. Si el grupo de estudio está abierto, es decir, los animales son
agregados y eliminados durante el período de riesgo, y/o el período de riesgo es largo, un diseño basado en tasas debe
se utilizará para la selección de control, lo que significa que se tendrá en cuenta el tiempo en riesgo. Aquí el
tasa de muestreo entre controles expuestos y no expuestos, es decir, las proporciones de controles expuestos por
tiempo animal expuesto y no expuesto por tiempo animal no expuesto, deben ser similares.
Al igual que con otros diseños de estudio, la validez de los estudios de casos y controles depende del grado en que
Se han controlado los factores de confusión. Los enfoques de muestreo restringido, emparejamiento y
Se puede aplicar el ajuste multivariable discutido anteriormente en los estudios de cohortes. La coincidencia debe ser
utilizarse con mucha cautela, ya que cualquier asociación entre los factores de riesgo de interés y los factores de confusión
dar como resultado un sesgo a través del exceso de coincidencia (Dohoo et al., 2003).
49
El término estudio de casos y controles anidado se utiliza cuando el estudio se realiza dentro de un marco bien definido.
cohorte donde se conocen todos los casos y se enumeran los que no son casos. Si las bases de datos grandes con
Si se dispone de registros completos de población, se podría realizar un estudio de cohortes de casos que combine
la capacidad del estudio de cohorte para estimar la frecuencia de varios resultados con la eficiencia del
estudio de casos y controles para medir los efectos de la exposición. Requiere una cohorte bien definida de animales o
rebaños. Se toma una submuestra de la cohorte completa para que sirva como control y factor de riesgo detallado.
Se recopila información sobre estas unidades de estudio. Luego se obtienen los casos de la cohorte completa, así como de
la submuestra. La información sobre los factores de riesgo para casos fuera de la submuestra se recopilará cuando
se convierten en casos, y si son de la submuestra pueden servir como controles antes de tener
desarrolló el resultado de interés.
Los estudios de casos y controles pueden utilizarse eficazmente para el estudio de enfermedades de baja incidencia, así como de
condiciones que se desarrollan durante mucho tiempo. Permiten la investigación de causales preliminares.
hipótesis y son rápidos y de costo relativamente bajo, particularmente en comparación con los estudios de cohortes.
Sus desventajas incluyen que sólo permiten estudiar resultados únicos y por lo general no pueden
Proporcionar información sobre la frecuencia de enfermedades en una población. Además, son menos adecuados para
el estudio de exposiciones raras y la recopilación de datos dependen de la calidad de los registros anteriores. También puede
Será muy difícil garantizar una selección imparcial del grupo de control. Ambos, Rothman et al (2008a)
y Dohoo et al (2003) proporcionan información detallada sobre el diseño de estudios de casos y controles.
50
Expuesto
Casos
No expuesto
Expuesto
Control S
No expuesto
Calcular la exposición Determinar Casos y

estado
probabilidades por controles de de
enfermedades grupo de estado
seleccionado de la poblaciónexposición
Punto único de recogida de datos
Figura 43: Diagrama esquemático de un estudio de casos y controles
Estudio transversal
Uno de los diseños de estudio más utilizados en epidemiología es el estudio transversal. Es
A menudo se utiliza para obtener información sobre las características iniciales de una población. en una sección transversal
estudio se toma una muestra aleatoria de animales de una población en un momento dado. Individual
los animales incluidos en la muestra son examinados para detectar la presencia de enfermedades y su estado con respecto
a factores de riesgo (ver Figura 44). Se pueden utilizar varias estrategias de muestreo aleatorio, incluyendo
muestreo estratificado, por conglomerados y multietápico descrito en el Capítulo 7.
Los estudios transversales tienen una serie de ventajas importantes sobre otros estudios observacionales.
diseños. Son útiles para describir las características de una población de interés, incluyendo
51
prevalencia de uno o más resultados en un momento determinado. Los datos deben basarse en una
muestra representativa extraída de la población de interés (= población de origen). transversal
Los estudios son relativamente rápidos de realizar y el costo es moderado. Las desventajas incluyen que
proporcionar sólo una "instantánea en el tiempo" de la aparición de la enfermedad, y que debido a la medición de la prevalencia,
Los factores de riesgo asociados con el riesgo de enfermedad no se pueden distinguir de aquellos relacionados con la enfermedad.
duración. Es difícil investigar las relaciones causaefecto, ya que la exposición y la enfermedad son
medido al mismo tiempo. Esto resulta problemático para los factores de riesgo que varían en el tiempo, ya que su efecto
no se puede medir correctamente. También puede resultar difícil obtener tasas de respuesta suficientemente elevadas,
particularmente con estudios de cuestionarios por correo, lo que resulta en una muestra sesgada.
Expuesto
No expuesto
Muestra Determinar Calcular el riesgo de

seleccionada de la estado de
población. exposición y enfermedad en cada grupo.
enfermedad
Punto único de recogida de datos
Figura 44: Diagrama esquemático de un estudio transversal
Comparación de tipos de estudio.
Con cualquier investigación científica, la conciencia de las limitaciones y ventajas de un estudio particular.
diseños es esencial durante la planificación, análisis e interpretación de estudios epidemiológicos. El
52
La jerarquía de la solidez de la evidencia de causaefecto proporcionada por los diferentes tipos de estudios se muestra en
Figura 45. La mejor evidencia se puede obtener de revisiones sistemáticas, seguidas de una evaluación aleatoria.
ensayo controlado que es un tipo de estudio experimental y luego un estudio de cohorte como el más informativo
tipo de estudio observacional. Evidencia obtenida de editoriales en revistas científicas u opinión personal.
es menos útil. Fletcher y Fletcher (2005), Cockcroft y Holmes (2003) y Greenhalgh (2006)
proporcionar una discusión más detallada sobre la jerarquía de la evidencia.
revisión sistemática, metaanálisis
ensayo controlado aleatorio
escuadrón de estudio
estudios de casos y controles
estudios transversales
series de casos, informes
editoriales, opinión
Figura 45: Jerarquía de evidencia de relaciones causaefecto derivadas de diferentes estudios
diseños y fuentes de información
53
5. Medición de efectos
• Evaluar la fuerza de la asociación entre un factor de riesgo y una variable de resultado como la enfermedad
• Medir el impacto de un factor de riesgo en una variable de resultado como la enfermedad
Introducción
Un estudio epidemiológico de las relaciones causaefecto entre posibles factores de riesgo y una
Un parámetro de resultado, como enfermedad o muerte, generalmente se basa en una comparación de riesgos o tasas. Riesgo
Los factores incluyen cualquier factor asociado con diferencias en el riesgo de enfermedad o mortalidad. Exposición
a un factor de riesgo significa que un individuo, antes de enfermar o haber fallecido, ha sido afectado por
el factor de riesgo. La comparación del riesgo requiere la estimación de la frecuencia de la enfermedad (por ejemplo, tasa de incidencia
o riesgo, o prevalencia) para diferentes categorías de exposición asociadas con un factor de riesgo particular,
excepto en el caso de estudios de casos y controles donde se compara la frecuencia de exposición entre
diferentes categorías de estado de salud (= estado de casos y controles). La comparación se puede realizar mediante
utilizando medidas de fuerza de asociación o de impacto potencial. El primer grupo implica el cálculo.
de razones como el riesgo y el odds ratio, que miden la magnitud de la asociación entre un riesgo
factor y enfermedad. Son útiles para identificar factores de riesgo, pero no proporcionan información sobre
riesgo absoluto. Es importante reconocer que probar la significancia estadística de una asociación
entre un factor de riesgo y un resultado no cuantificará la magnitud del efecto, sólo la
probabilidad de que la asociación se deba al azar, y este resultado estará influenciado por el tamaño de la muestra.
Las medidas de impacto potencial incluyen la diferencia de riesgo y la fracción atribuible. Estos cuantifican
las consecuencias en términos de riesgo absoluto resultantes de la exposición a un factor de riesgo. ellos por lo tanto
dar una indicación de la importancia de un factor de riesgo y puede usarse para predecir el efecto de
medidas de prevención y control a nivel poblacional. La incertidumbre estadística asociada con
Estas medidas de efecto se pueden expresar calculando intervalos de confianza. El capítulo 6 presenta
54
Los cálculos matemáticos relevantes para el riesgo y los odds ratios, y otros, se pueden encontrar en Morris.
y Gardner (2000).
Los cálculos de medidas de efecto entre la exposición a un factor de riesgo y un resultado como
La enfermedad se puede realizar más fácilmente después de resumir los datos usando una tabla de 2 por 2, como se presenta.
en la Tabla 51. Aquí, los recuentos en las celdas identificadas como a1, a0, b1 y b0 representan los datos definidos
según la enfermedad y el estado de exposición. La notación es consistente con la utilizada por Dohoo et
al (2003) y se utilizarán a lo largo de este capítulo.
Cuadro 51: Estructura y notación de la tabla de 2 por 2 que se utilizará para calcular los datos epidemiológicos.
medidas de asociacion
Enfermedad Estado de exposición

estado
Expuesto No Total
expuesto
Enfermo a1 a0 m1
No enfermo b1 b0 m0
Total n1 n0 norte
Medidas de fuerza de asociación.
Radio de riesgo
El índice de riesgo (también riesgo relativo, índice de incidencia acumulada o índice de prevalencia) generalmente se calcula
como la relación entre el riesgo de incidencia de los animales expuestos y no expuestos (ver Ecuación 5.1).
La prevalencia sólo se puede utilizar si la enfermedad tiene una duración corta y, por lo tanto, se puede determinar la prevalencia.
Se considera una estimación del riesgo de incidencia. El índice de riesgo (RR) se interpreta de la siguiente manera:
La probabilidad de que la enfermedad ocurra entre aquellos expuestos al factor de riesgo sospechoso es RR mayor que entre aquellos expuestos al mismo.
aquellos que no tienen tal exposición. También es posible expresarlo en porcentajes, en el sentido de que un RR de 1,1
representaría un aumento del 10% en el riesgo, mientras que un RR de 3 sería un aumento del 200%. rangos RR
de 0 a infinito y no tiene unidades. Si el RR es cercano a 1 (es decir, los dos riesgos que se comparan son
55
similares y por lo tanto los valores del numerador y denominador también son similares), la exposición es
Probablemente no esté asociado con el riesgo de enfermedad. Si RR es mayor o menor que 1, la exposición es
probablemente esté asociado con el riesgo de enfermedad, y cuanto mayor sea la desviación de 1, más fuerte será
asociación. Los valores inferiores a 1 indican protección y los mayores un mayor riesgo de enfermedad
entre los animales expuestos. Es importante recordar que RR no da indicación de enfermedad.
frecuencia. Es sólo una medida del efecto relativo y no absoluto y, por lo tanto, los valores RR pueden ser
muy alto a pesar de que el riesgo de enfermedad es bastante bajo. El RR no se puede estimar en estudios de casos y controles, ya que
Estos estudios no permiten el cálculo de riesgos.
= 1∕1
Ecuación 5.1
0∕0
Relación de tasa de incidencia
El índice de tasas de incidencia (también índice de tasas o índice de densidad de incidencia) se calcula como el índice entre
estimaciones de la tasa de incidencia en animales expuestos y no expuestos. Sólo se puede obtener a partir de estudios.
que permiten el cálculo de tasas de incidencia, como el estudio de cohortes. La razón de tasas de incidencia (RI) es
interpretado como que la tasa de enfermedad en animales expuestos es IR veces mayor que la tasa en no expuestos.
Sus valores pueden variar de 0 a infinito y no tienen unidades. Al igual que con el índice de riesgo, si el valor del IR es
cerca de 1, es poco probable que el factor de riesgo esté asociado con la frecuencia de la enfermedad. Cuanto más lejos esté
Cuanto más alto sea el valor de la unidad, más probable será que el factor de riesgo esté asociado con la enfermedad.
frecuencia. Los valores inferiores a 1 indican protección y los superiores a 1 aumentan las tasas de enfermedad.
en animales expuestos.
Razón de probabilidades
El odds ratio (también odds relativas, ratio entre productos o riesgo relativo aproximado) se calcula como
la relación entre las probabilidades de enfermedad en animales expuestos y las probabilidades de enfermedad en no expuestos
o alternativamente como la relación de los productos cruzados (ver Ecuación 5.2). Las probabilidades de enfermedad son
56
relacionados algebraicamente con la probabilidad o riesgo de enfermedad, ya que son la relación entre la
probabilidad de tener la enfermedad y la probabilidad de no tenerla. A diferencia del índice de riesgo, el
El odds ratio se puede calcular para todos los diseños de estudio. Para estudios de cohortes y transversales, las probabilidades
La relación (OR) se interpreta como que las probabilidades de enfermedad entre los animales expuestos son OR multiplicadas por las probabilidades de
enfermedad entre los no expuestos. Por tanto, su significado es similar al de ratio de riesgo. en un
estudio de casos y controles incomparable, las probabilidades de ser un caso no se pueden calcular, ya que los animales fueron
seleccionados sobre la base del estado de casos y controles. En cambio, se pueden estimar las probabilidades de estar expuesto.
por separado para casos y controles, y su relación es entonces el OR. Para un caso y control emparejado
estudio, el OR es la relación entre los recuentos de pares coincidentes discordantes (es decir, el número de
pares coincidentes donde está el caso y el control no está expuesto, en relación con el número de pares donde
el opuesto es verdad). A diferencia de la relación de riesgo y tasa, los valores de OR calculados son los mismos ya sea
en el cálculo se utilizan las probabilidades de enfermedad o no enfermedad. El OR es una estimación del RR si el
La enfermedad es rara (es decir, la prevalencia o el riesgo de incidencia es inferior al 5%). En un estudio de casos y controles que aplica una
En un diseño basado en el riesgo, el OR es una buena estimación de la tasa de incidencia de enfermedades raras. en una tarifa
En un estudio de casos y controles, el OR es una estimación directa de la tasa de incidencia. El quirófano puede variar
de menos a más infinito. Si el OR está cerca de 1 (es decir, las probabilidades para ambos grupos son similares), hay
Es poco probable que haya una asociación entre el factor de riesgo y la enfermedad. Para un OR mayor o menor que 1,
Cuanto mayor sea la fuerza de la asociación entre el factor de riesgo de la enfermedad, mayor será la
Cuanto mayor sea el valor de 1, más fuerte será la posible relación causaefecto. Las ventajas del quirófano
incluir que se puede obtener de todos los diseños de estudio, y también del análisis de regresión logística.
1∕1 a1 b0
= = Ecuación 5.2
0∕0 a0 b1
57
Medidas de impacto
Diferencia de riesgo
Cuando se pretende determinar la magnitud de la enfermedad debida a un factor de riesgo, es necesario separar
el efecto de ese factor de riesgo del de otros factores que también podrían causar enfermedad (a veces
llamado riesgo de referencia). Siempre y cuando los animales expuestos y no expuestos estudiados sean similares con
Con respecto a la distribución de todos los demás factores de riesgo, se puede suponer que el riesgo de referencia se cuantifica
por el riesgo de enfermedad en animales no expuestos. En ese caso, restando el riesgo en no expuestos.
del riesgo en animales expuestos permitiría cuantificar la cantidad de enfermedad que es probable
ocurrir debido al factor de riesgo (ver Ecuación 5.3). La cantidad resultante se llama diferencia de riesgo.
(también riesgo atribuible, exceso de riesgo, diferencia de incidencia acumulada o diferencia de prevalencia). Si el
Cuando se calcula la diferencia entre las tasas en animales expuestos y no expuestos, el resultado se denomina
diferencia en la tasa de incidencia. La diferencia de riesgos (RD) es una medida del riesgo absoluto y se interpreta
ya que el riesgo por encima del riesgo inicial de desarrollar la enfermedad aumenta con la RD para
aquellos individuos expuestos al factor de riesgo. RD varía entre 0 y 1 y no tiene unidades, mientras que
la diferencia en la tasa de incidencia varía entre menos y más infinito, y tiene unidades de 1/tiempo. Si el
El valor resultante es menor que 0, el factor es protector, si es cercano a 0 no tiene ningún efecto y si es
mayor que uno aumenta el riesgo de enfermedad. Ni el riesgo ni la diferencia en la tasa de incidencia pueden
calcularse para estudios de casos y controles, ya que no generan estimaciones de la frecuencia de la enfermedad.
1 0
= − Ecuación 5.3
1 0
Si los datos se han obtenido de una muestra representativa de la población de interés, la
Se puede calcular el riesgo atribuible a la población (PAR). Expresa la importancia del factor de riesgo en
la población general, es decir, en todos los niveles de exposición. El PAR se puede estimar multiplicando RD por
la proporción de animales expuestos en el grupo de estudio (ver Ecuación 5.4).
58

1
=
=(∕)−(∕) Ecuación 5.4
1 0 0
Dado que la diferencia de riesgo es relativamente difícil de comunicar, un método alternativo para
interpretándolo es el número necesario a tratar (NNT). Se considera más fácil de entender en un
contexto clínico, y se interpreta como el número de pacientes animales necesarios para ser tratados con un
terapia durante la duración de un estudio de campo experimental para prevenir un mal resultado. Es
calculado como el inverso de la diferencia de riesgo (es decir, 1 / RD). Al aplicar este parámetro, es
importante tener en cuenta el período de seguimiento que se utilizó en el estudio que lo generó.
También se puede calcular el número necesario para dañar.
Fracción atribuible
La fracción atribuible (también fracción etiológica) es una medida relativa de la importancia de un riesgo.
factor, y expresa la proporción del riesgo total en animales expuestos que se debe al riesgo
factor. Suponiendo un efecto causal del factor de riesgo, esto significa que la fracción atribuible también
representa la reducción proporcional del riesgo resultante de eliminar el factor de riesgo. Los cálculos
deben ajustarse cuando un factor de riesgo es protector, en el sentido de que la falta de exposición debe convertirse en el efecto
eso aumenta el riesgo (ver más abajo la discusión sobre la eficacia de la vacuna). Se puede calcular directamente
utilizando los valores de diferencia de riesgo y riesgo total en expuestos, o del riesgo o odds ratio (ver
Ecuación 5.5). Siempre que el odds ratio sea una buena estimación del RR en un estudio de casos y controles (es decir,
la incidencia es baja), es posible producir una estimación de la fracción atribuible también para un caso
estudio de control.
= RR1 O −1
= Ecuación 5.5
1/n1 RR O
De manera similar a AF y PAR, la fracción atribuible a la población (PAF) cuantifica la importancia de una
factor de riesgo causal en la población total, en lugar de sólo los animales expuestos. Está basado en
dividiendo el PAR por la prevalencia de la enfermedad en el grupo de estudio (ver Ecuación 5.6). se interpreta
59
como la probabilidad de que animales seleccionados al azar de un grupo/población desarrollen la enfermedad como
resultado del factor de riesgo. Si la proporción expuesta disminuye en la población general, PAF también
disminuye, incluso si RR permanece igual. Un PAF alto implica que el factor de riesgo es importante para el
población animal general. El FAP también se puede estimar para estudios de casos y controles no comparables.
= Ecuación 5.6
1∕2
La eficacia de la vacuna (también fracción prevenida) es una forma especial de fracción atribuible que significa
la proporción de enfermedades prevenidas por la vacuna en animales vacunados. Se estima por
restar el riesgo de incidencia en animales vacunados del riesgo de incidencia en animales no vacunados, y
dividiendo el valor resultante por el riesgo de incidencia en animales no vacunados.
Ejemplo de cálculo de medidas epidemiológicas de efecto
Se han recopilado datos sobre la mortalidad de los lechones y la aparición de MMA en una porqueriza con dos partos.
galpones y un total de 200 cerdas con igual número pasando por cada galpón. El diseño de uno de los
dos cobertizos permiten una fácil desinfección y limpieza (= buena higiene), mientras que el otro cobertizo es muy
difícil de limpiar (=mala higiene). La relevancia de las diferentes medidas epidemiológicas puede ser
ilustrado estimando el efecto de la higiene del cobertizo como un factor de riesgo potencial que afecta la incidencia
riesgo de mortalidad de lechones (medido según ocurra o no según la camada) y mastitis
complejo metritisagalactiae (MMA) en cerdas. Datos resumidos de 200 cerdas y sus camadas durante un
Un período de 6 meses proporciona la información que figura en la Tabla 52. Los números presentados en la tabla.
indican que el factor de riesgo estado de higiene del galpón tiene la misma fuerza de asociación (RR= 5)
tanto para el riesgo de incidencia de muertes de lechones como para el riesgo de incidencia de MMA. La diferencia de riesgo es
considerablemente mayor para las muertes de camadas, porque son más comunes. Por tanto, la probabilidad de
tener muertes de lechones en una camada dada la presencia del factor de riesgo es mucho mayor que tener un
sembrar con MMA. Control del factor de riesgo (mejora del estándar de higiene de la maternidad)
probablemente se justificará sobre la base de los beneficios económicos resultantes de la disminución del número de lechones.
60
mortalidad, pero no necesariamente, si fuera solo para controlar la incidencia de MMA. El
proporción de casos (camadas con muerte de lechones o cerdas con MMA) debido a la presencia del riesgo
El factor (la fracción atribuible) es en ambos casos el mismo.
Tabla 52: Ejemplo de cálculo para comparación de factores de riesgo
Estado de higiene
Pobre Bien
Camadas con muertes 0,25 0,05
Riesgo de incidencia
BIEN 0,05 0,01
Número de cerdas 100 100
Epidemiológico
medidas de efecto
Radio de riesgo 5 5
Diferencia de riesgo 0,20 0,04
Atribuible
0,8 0,8
fracción
61
6. Considerando el error y la causaefecto
• Reconocer las posibles fuentes de sesgo en los estudios.
• Comprender los conceptos básicos de estimación y prueba de hipótesis estadísticas.
• Comprender los conceptos de confusión e interacción.
• Describir los pasos involucrados en el proceso de establecer relaciones causaefecto.
Introducción
Cualquier estudio producirá estimaciones para un parámetro de interés que se ven afectados por algún grado de
error, lo que resulta en diferencias con respecto al valor real del parámetro. Los tipos de error pueden ser ampliamente
Se clasifica en error aleatorio y sistemático. El error aleatorio o fortuito es el resultado de tomar un subconjunto
o muestra de unidades de estudio de la población fuente. Puede verse influenciado por el tamaño de la muestra o el estudio.
El diseño y su impacto se pueden evaluar utilizando métodos de análisis estadístico. Error o sesgo sistemático
se refiere a diferencias no aleatorias entre los valores de los parámetros verdaderos y estimados. Estará presente en
casi todos los estudios y debe tenerse en cuenta durante el diseño, análisis e interpretación,
para que se puedan sacar conclusiones válidas. Normalmente no se puede cuantificar y, por lo tanto, es necesario
considerados al diseñar un estudio y también al interpretar los hallazgos. Una válida internamente
El estudio permitirá sacar conclusiones válidas sobre la población de origen, mientras que la validez externa se refiere a
inferencias sobre la población objetivo. Tanto Dohoo et al (2003) como Rothman et al (2008d) proporcionan
discusiones detalladas sobre la validez.
Error sistematico
Cualquier proceso durante un estudio científico que resulte en una desviación sistemática (no aleatoria) del
observado a partir de los valores verdaderos se llama error sistemático o sesgo. Hay tres tipos principales de sesgo:
sesgo de selección, información y confusión.
62
El sesgo de selección se ve afectado en gran medida por el diseño del estudio, particularmente por el proceso de selección del estudio.
unidades. Se refiere a diferencias entre la población de estudio y la de origen que conducen a una interpretación sesgada.
relación observada entre los factores de riesgo y el resultado de interés. Puede ser el resultado de
diferencias en la selección de grupos de estudio. A modo de ejemplo, la selección del grupo de control en un
Los estudios de casos y controles suelen estar sujetos a sesgos de selección, especialmente si los casos se han obtenido
de una población de referencia hospitalaria y siempre que no sea posible identificar la población de origen
de los casos. La falta de respuesta en una encuesta de cuestionario por correo puede generar sesgo, si los encuestados son
sistemáticamente diferentes de los que no responden. Esto puede ocurrir, por ejemplo, al estudiar
prácticas de gestión controvertidas y es más probable que quienes las utilizan no respondan. En
estudios de cohorte, la probabilidad de pérdida durante el seguimiento podría estar asociada con un factor de riesgo y, por lo tanto,
conducir a un sesgo de selección.
El sesgo de información es el resultado de una medición incorrecta del factor de riesgo y/o del estado de la enfermedad. En caso
de variables de tipo categórico como la raza se denomina sesgo de clasificación errónea y para variables continuas
variables de escala como el peso corporal se denomina error de medición. Poca precisión de un diagnóstico.
La prueba dará lugar a una clasificación errónea, al igual que las respuestas inexactas a los cuestionarios, por ejemplo como
resultado de un mal recuerdo.
También se ha denominado sesgo de confusión a la combinación de efectos de diferentes factores de riesgo. Significa que un
El factor de riesgo de interés está asociado con el resultado, así como con otros factores de riesgo extraños.
algunos de los cuales pueden haber sido medidos y otros no. Por lo tanto, el efecto puede total o parcialmente
representan el efecto de estos factores extraños en el resultado. Los factores extraños en tal
caso serían los factores de confusión. Los factores de confusión se pueden controlar durante el diseño del estudio mediante
métodos como el emparejamiento o durante el análisis estadístico mediante estratificación o multivariable
ajustamiento. Cuando se utilizan análisis de datos estratificados para probar la presencia de factores de confusión, el
La asociación entre exposición y resultado se evalúa en análisis separados (=estratificados) para cada
nivel del factor de confusión hipotético. Si la fuerza de la asociación entre la exposición
63
y el resultado se debilita después de controlar el factor de confusión, es decir, los índices de riesgo para cada uno de los
los estratos están más cerca de la unidad, entonces existe un riesgo potencial de confusión. Como ejemplo para un
relación de confusión, durante el análisis de datos de un estudio de leptospirosis en granjas lecheras
trabajadores en Nueva Zelanda, los investigadores descubrieron que usar un delantal durante el ordeño era
asociado con un mayor riesgo de contraer leptospirosis (Mackintosh et al., 1980). Ingenuo
Por lo tanto, la interpretación de los datos podría haber dado lugar a la conclusión de que si los trabajadores de las granjas lecheras
Para reducir el riesgo de infección por leptospirosis, no deberían usar delantal durante el ordeño.
Pero antes de publicar este resultado, los investigadores descubrieron que el riesgo de infección parecía disminuir
aumentan con el tamaño del rebaño y, lo que es más importante, se descubrió que los agricultores con rebaños más grandes eran más
Es probable que los agricultores usen delantales durante el ordeño que los agricultores con rebaños más pequeños (ver Figura 61). Los autores
concluyó que la aparente asociación entre el uso de delantal y la infección por leptospirosis estaba en
realidad debido al efecto de confusión del verdadero efecto del tamaño del rebaño.
Figura 61: Ejemplo de relación de confusión
64
Error al azar
Principios generales
El error aleatorio o fortuito es cualquier variabilidad en los datos que no se puede explicar. Puede ser influenciado
por tamaño de muestra y diseño del estudio, y estimado mediante métodos de análisis estadístico. Un aumento en
El tamaño de la muestra dará como resultado un error aleatorio reducido, suponiendo que la selección de las unidades de estudio haya sido realizada.
hecho al azar. Si se sabe que factores específicos aumentan la variación aleatoria, el diseño del estudio puede ser
adaptados para que esta variación pueda controlarse durante el proceso de selección de las unidades de estudio. El
El impacto del azar se puede evaluar mediante estimaciones o pruebas de hipótesis estadísticas. Ambos
Los enfoques se analizan a continuación. Como un breve resumen de la teoría del muestreo, el límite central
El teorema es la base de las estimaciones de la varianza calculadas para los datos de muestreo probabilístico. El central
El teorema del límite establece que, dados tamaños de muestra grandes, la distribución de las medias o proporciones muestrales
tiende a ser normal. Usando este concepto, los intervalos de confianza se pueden calcular con el 90% de
estimaciones que oscilan entre +/ 1,65 errores estándar de la media y 95% entre +/ 1,96
errores estándar (ver Figura 62).
Figura 62: Teorema del límite central y límites de confianza
sesenta y cinco
Estimacion
La estimación implica que una cantidad epidemiológica, como la frecuencia de una enfermedad o un efecto
medida se está cuantificando, junto con el grado de precisión con el que se ha medido. Si el
El efecto se presenta como un valor único, se llama estimación puntual y la precisión se puede expresar.
utilizando un intervalo de confianza. El ancho del intervalo de confianza determina si la precisión es
bajo o alto. Generalmente los intervalos de confianza se definen en base a un nivel de confianza del 90, 95 o 99%. Como
Por ejemplo, la interpretación de un intervalo de confianza del 95% para un parámetro particular es que si uno
debían realizar el mismo estudio 100 veces y estimar un intervalo de confianza del 95% para el parámetro
de interés para cada uno de ellos, entonces alrededor de 95 de los 100 intervalos de confianza incluirán el valor real
de la estimación de intereses. Tenga en cuenta que esto supone que el modelo estadístico subyacente es apropiado y
ese sesgo de confusión está ausente. Si un intervalo de confianza del 95% incluye el valor nulo para un
medida epidemiológica del efecto, como 1 para las probabilidades o la razón de riesgo, indica que no es
estadísticamente diferente del valor nulo.
Prueba de hipótesis estadística
La prueba de hipótesis estadística implica determinar si una diferencia observada es estadísticamente
significativo sobre la base de probar si una hipótesis particular puede rechazarse o no. Por lo general es
sobre una hipótesis nula que indica que no existe asociación entre dos factores en la población
de donde se seleccionó la muestra utilizada en este análisis. Esto es bastante importante, ya que si bien hay
Puede haber una diferencia en la muestra, la pregunta importante es si hay una en el objetivo o
población fuente. Es importante reconocer que las pruebas de hipótesis estadísticas no evalúan
si la hipótesis nula o cualquier hipótesis es correcta o falsa. En cambio, prueba si el valor nulo
La hipótesis puede ser rechazada, lo que a su vez conduce a la interpretación de que un resultado (generalmente un
asociación entre dos factores) es estadísticamente significativa. Si no puede ser rechazado, el resultado de la
El análisis no es estadísticamente significativo. La decisión sobre si se puede rechazar la hipótesis nula.
o no se basa en el valor p, que cuantifica la probabilidad de que la asociación observada sea la
66
resultado de una variación aleatoria, y este valor a menudo se establece en un nivel de 0,05. Como ejemplo, un chi
La prueba al cuadrado podría usarse para probar la diferencia en el riesgo de incidencia entre animales expuestos y no.
expuestos a un factor de riesgo de significación estadística. Si el valor de chicuadrado era mayor que 3,84, el
El valor p asociado sería inferior a 0,05. Este valor p se puede interpretar de la siguiente manera usando
Teoría estadística frecuentista. Se supone que el estudio se repite 100 veces, cada vez que el estudio
las unidades se seleccionan aleatoriamente de la población de origen y el valor del estadístico de prueba (por ejemplo, chi
valor al cuadrado). En el caso del ejemplo anterior, si no hubiera asociación entre
los dos factores (= la hipótesis nula), uno esperaría que la diferencia observada entre los dos
proporciones ocurren sólo debido a la variación aleatoria menos de 5 veces de las 100 muestras tomadas de
la población fuente. Suponiendo que se acepta p <=0,05 como criterio de decisión para las estadísticas
significancia, se puede concluir de este resultado que existe una asociación estadísticamente significativa
entre factor de riesgo y riesgo de incidencia de enfermedad. Claramente, simplemente reportar significación estadística en el
La base de si una estadística de prueba estaba por encima o por debajo de un punto de corte (por ejemplo, χ2 = 3,84 para p <0,05) es muy cruda.
forma de resumir el resultado del análisis. Dado que el valor p real para el estadístico de prueba puede ser
muy cerca o lejos de ese límite, se recomienda informar los valores p reales. Pero incluso si
Una vez hecho esto, el valor p no permite diferenciar entre la fuerza y la dirección de un
efecto y su precisión estadística. También es importante señalar que ninguna de estas cantidades describe
relevancia clínica. Por ejemplo, si un tratamiento es barato y no tiene efectos secundarios clínicos, pero puede
dar como resultado un mejor pronóstico para una enfermedad que compromete gravemente el bienestar del animal, un valor p
Un valor tan alto como 0,10 o más puede ser suficiente para que el médico aplique el tratamiento. Por otro lado,
Si el tratamiento tiene efectos secundarios clínicos graves y es costoso, puede ser necesario un valor de p inferior a 0,05.
deseable antes del tratamiento aplicado en un animal en particular.
Los siguientes conceptos son importantes para la prueba de hipótesis estadísticas. En primer lugar, como se ha comentado anteriormente
Hay una hipótesis nula (H0) que se debe probar con respecto a si puede rechazarse o no.
a favor de una hipótesis alternativa (H1). Entonces hay una variación aleatoria (= error aleatorio) que
67
puede resultar en cometer un error de Tipo I o Tipo II (consulte la Figura 63). Un error de tipo I (= error α o
falso positivo) se refiere a rechazar incorrectamente la hipótesis nula. El valor p cuantifica la
probabilidad de cometer un error tipo I. El error tipo II (=β error o falso negativo) se refiere a cuando el valor nulo
La hipótesis es falsa pero no ha sido rechazada. Poder estadístico (calculado como 1 error tipo II)
representa la probabilidad de que un estudio encuentre una diferencia estadística si de hecho existe. Nota
que existen métodos de muestra pequeña (=exacta) y de muestra grande (=asintótica) para calcular la
por encima de las probabilidades. Los métodos de muestras pequeñas se han vuelto más accesibles para su uso en epidemiología.
análisis debido a la mayor potencia computacional disponible para realizar tareas mucho más complejas
cálculos. Conducen a Montecarlo o valores p exactos. Las estadísticas de muestras grandes siguen siendo las más
comúnmente utilizados, pero es necesario tener en cuenta que se basan en el supuesto de grandes
tamaños de muestra. El análisis estadístico de muestras grandes se basa en el uso de los datos observados para calcular la
valor para el estadístico de prueba apropiado (por ejemplo, prueba de chicuadrado). La probabilidad de que ocurra
Este valor, suponiendo que no hay asociación, se calcula a partir de una distribución teórica.
apropiado para la prueba estadística particular (por ejemplo, chicuadrado, t o F).
Figura 63: Decisiones correctas y errores en la prueba de hipótesis estadísticas
68
Comparación de estimaciones y pruebas de hipótesis estadísticas.
El siguiente ejemplo hipotético explora la diferencia entre la prueba de hipótesis estadística
y estimación. La asociación o relación entre 2 grupos raciales como factor de riesgo y enfermedad.
se está evaluando su estado. El estudio se realizó como un estudio de cohorte de un año con 100 animales en
cada categoría de exposición. Al final del estudio, el riesgo de incidencia fue de 0,50 para la raza A y de 0,30 para la raza A.
para la raza B. Utilizando una tabla de 2 por 2, se obtuvo un valor de chicuadrado de 8,33 con 1 grado de libertad y un
Se puede calcular el valor p asociado de 0,004 (consulte la Tabla 61). Si uno hubiera decidido un corte de
p<0.05, se puede concluir que se cumple la hipótesis nula del riesgo de infección en esta población
independientemente de la raza puede ser rechazada. Por lo tanto, las dos variables son estadísticamente significativas.
asociado. Por tanto, la incidencia de la enfermedad es diferente entre las dos razas. Y desde uno
proporción es menor que la otra, también se puede concluir que el riesgo para la raza A es mayor que el de la raza A.
para la raza B. Dado que el valor p real está disponible, se puede obtener más información sobre la relación.
Ser obtenido. Un valor p de 0,004 indica que la diferencia observada entre las dos proporciones
Se esperaría que ocurriera debido solo a una variación aleatoria de menos de 4 veces en 1000 muestras de un
Se supone que la población de origen no tiene diferencias entre razas. Esto ahora indica que es
De hecho, es muy poco probable obtener esta diferencia, si no hubiera asociación entre raza y enfermedad.
estado. Pero aún así, ni declarar significación estadística ni informar valores p reales distinguirán
entre el tamaño del efecto y la precisión. Aquí es donde la estimación es útil. En este ejemplo, uno podría
obtener una estimación puntual del índice de riesgo que se calcula a partir del índice de los dos riesgos de incidencia
como 1.7. La precisión estadística del valor del índice de riesgo de 1,7 se puede expresar mediante el 95%
Intervalo de confianza de 1,16 a 2,38. Esto demuestra claramente el valor de la estimación, en el sentido de que
La indicación de la fuerza y dirección del efecto (= ratio de riesgo de 1,7) está claramente separada de su
precisión (= valor real que probablemente variará entre 1,16 y 2,38). Una discusión más detallada de estos
Los conceptos se pueden encontrar en Rothman et al (2008c).
69
Tabla 61: Comparación del riesgo de infección entre razas
Criar
Estado de infección AB
positivo 50 30
negativo 50 70
Riesgo de incidencia (por año) 0,50 0,30
Fórmulas matemáticas para el cálculo del intervalo de confianza de proporciones y efecto de relación.
medidas
El cálculo de intervalos de confianza para proporciones, como el riesgo de incidencia y la prevalencia, es
basado en la estimación puntual p en sí y el tamaño de la muestra n. Esta información luego se utiliza para calcular
el error estándar SE, como se muestra en la Ecuación 6.1.
p(1−p) =
norte
Ecuación 6.1
Dónde:
SE = error estándar de la proporción observada
p = proporción observada
n = tamaño de la muestra
Luego, el SE se combina con la estimación puntual p para calcular la confianza superior e inferior.
limita CL como se muestra en la Ecuación 6.2. El valor de Z refleja el nivel de confianza deseado, y
los valores para z de 1,65, 1,96 y 2,58 representan niveles de confianza del 90%, 95% y 99%, respectivamente.
70
=± SE Ecuación 6.2
Dónde:
CL = límites de confianza (superior e inferior)
Z = valor Z que refleja el nivel de confianza deseado
SE = error estándar de la proporción observada
p = proporción observada
Por ejemplo, si la prevalencia observada de pruebas de tuberculina positivas es del 10% entre 80 bovinos
probados, los límites de confianza inferior y superior del 95% se pueden calcular de la siguiente manera:
0,1 (1 − 0,1) =
0,1 − 1,96 = 0,03
80
0,1 (1 − 0,1) =
0,1 + 1,96 = 0,17
80
Según el cálculo anterior, el intervalo de confianza del 95% para la prevalencia observada del 10% en
este grupo de 75 bovinos oscila entre 0,03 y 0,17. Tenga en cuenta que este cálculo se basa en el
Aproximación normal de Wald que es válida para tamaños de muestra grandes. Los cálculos más complejos
para obtener estimaciones exactas de los límites de confianza son accesibles a través de herramientas en línea como
OpenEpi (www.openepi.org) o software de dominio público independiente, como WinEpiscope
(www.clive.ed.ac.uk/winepiscope), Epi Info™ (www.cdc.gov/epiinfo/) o WinPEPI
(www.brixtonhealth.com).
Los intervalos de confianza para las medidas del efecto de la proporción, como el riesgo o el odds ratio, se calculan de manera similar a
los de proporciones, en el sentido de que una estimación puntual se combina con una estimación del error, en este caso
diferencia. Los cálculos deben realizarse en una escala logarítmica y la varianza de lnRR y lnOR
se puede obtener utilizando la aproximación de la serie de Taylor de primer orden. Las fórmulas relevantes se muestran en
Ecuación 6.3 y Ecuación 6.4, respectivamente:
71

1 1 1 1
( )= + + + Ecuación 6.3
a1 n1 a0 n0
Dónde:
var(lnRR) = varianza de la estimación puntual del índice de riesgo en escala logarítmica
a1 = número de animales expuestos con enfermedad
n1 = número total de animales expuestos
a0 = número de animales no expuestos con enfermedad
n0 = número total de animales no expuestos
1 1 1 1
( )= + + + b1 b0 Ecuación 6.4
a1 a0
Dónde:
var(lnOR) = varianza de la estimación puntual del odds ratio en escala logarítmica
a1 = número de animales expuestos con enfermedad
a0 = número de animales no expuestos con enfermedad
b1 = número de animales expuestos sin enfermedad
b0 = número de animales no expuestos y sin enfermedad
La fórmula para el cálculo del intervalo de confianza para una estimación puntual de razón θ se muestra en
Ecuación 6.5.
= ± ( )
Ecuación 6.5
Dónde:
CL = límites de confianza (superior e inferior)
var = varianza de la estimación puntual de la relación
θ = relación de estimación puntual
Información más completa sobre las fórmulas matemáticas de diversas pruebas estadísticas y
El cálculo de las estimaciones del efecto del intervalo de confianza está disponible en la mayoría de las estadísticas y epidemiología.
libros de texto. Altman et al. (2000) proporcionan ejemplos de cálculos de intervalos de confianza para muchos
72
parámetros de resultados epidemiológicos. Los cálculos de parámetros epidemiológicos relevantes pueden
También se puede realizar utilizando herramientas en línea, mencionadas anteriormente, como OpenEpi (www.openepi.org), o
software de dominio público independiente, como WinEpiscope (www.clive.ed.ac.uk/winepiscope), Epi
Info™ (www.cdc.gov/epiinfo/) o WinPEPI (www.brixtonhealth.com).
Interacción o modificación del efecto.
En la mayoría de los sistemas biológicos, múltiples factores influirán en el riesgo de aparición de enfermedades. Cualquier
La estimación de los efectos se vuelve más difícil si estos factores no son independientes entre sí,
es decir, el efecto de un factor depende del nivel de otro. Esta relación se llama
interacción o modificación del efecto. Refleja una propiedad biológica del efecto conjunto de estos factores.
y puede manifestarse como sinergismo o antagonismo. Se considera que la interacción estadística es
presente, cuando el efecto combinado de las variables sobre una medida de resultado difiere de la suma de las
efectos individuales en una escala definida. Por lo tanto, hay un multiplicativo en lugar de un aditivo.
relación entre los efectos de las variables. Si la interacción estadística se refiere a efectos causales,
Implica interacción biológica. Pero la interacción biológica aún puede estar presente si la interacción estadística
no se puede demostrar.
El análisis estratificado se puede utilizar para evaluar datos epidemiológicos sobre la presencia de interacción. Sí hay
Si no hay interacción, el riesgo o los odds ratios específicos del estrato deben ser iguales. La figura 64a presenta una
Ejemplo de dos factores que no interactúan. Esto se hace evidente después de estratificar en el factor 1.
(=manteniendo este factor constante), ya que las estimaciones del índice de riesgo específico del estrato son ambas 2. Un ejemplo
La interacción entre dos factores de riesgo se muestra en la Figura 64b. Estos datos se refieren a un estudio de cohorte.
en vacas destinado a determinar los factores de riesgo asociados con el riesgo de aborto. Durante el estudio de un año
período, todas las vacas fueron evaluadas serológicamente para Neospora caninum y diarrea por virus bovino
(BVD) el estado de infección como posibles factores de riesgo. Para probar la posible interacción entre estos dos
factores de riesgo, los datos se estratificaron según el estado de infección por Neospora. El riesgo resultante específico del estrato
estimaciones de ratios que cuantifican el efecto del estado serológico de BVD sobre el riesgo de incidencia de aborto en vacas
73
varían sustancialmente entre los dos estratos. Sugiere que las vacas positivas a ambas enfermedades infecciosas
Los organismos tenían más de 3 veces más probabilidades de abortar que aquellos que solo eran positivos a uno de los
a ellos. Suponiendo que no hubo un sesgo importante, este hallazgo indica que existe un
relación de interacción estadística. Serían necesarios más estudios para evaluar las posibles
presencia de una interacción biológica entre estos dos factores de riesgo.
a: sin interacción
Radio de riesgo
Riesgo de Razón de
Factor A Factor B (en comparación con ambos
incidencia riesgo (dentro del estrato)
factores ausentes)
presente 0,16 8
presente 2
ausente 0,08 4
presente 0,04 2
ausente 2
ausente 0,02 referencia
RR iguales
b: con interacción
Aborto
Radio de riesgo
Radio de riesgo
Neospora BVD Incidencia (comparado con
sí No (dentro
ELISA ELISA riesgo siendo ambos factores
estrato)
ausente)
positivo 45 10 negativo 0,82 3.68
positivo 3.27
2 positivo 21 6 0,25 1.13
58 negativo 8 0,27 1.20

negativo 1.20
28 0,22 referencia
diferentes RR
Figura 64: Ejemplos con y sin interacción estadística
Un diagrama de Venn es un método útil para examinar visualmente las relaciones de interacción entre varios
factores de riesgo. La Figura 65 presenta un ejemplo de dicho diagrama basado en los datos epidemiológicos anteriores.
Estudio de campo de posibles factores de riesgo para el aborto bovino. El grupo de edad (<= 3 años) ha sido
añadido como tercer factor de riesgo al estado serológico de BVD y Neospora. El diagrama muestra el riesgo.
74
valores de relación para diferentes combinaciones de los tres factores de riesgo en comparación con un grupo de referencia de
Vacas mayores de 3 años y serológicamente negativas tanto para BVD como para Neospora. El
El diagrama indica que el riesgo de que las vacas aborten es 4,1 mayor si ambas son BVD positivas y <=
3 años de edad. Esto sugiere que también existe una interacción estadística entre estos dos factores.
ya que cada uno de ellos por sí solo tiene índices de riesgo más bajos. La combinación de tener <= 3 años y
positivo en ambas pruebas serológicas no aumenta el índice de riesgo más allá del valor ya alcanzado
para los animales que sean positivos en ambas pruebas. En resumen, no parece haber interacción
entre los tres factores, aunque este hallazgo debe interpretarse cuidadosamente como el número de
animales en los distintos estratos es bastante pequeña.
Figura 65: Diagrama de Venn de relaciones entre 3 factores de riesgo para un estudio sobre aborto en vacas
De la asociación a la causaefecto
Hasta ahora, los efectos del azar y del error sistemático se han analizado por separado. El proceso de
evaluar una posible relación causaefecto entre un factor de riesgo y una variable de resultado de
intereses como el estado de infección de un animal se pueden estructurar como se describe en el diagrama de flujo que se muestra
en la Figura 66. Se supone que los datos ya han sido recopilados y ahora están siendo analizados. Como un
75
En el primer paso se calculan las frecuencias de enfermedades observadas para cada grupo de exposición y luego
comparado entre los grupos de expuestos y no expuestos. Una aparente asociación entre el
El factor de riesgo potencial y el estado de la enfermedad pueden parecer presentes sobre la base de, por ejemplo, que existe una
mayor riesgo de incidencia de la enfermedad entre los animales expuestos al factor de riesgo que en los que no
expuesto. Tenga en cuenta que ya existe una diferencia en el riesgo de incidencia en el grupo de estudio, pero el
La pregunta es realmente si hay alguien en la población de origen de la cual se formó el grupo de estudio.
seleccionados y en la población objetivo. Primero se deben evaluar los datos para detectar sesgos en la selección de
los animales estudiados y la precisión de la información sobre los factores de riesgo o el estado de la enfermedad. si ha sido
concluyó que hay poco sesgo, el siguiente paso es evaluar la probabilidad de que los resultados observados
La diferencia se debió a la variación aleatoria utilizando una prueba estadística apropiada. Si el análisis estadístico
da como resultado un valor p bajo, digamos 0,01, es poco probable que la diferencia observada entre la incidencia
Los riesgos se debían al azar. Como se analizó anteriormente, sería preferible calcular una estimación puntual de la
efecto de interés, el ratio de riesgo en este caso y su intervalo de confianza del 95%. si la confianza
intervalo no incluye un índice de riesgo de 1, entonces este es un efecto estadísticamente significativo. Pero incluso en
esta etapa del análisis, además de que todavía existe la posibilidad de variación aleatoria (aunque
sólo una pequeña posibilidad) todavía es posible que la asociación estadística entre el factor de riesgo y el
El estado de la enfermedad se debe a algún otro factor no medido que se confunde con el riesgo evaluado.
factor, lo que indica la presencia de sesgo de confusión. E incluso si se cree que el sesgo de confusión
ser mínimo, pero el estudio actual es el único que produjo esta asociación estadística, el
El resultado todavía representa sólo una evidencia débil de causaefecto. Se requiere más evidencia científica
antes de que la causaefecto pueda considerarse probable. Y, por último, si efectivamente hay más pruebas
existe lo que sugiere la presencia de una probable relación causaefecto, puede ser que el efecto
es de relevancia clínica limitada con respecto a su magnitud, o en el caso de un tratamiento su aplicación
puede ser demasiado costoso, tener efectos secundarios adversos u otras implicaciones adversas para el bienestar.
76
Asociación
aparente Evaluar la
ausente relevancia del efecto

(impacto clínico, costo,
presente
bienestar)
Sesgo
(selección o
información) Probable
fuerte causa efecto

mínimo
Oportunidad
fuerte
probable débil
improbable
fuerte
Sesgo Otra evidencia

mínimo
(confusor) científica
Figura 66: De la asociación aparente a la causaefecto probable
77
7. muestreo de poblaciones animales
• Identificar, definir y diferenciar los términos relacionados con la metodología de muestreo.
• Dar ventajas/desventajas de cada método de muestreo.
• Seleccionar la estrategia de muestreo adecuada para una situación particular.
Introducción
Un análisis epidemiológico implica trabajar con un conjunto de observaciones que han sido recopiladas
sobre una población de interés. Es importante tener claro el propósito de los resultados de la
análisis. Por lo general, las inferencias son sobre atributos específicos o relaciones dentro de un agregado.
o población de animales o rebaños individuales denominada población de interés o población objetivo. A
El estudio descriptivo puede tener como objetivo demostrar que la enfermedad no está presente, detectar la presencia de la enfermedad.
o establecer el nivel de aparición de la enfermedad. Alternativamente, su objetivo podría ser describir
Los niveles de producción de leche en una población de ganado lechero o, de manera más general, proporcionan una descripción descriptiva.
Análisis de un sistema de producción animal. Y finalmente se realizará un estudio analítico para
investigar las relaciones causaefecto entre los factores de riesgo y las variables de resultado, como la enfermedad.
Los datos que se utilizarán para el análisis epidemiológico deben evaluarse con respecto a su
exhaustividad, validez y representatividad. Podría basarse en datos existentes, en un proceso
El proceso de recopilación de datos o la recopilación de datos pueden adaptarse para los fines de un propósito específico.
estudio epidemiológico. Los datos existentes incluyen, por ejemplo, observaciones realizadas durante estudios anteriores.
o un censo, así como la recopilación continua de datos, como presentaciones de laboratorio, vigilancia de enfermedades
programas, sistemas de registro de datos basados en industrias o granjas/oficinas y mataderos. Una conciencia de
el sesgo de selección o de información asociado a estas fuentes de datos es fundamental. Como ejemplo,
Las presentaciones de laboratorio son un mecanismo útil para detectar enfermedades y pueden convertirse en la base.
78
de series de casos y estudios de casos y controles. Pero por lo general son inadecuados para la estimación de la prevalencia,
porque es probable que tanto el numerador como el denominador se vean fuertemente afectados por el sesgo de selección.
Si las observaciones se realizan en todos los animales de la población de interés, la recopilación de datos
El proceso se llama censo. Si se restringe a un subconjunto de esa población, se llama muestra. El
Este último tiene la ventaja sobre el censo de que los resultados se pueden obtener más rápidamente. Una muestra también es
menos costoso de recopilar que un censo, y los resultados de las muestras pueden ser incluso más precisos, ya que
posible hacer un uso más eficiente de los recursos (por ejemplo, mejor capacitación de los recolectores de datos o uso de
pruebas diagnósticas más caras). Además, las muestras aleatorias o probabilísticas dan como resultado probabilidades.
estimaciones que permiten utilizar inferencias para otras poblaciones. A menudo la participación de todo el mundo
población, como es necesario para un censo, puede no ser posible debido a cuestiones logísticas o administrativas.
problemas, de modo que el muestreo se convierte en el método de elección. Un censo sólo debería verse afectado por
sesgo de información, aunque a menudo también hay algún sesgo de selección debido a la falta de respuesta. Además, dado
que un censo proporciona una instantánea de la población de interés en un momento determinado, se puede
considerado como una muestra única de muchas muestras posibles que podrían tomarse durante un período de tiempo.
Las muestras se verán afectadas tanto por sesgos de selección como de información, así como por errores de muestreo.
La siguiente terminología es relevante cuando se analiza el proceso de muestreo (ver Figura 71).
Generalmente existe una población objetivo a la que se extrapolan los resultados del estudio en función de su
validez externa. La especificación de la población objetivo y su relación con la fuente.
La población a menudo tiene que basarse en el juicio. La población fuente representa la población inmediata.
Población para la cual se utilizarán las conclusiones del estudio y de la cual se seleccionará un subconjunto.
El marco muestral enumera todas las unidades de muestreo de la población de origen y es un elemento importante.
requisito para el muestreo probabilístico, específicamente cuando se utiliza muestreo aleatorio simple. Muestreo
Las unidades son los miembros individuales del marco de muestreo, por ejemplo, rebaños o animales individuales. El estudio
grupo o muestra consiste en el subconjunto de miembros de la población de origen de la cual
se hacen observaciones. La validez interna describe la relación entre el estudio y la fuente.
79
población, mientras que la validez externa se refiere a la relación entre la fuente y el destino.
poblaciones. Las unidades de muestra son los miembros individuales del grupo de estudio. El término unidad de estudio es
A menudo también se aplica a la unidad de muestra, pero con algunas estrategias de muestreo las unidades de muestra pueden ser
diferentes a las unidades de estudio. Las unidades de estudio deben ser los elementos del grupo de estudio del cual
se toman medidas. La fracción de muestreo se calcula como la relación entre el tamaño del estudio
y poblaciones de origen.
Población objetivo
validez juicio
externa
Población de origen
validez
muestreo
interna
Población o muestra
de estudio
Figura 71: Jerarquía del proceso de muestreo
Muestreo probabilístico o no probabilístico
El objetivo del proceso de muestreo es extraer una muestra que sea una representación fiel de la fuente y
idealmente la población objetivo y que conduce a estimaciones de las características de la población de un
precisión o exactitud aceptable. Las muestras se pueden seleccionar como probabilísticas o no probabilísticas.
muestras. Con el muestreo no probabilístico el investigador puede elegir la muestra utilizando tres métodos diferentes.
enfoques. Una muestra de conveniencia implica tomar las observaciones más fáciles de obtener. A
La muestra intencional se dirige a grupos de riesgo específicos y con una muestra de juicio el investigador hace una
elección subjetiva deliberada al seleccionar lo que consideran una "muestra representativa". El principal
80
La desventaja del enfoque de muestreo no probabilístico es que la "representatividad" no puede
cuantificado. El muestreo probabilístico o aleatorio requiere una selección aleatoria de la muestra. El
La suposición detrás del procedimiento es que cualquiera de las posibles muestras de la población de origen tiene
las mismas posibilidades de ser seleccionado. Esto significa que cada animal tiene la misma probabilidad de
La selección y la selección de un animal no depende de que otros sean seleccionados. En terminos practicos
Existen diferentes métodos para realizar un muestreo aleatorio, incluido extraer números de un
sombrero, utilizando números aleatorios generados por una computadora o a partir de una tabla de números aleatorios.
Estrategias de muestreo aleatorio
El muestreo probabilístico o aleatorio se puede aplicar al animal individual o al grupo como método de muestreo.
unidad. En el caso del primero se dispone de muestreo aleatorio simple, sistemático o estratificado. Con
muestreo por conglomerados y por etapas, la selección aleatoria se puede aplicar en diferentes niveles de agregación,
y al menos una de las unidades de muestreo tiene que ser un grupo, como un distrito administrativo o un
rebaño. Las unidades de muestra resultantes de estas estrategias de selección pueden ser un agregado de nivel superior de
las unidades de estudio.
Muestreo aleatorio simple
Desde la perspectiva de un estadístico, el muestreo aleatorio simple es el método óptimo para seleccionar
observaciones de una población. Entre sus ventajas está que se basa en un modelo relativamente teórico.
concepto. Más importante aún, la teoría estadística detrás de los métodos estándar de cálculo de muestras
El tamaño y la variación de las estimaciones de la muestra se basan en el supuesto de que el muestreo aleatorio simple tiene
ha sido usado. Si se han utilizado otros métodos de muestreo, las estimaciones de variación pueden ser incorrectas y
por lo tanto, es necesario aplicar métodos más complejos de cálculo de la varianza. Las desventajas
incluyen que el muestreo aleatorio simple requiere un marco de muestreo que con poblaciones animales
muchas veces no está disponible. Además, si hay una gran variación en una población de origen con respecto a una
81
parámetro como la prevalencia, es posible que se requieran tamaños de muestra muy grandes para obtener datos suficientemente precisos.
estimaciones muestrales de prevalencia.
A modo de ejemplo, el objetivo del estudio puede ser determinar la prevalencia de Brucella abortus
infección a nivel de rebaño en un distrito. Suponiendo que hay 1000 rebaños y una muestra de 100 es
Si fuera necesario, los rebaños se podrían numerar del 1 al 1000. Luego se podrían numerar 100 números diferentes.
entre 1 y 1000 podrían ser generados aleatoriamente por una computadora y los rebaños correspondientes a
estos números representarían la muestra aleatoria.
Muestreo aleatorio sistemático
El muestreo aleatorio sistemático no requiere un marco muestral, pero todas las unidades de muestreo deben estar
disponibles, y deberían estar sujetos a algún tipo de secuencia (por ejemplo, vacas lecheras que entran en
patio de ordeño). Las unidades de estudio se seleccionan a intervalos fijos a lo largo de esa secuencia. Este muestreo
El intervalo se calculará dividiendo el tamaño del grupo de estudio con el tamaño de la muestra. La primera
El animal será seleccionado sacando un número aleatorio entre 1 y el valor numérico del
intervalo de muestreo. Las ventajas de este método son que no requiere un marco muestral y
Es muy fácil de aplicar en condiciones de campo. Tiene la desventaja de que puede introducir selección.
sesgo, si la característica medida está relacionada con el intervalo de muestreo, como cuando el muestreo
El intervalo está asociado con efectos estacionales o de comportamiento. Dado que no se realiza ningún muestreo aleatorio
involucrados, en sentido estricto no es posible calcular estimaciones de varianza válidas. Pero en la práctica
Se utilizan estimadores de muestreo aleatorio simple, ya que el nivel de sesgo en las estimaciones suele ser
considerado aceptable.
Como ejemplo, se podría realizar una encuesta sobre los hábitos alimentarios de los dueños de gatos.
visitando una práctica veterinaria. Sólo hay tres días disponibles para la recopilación de datos. Tener predefinido un
tamaño de muestra requerido de 30, el número típico de dueños de gatos que visitan la práctica por día puede ser
utilizado para calcular el intervalo de muestreo. Si un promedio de 50 dueños de gatos visitan la clínica por día, el
82
La población fuente total durante tres días será de aproximadamente 150, lo que dará como resultado un intervalo de muestreo de 5. La
El primer dueño de gato entrevistado sería seleccionado al azar, utilizando un número aleatorio entre 1
y 5. A partir de entonces, el intervalo de muestreo de 5 se utilizará para seleccionar a los demás propietarios que componen
la muestra.
Muestreo aleatorio estratificado
En una muestra aleatoria estratificada, la población de origen se divide primero en estratos según factores que
Se sabe que afectan el resultado. Dentro de cada uno de los estratos, es necesario realizar un muestreo simple o sistemático.
utilizado para seleccionar las unidades de muestra. Si un factor conocido causa una variación significativa en el resultado.
variable, pero no es el objetivo del análisis, este muestreo estratificado es un método eficaz para
reducir la varianza en la estimación general del parámetro de interés. Por ejemplo, en el caso de la leche
producción en una población de vacas lecheras compuesta por las razas Jersey y Holstein, muestreo
La variación de las estimaciones será sustancial, en gran parte debido a las diferencias genéticas que afectan el volumen de leche.
de las dos razas. La estratificación por raza permitirá reducir la variación general de la leche
estimación de producción que se obtendrá de la muestra. En otras palabras, para que el muestreo estratificado sea
eficaz, los elementos dentro de los estratos deben ser homogéneos y la variación entre los estratos
debe ser grande. La asignación de individuos a los diferentes estratos puede ser en números iguales (mismo n por
estrato) o proporcional (mismo n/N por estrato). Este último se utiliza si es necesario garantizar que
el grupo de estudio tiene la misma distribución proporcional de observaciones en todos los estratos que la fuente
población. El muestreo estratificado también permitirá un fácil acceso a la información sobre las subpoblaciones.
representados por los estratos, aunque las estimaciones de parámetros específicos de cada estrato serán menos precisas que las
los de la población total debido al menor tamaño de la muestra. Las desventajas son que el estado de
Las unidades de muestreo con respecto al factor de estratificación deben ser conocidas y más complejas.
Se requieren métodos para obtener tamaños de muestra y estimaciones de varianza.
Por ejemplo, al determinar la prevalencia de rebaños bovinos infectados con brucelosis bovina se
Puede ser relevante tener la misma distribución de tamaño de rebaño en el grupo de estudio que comprende 100 rebaños.
83
como en la población de origen de 2000. Suponiendo que en la población de origen el 20% tiene más de
200 bovinos adultos, 50% entre 50 y 200, y 30% menos de 50, estos estratos se pueden utilizar para
seleccione aleatoriamente dentro de cada uno de los estratos 20 de los 400 grandes, 50 de los 1000 medianos y 30
de los 600 pequeños rebaños. Si se hubiera utilizado un muestreo aleatorio simple, es probable que muy pocos grandes y
Se habrían seleccionado rebaños pequeños y, por lo tanto, estas categorías de tamaño de rebaño habrían tenido poco
peso en el análisis.
Muestreo por conglomerados
El muestreo por conglomerados es una de las dos técnicas de muestreo aleatorio en las que cada una de las unidades de muestreo es
un agregado de unidades de estudio (por ejemplo, distritos, rebaños, camadas). Normalmente, el individuo sigue siendo el
unidad de interés como, por ejemplo, su estado de enfermedad, pero la unidad de muestreo se convierte en una agrupación de
animales individuales como la manada a la que pertenecen. Todos los elementos dentro de cada uno seleccionados al azar.
Luego el grupo se incluye en la muestra. Esta técnica tiene la ventaja de que sólo requiere una
marco muestral para los grupos, pero no para los miembros dentro de los grupos. Los grupos o clusters
pueden representar agrupaciones naturales como camadas o rebaños, o pueden basarse en agrupaciones artificiales
como áreas geográficas o unidades administrativas. Esto resulta en una ventaja adicional en el sentido de que
Para lograr un cierto tamaño de muestra de unidades de estudio, se necesita un número menor de unidades de muestreo (es decir, conglomerados).
para ser visitado. Si, en cambio, las unidades de estudio se han seleccionado mediante un muestreo aleatorio simple, podría ser
requieren viajes extensos para acceder a todas las unidades de estudio. La selección aleatoria de los conglomerados como
Las unidades de muestreo se pueden realizar mediante muestreo aleatorio simple, sistemático o estratificado. Grupo
El muestreo supone que los elementos dentro de los conglomerados son heterogéneos (a diferencia del estratificado).
muestreo). Una desventaja del muestreo por conglomerados es que a menudo dará lugar a un mayor número de muestras.
variación, de acuerdo con el dicho de que “pájaros del mismo plumaje vuelan juntos”. Suponiendo que el
La población de origen consiste en vacas dentro de un distrito administrativo y la prevalencia de ganado bovino
Se debe medir la diarrea viral (BVD), en una enfermedad infecciosa como la BVD, la presencia de un
animal infectado dentro de una manada generalmente significa que también hay otros que están infectados, es decir, hay
84
existe dependencia con respecto al estado de infección entre los animales dentro de los rebaños. Por lo tanto, si un
Se ha seleccionado un número relativamente pequeño de rebaños (=grupos), examinando todas las vacas de los rebaños seleccionados.
Los rebaños no permitirán una representación adecuada de la variabilidad en el estado de infección por BVD a nivel animal.
en la población de origen y, de hecho, puede dar lugar a una subestimación de la variabilidad. Esto significa que
con datos recopilados sobre la base del muestreo por conglomerados, la varianza de los parámetros poblacionales estimados
está fuertemente influenciado por el número de conglomerados, y no tanto por el número de animales en el
grupo de estudio (es decir, la muestra). En tal situación, se requeriría un tamaño de muestra mayor para reducir
variación a niveles aceptables. Además, los cálculos del tamaño de la muestra y cualquier parámetro poblacional.
las estimaciones de precisión deben ajustarse según la dependencia dentro de los conglomerados.
Un ejemplo de aplicación del muestreo por conglomerados es un estudio en el que se mide la prevalencia de enfermedades respiratorias.
La enfermedad debe determinarse en cerdos destinados al sacrificio en una población asociada a un matadero concreto.
Los grupos en este caso podrían ser días de sacrificio en el matadero, donde en los días seleccionados al azar
días todos los cerdos que lleguen al matadero serían examinados para detectar la presencia de lesiones indicativas de
enfermedad respiratoria. La ventaja sería que el investigador sólo tendría que visitar el
matadero en un número relativamente pequeño de días. La desventaja es que los cerdos que llegan al matadero
probablemente llegarán en grupos de un conjunto relativamente pequeño de granjas y, por lo tanto, habrá algunos
dependencia dentro de estos grupos con respecto al riesgo de enfermedades respiratorias.
Muestreo multietapa
El muestreo multietápico amplía el muestreo por conglomerados mediante el uso de muestreo aleatorio en diferentes niveles jerárquicos.
niveles de agregación de las unidades de muestra. Se aplica frecuentemente como muestreo por conglomerados en dos etapas,
donde, por ejemplo, los rebaños se seleccionan aleatoriamente como unidades primarias de muestreo (UPM) y dentro de cada
De los rebaños seleccionados, los animales se seleccionan aleatoriamente como unidades secundarias de muestreo (UME). La clave
La ventaja del muestreo multietápico es que se puede utilizar si no se dispone de un marco muestral para
las unidades de muestra. Como ejemplo de muestreo por conglomerados en dos etapas, después de que las UPM, como los rebaños
han sido seleccionados al azar, un marco de muestreo para las UME, digamos las vacas lecheras dentro de cada
85
rebaño seleccionado, se puede establecer en las visitas al rebaño. Otra ventaja de las etapas múltiples en comparación con
El muestreo aleatorio simple consiste en que se puede determinar la relación entre el número de PSU y SSU.
teniendo en cuenta el costo y/o la variabilidad entre y dentro de las PSU. Si la fuente de alimentación interna
La variación es alta en relación con la variación entre PSU, se puede seleccionar un número menor de PSU y
más SSU dentro de cada PSU. Al mismo tiempo, el costo del viaje a las UPM puede controlarse mediante
disminuyendo su número. Una desventaja del muestreo multietápico es que es probable que se obtenga un tamaño de muestra mayor.
necesario para lograr la misma precisión que para el muestreo aleatorio simple. Además, más
Es necesario utilizar métodos de cálculo estadístico complejos para calcular el tamaño de las muestras y cuantificar
variación de las estimaciones de los parámetros.
Comparación de las principales estrategias de muestreo.
Los principales métodos de muestreo se comparan en la Tabla 71 con respecto a la población.
características y tipos de población para los cuales un enfoque particular es más útil. Para muchos
aplicaciones, se pueden combinar diferentes estrategias de muestreo para obtener el mejor efecto, como en el caso de
la estrategia de muestreo requerida según el proceso de declaración de la Oficina Internacional de Epizootias
de estar libre de infección por el virus de la peste bovina (Código Sanitario para los Animales Terrestres de la OIE, 2008,
Artículo 8.13.22). En este caso, primero hay que dividir el país en estratos según el riesgo de enfermedad, y luego
Se realizará un muestreo multietapa dentro de cada estrato. Al mismo tiempo, el muestreo aleatorio
deben llevarse a cabo en áreas de alto riesgo seleccionadas intencionalmente.
86
Tabla 71: Comparación de las principales estrategias de muestreo
Características Ejemplo Estrategia de

de la población muestreo
adecuada
homogéneo ganado en granja; muestreo para determinar la prevalencia de aleatoria simple
tuberculosis
estratos definidos, pero en una granja con 2 razas lecheras diferentes y con cantidades estratificado
homogéneos dentro de los similares de cada una; muestreo para determinar la

estratos producción de
estratos definidos, cada leche en una granja con 2 razas lecheras diferentes, pero con cantidades estratificado
estrato tiene muy diferentes de cada una; muestreo para determinar la proporcional
una proporción proporcional producción de leche

del número de miembros
en relación con el total
grupos con características laboratorios veterinarios en el país equipados según la grupo
similares, pero heterogéneos norma; amplia variación entre las muestras enviadas a cada
dentro del grupo sin marco uno; se tomaron muestras para determinar la proporción de
de muestras de tejido contaminado de ganado en la región;
muestreo para las unidades muestreo para determinar la prevalencia de la tuberculosis multietapa
de interés
Análisis de datos teniendo en cuenta la estrategia de muestreo.
Como se mencionó para los enfoques de muestreo presentados anteriormente, los métodos estándar de análisis estadístico
Supongamos que los datos a analizar se han recopilado mediante muestreo aleatorio simple. si esto fuera
no es el caso, es necesario hacer ajustes para obtener estimaciones insesgadas de la población.
parámetros. Los principales efectos a tener en cuenta son la estratificación, la agrupación y el uso de
pesos de muestreo. El efecto del diseño cuantifica el impacto de la estrategia de muestreo en la precisión
de las estimaciones poblacionales, y se calcula como la relación entre la varianza obtenida bajo un
estrategia de muestreo particular y la que se esperaría con el muestreo aleatorio simple. Adecuadamente
La estratificación aplicada debería dar como resultado un efecto de diseño inferior a 1, mientras que el muestreo por conglomerados
tener un efecto de diseño mayor que 1. En caso de estratificación no proporcional, las ponderaciones muestrales pueden
se han aplicado, en el sentido de que la probabilidad de que se seleccionen animales individuales varía entre estratos. En
En este caso, es necesario calcular la probabilidad de selección de un animal para cada estrato y luego
cada observación animal debe volver a ponderarse de acuerdo con la inversa del peso de la muestra
al calcular los parámetros generales de la población [ver Dohoo et al (2003) para más detalles]. si un
87
Si se ha utilizado un enfoque de muestreo estratificado, por conglomerados o de múltiples etapas, se han utilizado procedimientos matemáticos complejos.
Es necesario aplicar aplicaciones que requieren el uso de software informático especializado.
Varias estrategias de muestreo
Si bien los métodos analizados en detalle anteriormente se utilizan con mayor frecuencia en la investigación epidemiológica,
Hay varias otras técnicas que deben mencionarse. Varios de ellos han sido
desarrollados en ciencias sociales o investigaciones ecológicas, y generalmente requieren el uso de
ajustes de varianza matemáticamente complejos en el análisis de datos. La postestratificación es donde
La información sobre los estratos no había estado disponible antes del estudio, pero es uno de los
objetivos para obtener estimaciones precisas de los parámetros para cada estrato. Aquí, una muestra aleatoria simple tiene
a utilizar y los datos se estratifican para el análisis. El muestreo por cuotas se refiere a dónde se encuentra una población.
dividido en estratos, pero no se dispone de un marco muestral. La selección de unidades de muestra ocurre entonces hasta que se
La cuota predefinida se logra dentro de cada estrato. Con el muestreo adaptativo, el objetivo es maximizar
detección de unidades de interés con atributos raros que estarían ausentes o insuficientemente representados en el
muestra si se utilizó el muestreo aleatorio simple. El enfoque implica que la selección de muestras adicionales
unidades de muestra se redirige dependiendo de los atributos de las unidades de muestra ya seleccionadas (por ejemplo, estar en el
mismo barrio, haber tenido contacto, similitud genética). Como ejemplo, se podría realizar un estudio
Se lleva a cabo para identificar a los agricultores que comercializan un tipo particular de raza animal y caracterizar la red.
vinculándolos. En este caso, el investigador puede comenzar con varios agricultores conocidos y luego identificar
más miembros de la muestra preguntando a cada agricultor sobre sus contactos, a quienes luego se les preguntará
por sus contactos, etc. Este enfoque se llama muestreo de bola de nieve. Thompson y Collins
(2002) analizan otras aplicaciones de los diseños de muestreo adaptativos. Doble o bifásico
El muestreo se puede aplicar de diferentes maneras. Se puede utilizar una muestra aleatoria simple para informar a una
segunda fase de estudio con respecto a estratos relevantes o casos y controles. Alternativamente, un correo
Se puede realizar un estudio de cuestionario y los que no responden pueden convertirse en sujetos de la segunda.
fase del estudio. El muestreo de garantía de calidad de lotes (LQAS) se ha desarrollado en el contexto de
88
control de calidad industrial. Su principio es que se recoge un cierto tamaño de muestra de una población o
estrato, y si un número umbral de unidades muestreadas muestra una determinada característica (por ejemplo, explotaciones que
no vacunar), entonces se considera que la población o estrato no cumple con un criterio de decisión de calidad.
(por ejemplo, cobertura de vacunación adecuada). El muestreo de capturamarcarecaptura se desarrolló originalmente
para la investigación de poblaciones de animales salvajes. Se ha aplicado más recientemente en investigaciones epidemiológicas.
para obtener recuentos de población más precisos para poblaciones abiertas, e implica combinar datos
de diferentes fuentes de datos superpuestas. Thompson (2002) y Levy y Lemeshow (2008) proporcionan
información detallada sobre los enfoques de muestreo anteriores.
Cálculo del tamaño de la muestra
La decisión sobre el tamaño de muestra necesario es crucial para cualquier estudio epidemiológico. Los métodos para
El cálculo del tamaño de la muestra se puede agrupar en términos generales en aquellos para estudios que estiman una población.
parámetros como la prevalencia de la enfermedad o el peso corporal medio y aquellos destinados a describir los efectos
o diferencias dentro de una población. Hay varios factores a tener en cuenta a la hora de
definir el tamaño de la muestra. Estas son la variación esperada de la variable de interés en la población,
la precisión requerida, el nivel deseado de confianza, el efecto de diseño y para estudios analíticos
el poder estadístico. Como señalaron Rothman et al (2008c), los cálculos estadísticos del tamaño de la muestra
son sólo un componente de los factores a considerar al decidir el tamaño de un estudio. Otros son
los costos del estudio y los beneficios, a menudo no cuantificables, que potencialmente se obtendrán
de sus hallazgos.
La variación esperada se refiere a qué tan variable es el parámetro de interés en la población de origen.
La variabilidad de las proporciones se calcula como el producto de p * (1p), como se muestra en la Tabla 72. Usando
Como ejemplo de prevalencia, la variabilidad será mayor para valores de prevalencia de 0,5. Esto es porque
para este valor, existe la misma probabilidad de que las unidades de muestreo estén enfermas o no. si varios
Luego se toman muestras aleatorias del mismo tamaño de la misma población de origen, lo que dará como resultado
mayor variación entre las estimaciones de prevalencia que si la prevalencia hubiera sido un valor mayor o menor. Si
89
la prevalencia es baja, hay muy pocos animales enfermos en la población de origen para que haya grandes
variación entre estimaciones muestrales. La varianza esperada de los parámetros de escala continua como
El peso corporal es más fácil de definir cuando se piensa en términos de desviación estándar. Esto significa que si uno puede
estimar el rango dentro del cual el 95% de los valores estarán alrededor de la media, esto representaría 4
desviaciones estandar. Se puede calcular una estimación aproximada de la varianza dividiendo el rango por 4.
y elevar al cuadrado el valor resultante.
Tabla 72: Cálculo de variabilidad para proporciones
pag p*(1p)
0,9 0,09
0,7 0,21
0,5 0,25
0.3 0,21
0.1 0,09
El rango de precisión deseado de la estimación indica hasta qué punto la estimación obtenida de la muestra
puede ser del valor real en la población de origen. Su valor debe basarse en la decisión de que
estará influenciado por la estimación obtenida del estudio. Por ejemplo, si uno espera que la enfermedad
prevalencia es del 30% en la población de interés, la probabilidad de que la estimación obtenida de un
una muestra de esa población cercana a ese valor aumentará con el tamaño de la muestra. En este caso,
Puede que no importe si la estimación de la muestra tiene algún valor entre 25 y 35%, pero si fue 20 o
40% daría lugar a decisiones diferentes con respecto, por ejemplo, al sacrificio de animales o a la implementación
de un programa de vacunación. En ese caso, se necesitaría una precisión del 5%. Tenga en cuenta que lo descrito
La lógica no implica probar una hipótesis específica.
El nivel de confianza generalmente se establece en 95% y describe qué tan seguros queremos estar de que el
El intervalo de confianza calculado para la estimación de la muestra incluye el valor real. Se puede utilizar para
parámetros únicos, como la prevalencia, así como la comparación entre estimaciones de valor para diferentes
niveles de un factor de riesgo, como una comparación de la prevalencia de enfermedades entre dos razas de gatos.
90
El poder de una prueba estadística se refiere a la probabilidad de que una diferencia estadísticamente significativa de un
determinada magnitud será detectada, bajo el supuesto de que efectivamente existe. Una potencia del 80% es
se utiliza con frecuencia, lo que significa que el estudio tiene un 80% de posibilidades de detectar una diferencia de al menos
magnitud tan grande como la supuesta.
El efecto del diseño cuantifica el efecto de la estrategia de muestreo sobre la variabilidad de los datos. Es
calcula como la relación entre la varianza obtenida utilizando una estrategia de muestreo particular y la
varianza que se habría obtenido mediante un muestreo aleatorio simple. Expresa lo requerido
cambio en el tamaño de la muestra cuando se utilizan enfoques de muestreo estratificados o por conglomerados. El principio básico es
que cuantos más animales similares haya dentro de un grupo y mayor será el número de animales de cada grupo
cluster, mayor será el valor numérico del efecto de diseño. Está influenciado por el tamaño de la muestra.
dentro de los grupos y el coeficiente de correlación intragrupo que cuantifica la homogeneidad dentro de los grupos.
racimos.
Tamaño de muestra para determinar parámetros poblacionales.
Estimación del nivel de aparición de enfermedades.
Si el objetivo es estimar proporciones como la prevalencia de la enfermedad o el riesgo de incidencia, se tendrá en cuenta lo siguiente
se requiere información. Primero, una estimación de la probable proporción de animales con la enfermedad.
Se debe obtener (P) , que proporciona una estimación de la variación esperada. Si no se sabe
Se puede utilizar P=0,5 ya que esto proporciona el tamaño de muestra más grande (consulte la Tabla 72 anterior). Entonces, el nivel de
Se debe decidir la precisión L deseada . Generalmente se especifica como el número de puntos porcentuales.
alrededor de la estimación esperada (precisión absoluta) en lugar de como un porcentaje del valor esperado
(precisión relativa). Finalmente, se debe tomar una decisión sobre el nivel de confianza deseado. El
La elección suele estar entre 0,9, 0,95 y 0,99, aunque normalmente se utiliza 0,95. Si las estrategias de muestreo
Además del muestreo aleatorio simple, se debe utilizar un parámetro de efecto de diseño para ajustar
el tamaño de la muestra para el diseño muestral. En el caso del muestreo estratificado, la varianza normalmente tiene que ser
91
ajustarse hacia abajo y con el muestreo por conglomerados o por etapas, la varianza debe ajustarse
hacia arriba utilizando el efecto de diseño como multiplicador de los tamaños de muestra estimados.
Suponiendo un tamaño de población infinito, la fórmula para calcular el tamaño de muestra requerido n es
presentado en la Ecuación 7.1. Para poder utilizarlo, los parámetros de varianza [=p(1p)] y precisión
(=L) deben proporcionarse como se analizó anteriormente (tenga en cuenta que ambos deben escalarse como proporciones y no
como porcentajes). El valor de Z refleja el nivel de confianza deseado y los valores de 1,65, 1,96 y
2,58 representan niveles de confianza del 90%, 95% y 99%, respectivamente. Si el tamaño de la muestra n es mayor
superior al 10% del tamaño de la población de origen, utilice la Ecuación 7.2 para obtener el tamaño de muestra n'.
2p(1−p)
= L2
Ecuación 7.1
Dónde:
L = precisión deseada
p = proporción esperada
1
′ = Ecuación 7.2
1 n+1 N
Dónde:
n' = tamaño de muestra ajustado
n= muestra para población infinita
N = tamaño de la población
El siguiente ejemplo demuestra el uso de las ecuaciones anteriores. Se le ha pedido a un investigador
determinar la proporción de gatos en una población asociada con una práctica veterinaria que
Los rendimientos son serológicamente positivos para la infección por el virus de la leucemia felina (FeLV). el deseado
La precisión absoluta es de +/ 5% y la prevalencia observada en poblaciones de gatos similares ha sido
reportado es del 10%. Aplicando la ecuación 7.1 se indica que alrededor de 138 gatos tendrán que ser
92
Se tomaron muestras para determinar la proporción de gatos positivos para FeLV en el grupo de gatos de la práctica veterinaria.
población (ver ecuación a continuación).
n=1,962* 0,1* (10,1) = 138

0.052
Si la población total en la práctica es de 500 gatos, entonces es necesario realizar una corrección para poblaciones finitas.
aplicado, ya que la muestra involucrará a más del 10% de la población total. Basado en la ecuación
7.2, el tamaño de muestra corregido es de 108 animales.
Si bien es útil comprender los principios detrás de estos cálculos, los tamaños de muestra requeridos
También se puede obtener de tablas o software informático epidemiológico especializado como OpenEpi.
(www.openepi.org) o WinEpiscope (www.clive.ed.ac.uk/winepiscope). La tabla 73 muestra la
tamaños de muestra para diferentes prevalencias y rangos de precisión absoluta con un nivel de confianza del 95%. como un
Por ejemplo, para estimar la prevalencia de una enfermedad en una población grande dentro de +/ 5% al 95%.
nivel de confianza para una prevalencia esperada del 20%, es necesario examinar una muestra aleatoria de
246 animales.
Tabla 73: Tamaño de la muestra para estimar el nivel de aparición de la enfermedad con un nivel de confianza del 95%
suponiendo un tamaño de población infinito
Precisión deseada
Esperado 10% 5% 1%
predominio
10% 35 138 3457
20% 61 246 6147
40% 92 369 9220
60% 92 369 9220

80% 61 246 6147
Los cálculos anteriores suponen que la sensibilidad y la especificidad del diagnóstico de la enfermedad son ambas.
100%. Jordan y McEwen (1998), Wagner y Salman (2004) y Humphry et al (2004) analizan
enfoques para abordar la incertidumbre de la prueba en los cálculos del tamaño de la muestra.
93
Detectar enfermedades en una población.
Durante las investigaciones de brotes, programas de control/erradicación de enfermedades o si es necesario realizar pruebas a todo el rebaño.
Demasiado caro, el objetivo suele ser determinar la presencia o ausencia de la enfermedad. Lo básico
concepto es que si una enfermedad particular está presente en una población, generalmente es posible hacer
suposiciones sobre el nivel mínimo probable de prevalencia de la enfermedad, basadas en la experiencia de otros
poblaciones infectadas o principios epidemiológicos básicos. Por ejemplo, para una enfermedad como el pie
fiebre aftosa, es poco probable que menos del 5% de los animales se infecten en un rebaño mantenido como
una sola turba y no está vacunado (de hecho, el número probablemente sea mayor). Basado en esto
supuesto, se puede calcular un tamaño de muestra que tenga una cierta probabilidad de detectar al menos uno de
los animales infectados en dicha población. Las ecuaciones 7.3 y 7.4 muestran las fórmulas para valores finitos.
(< 1000 animales) y tamaños de población infinitos, respectivamente. Tenga en cuenta que estas fórmulas suponen que
La especificidad y la sensibilidad de la prueba de diagnóstico son ambas del 100%. El caso de menos del 100% de especificidad es
A menudo no se considera un problema tan grande como la falta de sensibilidad, ya que cualquier falso positivo
se identificaría durante el examen de seguimiento. Se puede tener en cuenta una sensibilidad inferior al 100 %.
cuenta utilizando el valor de sensibilidad para ajustar la prevalencia esperada. Como ejemplo, si el
la sensibilidad de la prueba diagnóstica es del 80%, sólo se detectará el 80% de los casos prevalentes, y
por lo tanto, el cálculo del tamaño de la muestra debe adaptarse a un valor de prevalencia detectable que sea 0,8
de la prevalencia esperada.
−1
= 1−()1 ) − Ecuación 7.3
2
)
Dónde:
α = 1 nivel de confianza (como proporción)
D = número de enfermos (tamaño de la población * prevalencia mínima)
94
= ln ∕ln(1 − ) Ecuación 7.4
Dónde:
α = 1 nivel de confianza (como proporción)
p = prevalencia mínima esperada
Para simplificar el proceso como se mencionó anteriormente, programas de computadora o una tabla como la que se muestra en la Tabla
74 se pueden utilizar para realizar estos cálculos. La interpretación del tamaño de la muestra obtenida de
esta tabla es que si ningún animal en la muestra da un resultado positivo en la prueba, puede asumir con un 95%
Nivel de confianza de que la enfermedad no está presente en la población.
Tabla 74: Tamaño de muestra para estimar el tamaño de muestra para detectar la presencia de enfermedad al 95%
nivel de confianza
Población Prevalencia mínima esperada

tamaño 0,1% 1% 2% 5% 10% 20%
10 10 10 10 10 10 50 50 48 35 22 100 8
50 96 78 45 25 500 225 129 56 28 12
100 950 258 138 57 29 2588 294 148 13
500 59 29 2995 299 149 59 29 14
1000 14
10000 14
infinito 14
Número máximo de animales enfermos en una población dado que todos los animales de la muestra son negativos
Puede ser pertinente determinar cuántos animales enfermos podría haber en una fuente particular.
población, a pesar de que todos los animales de una muestra de esa población hayan dado negativo. El
El cálculo que se muestra en la Ecuación 7.5 es similar al método descrito anteriormente, al igual que las cuestiones
asociado con menos del 100% de sensibilidad de la prueba. Permitirá estimar el máximo de enfermos
animales D en una población fuente de tamaño N con un 95% de confianza, dado que todos los animales en una muestra de
el tamaño n es negativo. Figura 7: demuestra qué tan probable es con fracciones de muestreo relativamente pequeñas
de aproximadamente 15% para diagnosticar erróneamente a una población infectada como no enferma.
95
−1
1 = 1 − (1 − ) ) − ) Ecuación 7.5
2
Dónde:
p = prevalencia esperada
D = número de enfermos en la población
25
20
p=0,01
15 p=0,05
care
nsóoim N
na
lb.foo el
p
p=0,1
10
0
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Tamaño de la muestra
Figura 72: Relación entre el tamaño de la muestra (todos negativos) y el número superior de enfermos
animales en la población de origen para diferentes niveles de prevalencia p (suponiendo un 95% de confianza
nivel y una población fuente de tamaño N = 1000 animales)
Probabilidad de no detectar enfermedad.
El estado de la enfermedad de una población grande puede evaluarse mediante pruebas repetidas de grupos de muestra.
de animales. En este caso, sería útil cuantificar la probabilidad de falla para detectar cualquier
positivos en una muestra de esa población. El supuesto de la Ecuación 7.6 es que el tamaño de la población
es infinita y que se dispone de datos sobre la prevalencia máxima esperada p y el tamaño de la muestra.
La tabla 75 muestra la probabilidad resultante de no detectar la enfermedad en una muestra determinada durante varios
96
combinaciones de prevalencia esperada y tamaño de muestra. Como ejemplo, si uno importara grupos
de 5 animales de una población con una prevalencia de enfermedad del 10%, el 59% de los grupos de muestra no
incluir animales infectados y, por lo tanto, puede llevar a la conclusión falsa de que la fuente
La población no está infectada.
= (1 ) Ecuación 7.6
Dónde:
p = prevalencia máxima esperada
D = número de enfermos en la población
Tabla 75: Probabilidad de que se pierda una enfermedad dados diferentes tamaños de muestra de un número infinito
población
Prevalencia Tamaño de la muestra
esperada 5 10 50 100 500 1000

1% 0.95 0.90 0.61 0.37 0.01 0.00 2% 0.90 0.82
0.36 0.13 0.00 5% 0.77 0.60 0.08 0.01
10% 0.59 0.35 0.01 20% 0.33 0.11
0.00 0.00 0.00
Estimación de parámetros poblacionales de tipo continuo.
El cálculo del tamaño de la muestra para la estimación de un parámetro poblacional de tipo continuo utiliza el
Misma fórmula que para la estimación del nivel de ocurrencia de la enfermedad, excepto que la varianza se calcula.
de manera diferente (ver Ecuación 7.7). Además, se supone que el parámetro de interés es normalmente
repartido.
97
2p _
2
= Ecuación 7.7
L2
Dónde:
Z= valor Z que refleja el nivel de confianza deseado
σ = desviación estándar
L = precisión deseada
Como ejemplo, supongamos que un investigador quisiera estimar el promedio diario de producción de leche.
Producción en un rebaño de vacas lecheras. La precisión deseada se ha fijado en 1 kg y una confianza del 95 %.
Se utilizará el nivel, lo que significa que Z=1,96. La varianza probable se puede estimar utilizando el enfoque
descrito en la sección anterior. Suponiendo que la expectativa es que alrededor del 95% de los animales serán
dentro de 3 kg a cada lado del promedio, este valor representa aproximadamente dos desviaciones estándar, de modo que
una desviación estándar se convierte en aproximadamente 1,5 kg. Usando la fórmula presentada en la Ecuación 7.7,
el tamaño de muestra recomendado sería de unos 9 animales (ver más abajo).
norte = 1,962 * (1,52 / 0,52 ) = 8,6
Tamaño de muestra para estimación del efecto.
Los cálculos del tamaño de la muestra para la estimación de los efectos pueden basarse en hipótesis estadísticas
prueba o estimación. Los enfoques descritos aquí utilizan pruebas de hipótesis estadísticas y
por lo tanto implican la especificación del poder estadístico. Los enfoques basados en la estimación o en la precisión son
presentado en Dohoo et al (2003).
Detectar una diferencia estadísticamente significativa entre proporciones.
Si se compara la proporción de animales infectados por una enfermedad (= prevalencia) entre dos zonas de riesgo
niveles de factor (expuestos y no expuestos), el tamaño de muestra necesario se puede calcular utilizando
Ecuación 7.8. Se requieren datos sobre las proporciones esperadas, así como una decisión en relación con
98
nivel de confianza apropiado, típicamente 95% (p <= 0,05), lo que da como resultado un Zα de 1,96 para un análisis de dos colas.
prueba. El valor de Zβ será 0,84, lo que representa un poder estadístico del 80 % para una prueba de una cola.
2
( 2 )− ( 1 1+ 2 2
=
( − )2 Ecuación 7.8
1 2
Dónde:
n = tamaño de la muestra (por grupo)
Zα = valor z para el nivel de confianza
Zβ = valor z para poder estadístico
p = proporción de datos agrupados
q = 1p
pi = proporción estimada en el grupo i
qi = 1pi
La magnitud de los tamaños de muestra cuando se pretende comparar proporciones puede ser sorprendentemente alta. Como
Por ejemplo, el efecto de un tratamiento sobre la probabilidad de concepción en el primer servicio se probará en lecherías.
vacas usando una prueba de dos colas. Esto último implica, a diferencia de una prueba de una cola, que diferencias mayores
así como más pequeños que en el grupo no tratado. La proporción supuesta en
animales sin tratamiento es 0,4, el nivel de confianza deseado 95% (p <= 0,05) y el estadístico
potencia 80%. Usando la Ecuación 7.8, se requeriría un tamaño de muestra de 1513 animales por grupo para
detectar una diferencia de 0,05 en la probabilidad de concepción. Si se hubieran obtenido proporciones de 0,1 y 0,15
En comparación, sólo se necesitarían 684 animales por grupo.
Detectar una diferencia estadísticamente significativa entre variables de escala continua
El objetivo de un estudio puede ser evaluar el impacto de un tratamiento en la producción de leche en el sector lechero.
vacas. En este caso, los datos recopilados en el estudio se pueden utilizar para generar dos probabilidades.
distribuciones, una que describe la producción de leche en animales tratados y la otra en animales no tratados. El
La pregunta ahora es si las distribuciones son diferentes, y esto generalmente se determina comparando
sus valores medios, teniendo en cuenta cualquier superposición entre las dos distribuciones. Este proceso
99
Implica una prueba de hipótesis estadística, siendo la hipótesis nula que no hay diferencia en la
valores medios de los dos grupos. Para utilizar la ecuación 7.9, es necesario decidir un nivel de confianza, como
mencionado anteriormente típicamente 95% (p <= 0,05), lo que da como resultado un Zα de 1,96 para una prueba de dos colas. El valor
para Zβ será 0,84, lo que representa un poder estadístico del 80% para una prueba de una cola. Una estimación de la
desviación estándar del parámetro de interés, y también de la diferencia entre las medias de los
Se requieren dos grupos.
−
2 2
=2 ( 12 )2
Ecuación 7.9
Dónde:
n = tamaño de la muestra (por grupo)
Zα = valor z para el nivel de confianza
Zβ = valor z para poder estadístico
σ = desviación estándar estimada en la población
= media estimada para el grupo i µi
Teniendo en cuenta el clustering y el análisis multivariable
Los estudios realizados en poblaciones animales a menudo implican mediciones al nivel de la unidad de
interés, como una vaca individual o algún agregado de estos animales, como un rebaño. La cuestión
aquí es que es probable que los animales dentro de estos agregados sean más similares entre sí con
respecto a estas medidas que a animales de otros agregados. Esto también significa que el
El número de agregados (por ejemplo, rebaños) elegidos puede ser más influyente que el número de animales.
dentro de cada agregado. Los métodos de cálculo del tamaño de muestra estándar suponen independencia de todos
unidades de muestreo entre sí y, por lo tanto, subestimarían el tamaño de muestra requerido cuando
utilizando muestreo por conglomerados. Como se discutió anteriormente, el efecto de diseño expresa la relación entre
la varianza en un estudio de este tipo que involucra muestreo por conglomerados y cuál habría sido en condiciones simples
muestreo aleatorio. Se puede calcular un tamaño de muestra ajustado utilizando la fórmula de Dohoo et al.
(2003) mostrado en la Ecuación 7.10, que requiere información sobre la dependencia dentro de los agregados
100
cuantificado utilizando el coeficiente de correlación intragrupo (o intraclase) y el tamaño promedio de la muestra
dentro de los conglomerados.
′
= (1 + (1)) Ecuación 7.10
Dónde:
n' = tamaño de muestra ajustado por agrupamiento
n = tamaño de muestra original suponiendo un muestreo aleatorio simple
ρ = coeficiente de correlación intragrupo o intraclase
m = número promedio de animales por agregado (por ejemplo, rebaño)
Tenga en cuenta que la ecuación anterior supone que los factores de riesgo están agrupados a nivel agregado (por ejemplo,
operación de lácteos versus operación de carne), lo que de hecho representaría un alto grado de agrupación. Pero hay
También pueden ser factores a nivel animal que están agrupados, como algunas granjas pueden tener un mayor
proporción de una raza particular que otras. En este caso, es probable que haya un menor grado de
agrupamiento, y el ajuste del tamaño de la muestra descrito en la Ecuación 7.10 puede ser demasiado extremo. El
El investigador tendrá que usar su criterio con respecto a la cantidad requerida de tamaño de muestra.
ajuste, aunque en caso de duda podrían optar por la estimación conservadora obtenida a partir de
Ecuación 7.10.
Los estudios epidemiológicos suelen tener como objetivo investigar relaciones causaefecto multifactoriales.
Como consecuencia, se verán afectados en distinta medida por la presencia de sesgos de confusión y
potencialmente por relaciones de interacción en los datos. Esto también requerirá un aumento en el tamaño de la muestra,
y Dohoo et al (2003) recomiendan un aumento del 15% para los factores de confusión moderadamente fuertes que
tener un odds ratio de entre 0,5 y 2 con el resultado y la exposición. Se pueden hacer más cálculos
encontrado en Dohoo et al (2003).
101
8. Interpretación de pruebas de diagnóstico
• Definir y diferenciar los conceptos de sensibilidad y especificidad.
• Evaluar una prueba en términos de su sensibilidad, especificidad y clasificación errónea general.
• Calcular el valor predictivo y explicar cómo el valor predictivo está determinado por la sensibilidad.
la especificidad y la prevalencia de la condición que se está evaluando.
• Comprender el concepto de razones de verosimilitud.
• Interpretar curvas ROC.
• Comprender el uso y las implicaciones de las pruebas múltiples.
Introducción
La capacidad de diagnosticar enfermedades es una de las herramientas de apoyo a las decisiones más importantes que tiene un
veterinario tiene disponible. El resultado del proceso de diagnóstico es un diagnóstico que indica
si un animal se considera normal o no normal. Esto podría estar relacionado con una enfermedad o infección.
así como al desempeño productivo o la calidad de vida desde una perspectiva de bienestar animal. En
En este capítulo asumiremos, para facilitar la comunicación, que el diagnóstico se refiere a una enfermedad. A
El diagnóstico casi siempre está asociado con cierto grado de incertidumbre y, por lo tanto, el diagnóstico
El resultado tiene que ser la probabilidad de que el animal tenga una enfermedad particular. El diagnóstico informará
una decisión que puede ser sobre si tratar o no hacer nada, evaluar más a fondo, esperar o en
en algunos casos si se debe realizar la eutanasia. Las herramientas que utiliza el veterinario además del diagnóstico
La evaluación para llegar a un diagnóstico incluye conocimiento factual, experiencia e intuición (ver Figura
81). Si bien la mayoría de estas herramientas no se prestan al análisis cuantitativo, todas las pruebas de diagnóstico
tendrá características cuantitativas de rendimiento diagnóstico y estas se pueden combinar utilizando
Lógica bayesiana con probabilidades de enfermedad, como la prevalencia poblacional, para calcular la enfermedad.
102
probabilidad. El objetivo del diagnosticador es combinar las herramientas de diagnóstico para que la probabilidad
Se maximiza la posibilidad de un diagnóstico correcto, es decir, se minimiza la incertidumbre asociada al diagnóstico.
La evaluación diagnóstica incluye la anamnesis, el examen físico, el diagnóstico por imágenes, así como
así como cualquier prueba diagnóstica realizada en el laboratorio. Los principios discutidos en este capítulo.
Se aplican a cualquiera de los hallazgos derivados de la valoración diagnóstica, no sólo a las pruebas de laboratorio.
Figura 81: Factores que influyen en el proceso de razonamiento diagnóstico
Pruebas de diagnóstico
Una prueba de diagnóstico es un método más o menos objetivo para reducir la incertidumbre diagnóstica, y
Incluye todas las herramientas que se utilizan durante la evaluación diagnóstica. Como la decisión consiguiente es
típicamente dicotómico (por ejemplo, tratar o no), el resultado del proceso de diagnóstico a menudo también es
interpretada como una variable dicotómica, como por ejemplo si el animal tiene una determinada enfermedad o no. El
La unidad de medida de la propia herramienta de diagnóstico ya puede ser dicotómica, como la presencia o
ausencia de bacterias, facilitando así significativamente la interpretación. Muchas pruebas de diagnóstico utilizan
marcadores biológicos, como niveles de anticuerpos séricos o bioquímica sanguínea, y más recientemente
Se han añadido métodos moleculares y genéticos. Si la herramienta de diagnóstico genera escala continua
103
medidas, como los niveles de anticuerpos séricos o el recuento de células somáticas, se debe determinar un valor de corte
de modo que el resultado pueda interpretarse en una escala dicotómica. Para una clínica a escala continua
medición, cualquier punto de corte probablemente dé como resultado una superposición entre animales sanos y enfermos
(ver Figura 82). Las consecuencias de esta situación son que la incertidumbre además de cualquier otra
Se están introduciendo fuentes potenciales de error de medición (como el error del operador). Es deseable
cuantificar esta relación entre el resultado de la prueba de diagnóstico y el estado "verdadero" de la enfermedad para que el médico
puede tener en cuenta esta incertidumbre al interpretar los resultados de las pruebas.
Figura 82: Resultado de la prueba medido en escala continua
El rendimiento de un método de diagnóstico a menudo se resume utilizando los tres términos siguientes. El
La precisión se refiere a la cercanía entre el resultado de la prueba y el estado clínico "verdadero". La clasificación errónea
El sesgo es una medida de la desviación sistemática del estado "verdadero" de la enfermedad. La precisión o
La repetibilidad representa el grado de fluctuación de los resultados obtenidos mediante pruebas repetidas de
la misma muestra biológica. Tal variabilidad puede ser el resultado de una mala adherencia a los protocolos de prueba.
dentro o entre laboratorios. Cualquier evaluación de las pruebas de diagnóstico necesita una medida de lo “verdadero”
condición de los animales que generalmente se denomina prueba de referencia o estándar de oro. Pero es importante
Nos damos cuenta de que la mayoría de las veces es imposible definir con un 100% de precisión cuál es el verdadero diagnóstico.
104
debiera ser. Además, también puede haber desacuerdos entre expertos, como por ejemplo en el
caso de mastitis donde la presencia del patógeno particular o la presencia de un proceso inflamatorio
La respuesta en la ubre podría definirse como el estándar de oro. La Tabla 81 muestra la estructura y
Notación para la tabla de 2 por 2 que se utilizará en este capítulo para los análisis relacionados con las pruebas de diagnóstico.
evaluación e interpretación.
Tabla 81: Presentación de datos como tabla de 2 por 2 para la evaluación de pruebas de diagnóstico
Prueba de diagnóstico
resultado
Estado de la enfermedad Positivo Negativo Total
Enfermedad a b m1
Ninguna enfermedad C d para
Total n1 n0 norte
Evaluación de pruebas diagnósticas.
Para evaluar una prueba diagnóstica o comparar varias pruebas diferentes, es necesario aplicar las pruebas
así como el gold estándar o prueba de referencia a una muestra de animales de una población con un patrón típico
espectro de enfermedades. El diagnosticador debe ser consciente de que los resultados de tales evaluaciones pueden diferir
entre poblaciones, como resultado de diferencias en la gravedad o el estadio de la enfermedad a nivel poblacional.
Esto es de particular relevancia cuando las evaluaciones se realizaron en condiciones experimentales. Él
También es importante reconocer que tales comparaciones suponen que el patrón oro es una opción más
prueba más precisa que las pruebas que se incluyen en la evaluación. Esto significa que una prueba que es
En realidad, una información precisa podría parecer que no funciona bien si se evalúa utilizando un estándar de oro imperfecto. En
En tales situaciones, puede ser preferible comparar diferentes métodos sin que uno de ellos sea
interpretado como el patrón oro. En cambio, se evaluaría el acuerdo entre ambos diagnósticos.
métodos. Los métodos descritos aquí sólo se aplican a resultados cualitativos, es decir, resultados positivos o
negativo y enfermo o no enfermo. Métodos para evaluar la concordancia entre diagnóstico.
105
Los métodos medidos en una escala cuantitativa se describen en Nielsen et al (2004) y Dohoo et al.
(2003).
Los estudios para evaluar pruebas de diagnóstico utilizan diferentes enfoques para seleccionar pacientes enfermos y no.
animales enfermos, que impactan en la validez de las inferencias en relación con el desempeño de la prueba. El
Las opciones incluyen aplicar tanto el estándar de oro como la prueba a evaluar a todos los animales seleccionados.
de una población, o aplicar la prueba estándar de oro solo a una muestra de pruebas positivas y negativas.
animales. Dohoo et al (2003) y Kraemer (1992) proporcionan discusiones detalladas de los diversos
enfoques.
Comparación con un patrón oro
Las características del evaluado con respecto a la prueba estándar de oro se cuantifican a través de
sensibilidad y especificidad. La sensibilidad (Se) se relaciona con los animales que padecen la enfermedad, y entre
estos expresa la proporción de animales que tienen una prueba positiva (ver Ecuación 8.1). En otra
En otras palabras, es la capacidad de la prueba evaluada para identificar correctamente a los animales enfermos y por lo tanto da
una indicación de cuántos resultados falsos negativos se pueden esperar. Tenga en cuenta que esta evaluación se trata de
sensibilidad diagnóstica y no analítica. Este último concepto se utiliza en situaciones de laboratorio para expresar
la capacidad de una prueba para detectar bajas concentraciones de compuestos químicos.
=
Ecuación 8.1
1
Dónde:
Se = sensibilidad de la prueba
a = animales que dan positivo y están enfermos (ver Tabla 81)
m1= animales que están enfermos (ver Tabla 81)
La especificidad (Sp), por otro lado, se refiere a animales sin la enfermedad, y entre ellos
expresa la proporción de animales que dan negativo (ver Ecuación 8.2). Representa la capacidad
de una prueba de diagnóstico para identificar correctamente los animales no enfermos y da una indicación de cuántos
106
Se pueden esperar resultados falsos positivos. La especificidad diagnóstica difiere de la especificidad analítica en que
este último se refiere a la capacidad de las pruebas de laboratorio para distinguir entre diferentes compuestos.
=
Ecuación 8.2
0
Dónde:
Sp = especificidad de la prueba
d = animales con pruebas negativas y no enfermos (ver Tabla 81)
m0= animales que no están enfermos (ver Tabla 81)
La sensibilidad y la especificidad diagnóstica están inversamente relacionadas y, en el caso de los resultados de las pruebas, se miden
en una escala continua, se puede influir en ellos cambiando el valor de corte. Al hacerlo, un aumento
La sensibilidad generalmente resultará en una disminución de la especificidad y viceversa. El corte óptimo
El valor depende de la estrategia diagnóstica. Si el objetivo principal es encontrar animales enfermos,
lo que significa que los falsos negativos deben minimizarse (= descartar enfermedad) y un número limitado de falsos
positivos son aceptables, se requiere una prueba con alta sensibilidad y buena especificidad. Una prueba de alto
La sensibilidad permitirá al diagnosticador tener una alta confianza en un resultado negativo. Pero algo positivo
El resultado no será tan confiable y, por lo tanto, es posible que cualquier resultado positivo deba ser examinado por otros.
pruebas de diagnóstico. Por ejemplo, las pruebas de diagnóstico de la rabia deben tener una alta sensibilidad, ya que
Las consecuencias de resultados falsos negativos pueden ser muy graves. Por el contrario, la prueba diagnóstica debe
tener una alta especificidad y buena sensibilidad si el objetivo es garantizar que cada prueba positiva sea
"verdaderamente" enfermo, lo que significa que los falsos positivos deben minimizarse, mientras que una cantidad limitada de falsos positivos
los negativos pueden ser aceptables. Estas pruebas deben utilizarse si los resultados falsos positivos tienen consecuencias importantes.
consecuencias, por ejemplo de carácter económico o de bienestar, para el animal o su dueño. como un
Por ejemplo, a los agricultores no se les permitirá vender su ganado durante un período tan pronto como al menos uno de sus
Los animales han mostrado una reacción positiva a la prueba de tuberculina. Si luego resulta que estos animales eran
falsos positivos, un agricultor puede haber incurrido en pérdidas económicas debido a la imposibilidad de comercializar ganado.
107
Acuerdo
Con frecuencia, en la evaluación de pruebas diagnósticas no se dispone de un estándar de oro aceptable y puede ser necesario
Por lo tanto, es necesario evaluar la concordancia entre las pruebas, con, por ejemplo, una de las
Las pruebas son un método de diagnóstico generalmente aceptado. La prueba kappa es un método estadístico para
evaluar la concordancia entre métodos de diagnóstico medidos en una escala dicotómica. Mide
la proporción de acuerdo más allá de lo que se puede esperar por casualidad. La estadística va de 0 a 1.
con un valor kappa de aproximadamente 0,4 a 0,6 que indica un acuerdo moderado. Los valores kappa más altos son
interpretado como bueno y por debajo como mal acuerdo. La prueba kappa también se puede utilizar, por ejemplo, para
evaluar la concordancia entre diagnósticos clínicos basándose en imágenes radiográficas realizadas por los mismos
médico en exámenes repetidos de la misma imagen o entre diferentes médicos. Tabla 82
muestra cómo se deben presentar los datos para un análisis de concordancia entre dos pruebas de diagnóstico.
108
Tabla 82: Presentación de datos para el análisis de concordancia entre dos pruebas de diagnóstico
Prueba 2
Prueba 1 Positivo Negativo Total
Positivo a b a+b
Negativo C d c+d
Total a+c b+d norte
El cálculo del estadístico Kappa (ver Ecuación 8.5) requiere el cálculo de las variables observadas.
proporción de acuerdo (ver Ecuación 8.3) y la proporción esperada (ver Ecuación 8.4)
suponiendo un acuerdo casual.
(+)
=
Ecuación 8.3
Dónde:
OP = proporción observada de acuerdo
a = ambas pruebas son positivas (ver Tabla 82)
d = ambas pruebas son negativas (ver Tabla 82)
n = número total de muestras (ver Tabla 82)
(+) (+) (+) (+)

= + ∕ Ecuación 8.4
Dónde:
EP = proporción esperada de acuerdo
a = ambas pruebas son positivas (ver Tabla 82)
b = prueba 1 negativa y prueba 2 positiva (ver Tabla 82)
c = prueba 1 positiva y prueba 2 negativa (ver Tabla 82)
d = ambas pruebas son negativas (ver Tabla 82)
n = número total de muestras (ver Tabla 82)
109
= ( ) (1)
Ecuación 8.5
Dónde:
κ = estadística kappa
OP = proporción observada de acuerdo (ver Ecuación 8.3)
EP = proporción esperada de acuerdo (ver Ecuación 8.4)
El siguiente ejemplo de cálculo para la estadística kappa se deriva de datos de Reichel & Pfeiffer.
(2002) basado en la comparación de dos pruebas ELISA para el diagnóstico de infección por Neospora caninum en
ganado (ver Tabla 83).
Tabla 83: Datos para el análisis de concordancia entre dos pruebas ELISA para el diagnóstico de Neospora
infección canina en ganado
Elisa A.
positivo negativo
positivo 41 9 negativo 69
Elisa B.
187
41 + 187 =
= 0,75
306
(41 + 9) (41 + 69) (69 + 187) (9 + 187) = +

306 = 0,59
306 306
= (0,75 – 0,59) = 0,37 (1 –

0,59)
Utilizando los cálculos presentados anteriormente, se puede calcular un valor kappa de 0,37, lo que indica una mala
concordancia entre ambas pruebas. Tenga en cuenta que este análisis no permitirá inferencias en relación con falsas
clasificación, ya que ninguno de los dos métodos representa un estándar de oro. ELISA A también parece
diagnosticar muchos más positivos que ELISA B.
110
Realización e interpretación de pruebas a nivel de animal individual.
Se pueden utilizar valores predictivos para tener en cuenta las características de la prueba durante la decisión de diagnóstico.
proceso. Cuantifican la probabilidad de que el resultado de una prueba para un animal en particular identifique correctamente
la condición o enfermedad de interés. El valor predictivo de un resultado positivo de la prueba (PV+) expresa la
proporción de animales positivos que realmente tienen la enfermedad (ver Ecuación 8.6). Dado
Disponibilidad de datos sobre prevalencia real, valores de sensibilidad y especificidad de la prueba, se puede calcular PV+.
basado en el teorema de probabilidades condicionales de Bayes como se describe en la Ecuación 8.7.
+=
Ecuación 8.6
1
Dónde:
PV+ = valor predictivo de una prueba positiva
a = animales que dan positivo y están enfermos (ver Tabla 81)
n1 = animales que dan positivo en la prueba (ver Tabla 81)
+= Ecuación 8.7
+(1− ) (1− )
Dónde:
PV+ = valor predictivo de una prueba positiva
Prevtrue = prevalencia real de la enfermedad
El valor predictivo de un resultado negativo de la prueba (PV) representa la proporción de resultados negativos de la prueba.
animales que no tienen la enfermedad (ver Ecuación 8.8). Si la sensibilidad y especificidad del
Se conocen la prueba y la prevalencia real, el valor predictivo negativo se puede calcular utilizando
Ecuación 8.9.
111
−=
Ecuación 8.8
0
Dónde:
PV = valor predictivo de una prueba negativa
d = animales con pruebas negativas y no enfermos (ver Tabla 81)
n0= animales que dieron negativo en la prueba (ver Tabla 81)
−=
(1 )
Ecuación 8.9
(1 ) + (1 )
Dónde:
PV = valor predictivo de una prueba negativa
Es importante recordar que los valores predictivos se utilizan para la interpretación en cada animal individual.
nivel y no se puede utilizar para comparar pruebas, ya que dependen de la prevalencia, así como de la sensibilidad
y especificidad. De hecho, la prevalencia es probablemente más importante en términos prácticos debido a que es probable
variar sustancialmente entre poblaciones, mientras que la sensibilidad y la especificidad lo harán mucho menos,
si es que lo hacen. La combinación de las distintas probabilidades es difícil de realizar de forma intuitiva,
razón por la cual la importancia de la prevalencia a menudo se ignora al interpretar los resultados de las pruebas, y
en cambio, el enfoque intuitivo se centra únicamente en la sensibilidad o especificidad de la prueba. De hecho, la consecuencia de
esta relación de probabilidad condicional es que se podría argumentar que en presencia de baja
situaciones de prevalencia cualquier resultado positivo de la prueba debe interpretarse con mucho cuidado, ya que tendrá un
valor predictivo positivo bajo. La razón de este efecto es que hay muchos más animales sin
que con la enfermedad en la población, y por tanto los falsos positivos generados por menos de
Es probable que una especificidad del 100% represente una proporción mayor del total de pruebas positivas que las verdaderas.
positivos.
112
En el siguiente ejemplo se supone que la prueba tiene una sensibilidad del 95% y una especificidad del 90%, lo cual es
No es un conjunto inusual de características de prueba. Aplicar esta prueba en una población con un 30% de enfermedad
La prevalencia dará como resultado un valor predictivo para una prueba positiva del 80% y del 98% para una prueba negativa.
Si la prevalencia de la enfermedad es sólo del 3% y las características de la prueba siguen siendo las mismas, el valor predictivo de una
prueba positiva será del 23% y para prueba negativa del 99,8%. La cuestión clave aquí es la especificidad del 90%.
lo que producirá un 10% de falsos positivos entre los que no padecen la enfermedad. Por lo tanto, la
Cuanto mayor sea la proporción de animales sin la enfermedad (es decir, baja prevalencia), mayor será la
Proporción de falsos positivos entre los animales que dieron positivo. Para una prueba con 90% de sensibilidad y
80% de especificidad, la Figura 83 muestra que el valor predictivo positivo permanece por debajo del 40% para
niveles de prevalencia de hasta el 15%. Por otro lado, el valor predictivo negativo para la misma prueba sólo
cae por debajo del 95% una vez que la prevalencia aumenta por encima del 30%.
1.00
0,80
0,60
oe
ovitcrid larV
p
0,40
prueba positiva prueba negativa

0,20
0.00
0 0,05 0,15 0,25 0,35 0,45 0,55 0,65 0,75 0,85 0,95
Predominio
Figura 83: Relación entre prevalencia y valor predictivo para una prueba con 90%
sensibilidad y 80% de especificidad
Estimación de prevalencia y pruebas diagnósticas.
La verdadera prevalencia es la proporción de animales dentro de una población que padecen la enfermedad. En realidad,
Esta información es imposible de obtener, ya que la evaluación del estado de la enfermedad requiere el uso de un
113
método de diagnóstico. En cambio, como consecuencia de que las pruebas produzcan falsos negativos y falsos positivos,
sólo se puede calcular la proporción de animales de la población que dan un resultado positivo en la prueba,
lo que se llama prevalencia aparente. Su valor puede ser mayor, menor o igual al verdadero.
predominio. Se pueden obtener estimaciones de la prevalencia real ajustando la prevalencia aparente
teniendo en cuenta la sensibilidad y especificidad de la prueba como se muestra en la Ecuación 8.10.
= +(1)
Ecuación 8.10
+(1)
Dónde:
Prevapparent = prevalencia aparente de la enfermedad
En epidemiología clínica, los términos prevalencia previa, probabilidad previa, prevalencia previa a la prueba o prevalencia previa a la prueba.
probabilidad de prueba se utilizan en lugar de prevalencia verdadera para referirse a la probabilidad de que un animal tenga la
enfermedad antes de que se haya utilizado una prueba. Una vez aplicada una prueba, la prevalencia postprueba, postprueba
Se puede calcular la probabilidad o la probabilidad posterior (= prevalencia aparente).
Perspectiva clínica sobre la interpretación de las pruebas diagnósticas.
Al interpretar una prueba diagnóstica, el médico debe reconocer la importancia de la prevalencia o
probabilidad previa de enfermedad, además de la sensibilidad y especificidad. Como se analizó anteriormente, si el
La probabilidad previa es extremadamente pequeña, un resultado positivo de la prueba no es muy significativo y debe ser
seguido de una prueba muy específica . Por lo tanto, es importante que la probabilidad previa antes
Las pruebas se aumentan tanto como sea posible, teniendo en cuenta el riesgo de enfermedad de la población específica.
características y hallazgos clínicos. La siguiente secuencia de pasos describe cómo
Las probabilidades pueden incorporarse en la toma de decisiones diagnósticas (Gross, 1999). El principio básico
es que el resultado del proceso es un diagnóstico expresado como una probabilidad de que el animal tenga una
114
enfermedad particular que a su vez informará una acción particular que se debe tomar. Si es posible, el
El médico debe definir a priori los valores umbral de probabilidad para diferentes planes de acción. Cifra
84 muestra la probabilidad de enfermedad (es decir, el resultado del proceso de diagnóstico) como una barra horizontal
que representa el rango de posibles valores de probabilidad de 0 a 1. En este ejemplo hipotético,
Se decidió por motivos económicos y de bienestar implementar un tratamiento parasitario si la probabilidad
de enfermedad era al menos del 40%, y no hacer nada si está por debajo de ese valor. El propósito de
La prueba de diagnóstico ahora es determinar si para este animal la probabilidad de enfermedad es superior o
por debajo del umbral de acción. Para ello el primer parámetro a considerar es la probabilidad previa a la prueba. Este
El parámetro básicamente indica la probabilidad de que el animal tenga la enfermedad, en función de la
información que está disponible hasta el momento. La probabilidad previa a la prueba es el resultado de combinar varios
probabilidades, la primera de las cuales suele ser la prevalencia de la enfermedad particular en la población.
Luego, esa probabilidad se revisa teniendo en cuenta varios otros factores que se sabe que influyen en la
probabilidad de enfermedad. Estos pueden ser, por ejemplo, factores de riesgo específicos como la raza o la edad del
animal, o los hallazgos del examen clínico. La habilidad del clínico es combinar estos
hallazgos tales que se pueda producir una probabilidad previa a la prueba significativa. Si la probabilidad previa a la prueba es
ya está por encima del umbral de acción, puede que no sea necesario aplicar la prueba. Si ese no es el caso
(como en el ejemplo actual), la probabilidad previa a la prueba, la sensibilidad y la especificidad de la prueba deben ser
combinados para calcular valores predictivos positivos y negativos para los dos posibles resultados de la prueba
antes de aplicar la prueba. Si estos permanecen en el lado izquierdo del umbral de acción en la Figura 84,
No existe ninguna justificación para utilizar la prueba de diagnóstico. En el ejemplo actual, un resultado positivo representa
una probabilidad del 80% de que el animal tenga la enfermedad y por lo tanto estaría fuera de la acción
umbral, lo que justifica la aplicación de la prueba. Entonces, si la prueba es positiva, el animal
estar vacunado.
115
umbral
de acción
0 0,5 1
probabilidad
de enfermedad
prueba probabilidad prueba

negativa previa a la prueba positiva
Figura 84: Relación entre acción terapéutica y probabilidades diagnósticas
Métodos para elegir valores de corte
Los criterios para derivar valores de corte de herramientas de diagnóstico que miden cantidades en forma continua
escalas como las densidades ópticas de las pruebas ELISA pueden basarse en una variedad de métodos diferentes. El
La técnica más comúnmente aplicada solía ser el método de distribución gaussiana. esto tiene ahora
ha sido reemplazado en gran medida por el método de diagnóstico o valor predictivo que utiliza el receptor
curva característica de funcionamiento. La Figura 85 muestra un ejemplo de datos de una prueba ELISA para diagnóstico.
de la infección por Neospora caninum (Reichel y Pfeiffer, 2002). Demuestra la amplia superposición
entre la distribución de los valores de prueba para animales positivos y negativos del estándar de oro. En este caso,
un punto de corte de 0,15 maximiza la sensibilidad y la especificidad. Tenga en cuenta que el estándar de oro es otra prueba.
que en sí mismo no es 100% exacto.
116
Corte 0,15
Figura 85: Diagrama piramidal de distribución de valores para una prueba ELISA para el diagnóstico de Neospora
infección canina en ganado
El método de distribución gaussiana se puede utilizar para derivar un valor de corte utilizando únicamente los resultados de las pruebas de
una población libre de enfermedades. Implica primero producir un histograma para confirmar la forma gaussiana de
los datos y luego calcular la media y la desviación estándar de los resultados de la prueba. La parte superior y
Los límites inferiores de los resultados de la prueba se definen utilizando 2 desviaciones estándar de la media. Eso significa
El 95% de los valores en la población libre de enfermedad tendrán valores dentro de este intervalo. Los otros valores
sería clasificado como anormal. La ventaja del método de distribución gaussiano es que sólo
Se requieren datos de una población conocida libre de enfermedades. Sus desventajas incluyen que predefine el
especificidad en un valor del 97,5% ignorando la sensibilidad, y que puede tergiversar valores anormales
datos de valores de prueba distribuidos.
El método de diagnóstico o valor predictivo se considera el enfoque clínicamente más sólido. Con
En esta técnica, el punto de corte se selecciona de manera que produzca una sensibilidad y especificidad que sea
117
óptimo para una estrategia de diagnóstico particular. Esto se puede hacer utilizando la información contenida en un
Curva de característica operativa del receptor (ROC). La elección de un límite adecuado estará influenciada por
si el médico considera menos deseables los falsos positivos o negativos. Las ventajas
del método del valor predictivo incluyen que se puede aplicar a cualquier distribución estadística
característica de los valores de prueba. Utiliza datos clínicos realistas para el desarrollo del punto de corte.
valores e incluye información sobre la población enferma y no enferma. Mayoría
Más importante aún, permite al médico seleccionar un punto de corte que se adapte a objetivos de diagnóstico particulares. El
La desventaja del método es que requiere que un médico tenga una buena comprensión de este
método para poder elegir entre diferentes cortes.
La curva de característica operativa del receptor (ROC) mencionada en el contexto del valor predictivo
El método consiste en un gráfico xy de pares de valores de sensibilidad y proporción de falsos positivos (especificidad 1).
para diferentes valores de corte (ver Figura 86). Los cálculos necesarios para obtener estos pares de valores.
requieren datos sobre los valores de las pruebas y el estado sanitario real para un número suficientemente grande de animales. Para
Para cada valor de corte posible, los valores de prueba individuales de los animales se interpretan como positivos o
negativo, y se utiliza para calcular los valores de proporción de sensibilidad/falso positivo para el correspondiente
cortar. Esto produce una lista de pares de valores de proporción de sensibilidad/falso positivo, cada uno de los cuales representa
otro corte. Estos pares de valores luego se representan como puntos en un gráfico xy con proporción falsa.
positivos en el eje x y sensibilidad en el eje y. Luego se produce una curva ROC dibujando una
Línea que conecta los puntos en orden secuencial de cambio en el valor de corte. Desde el respectivo corte
Los valores generalmente no se muestran en el gráfico ROC, es importante tener en cuenta que existe una
valor de corte particular detrás de cada uno de los puntos de la curva. Una prueba diagnóstica perfecta debería tener
100% de sensibilidad y 0% de falsos positivos y, por lo tanto, llegan a la esquina superior izquierda del gráfico xy. A
La curva ROC diagonal (desde la esquina inferior izquierda hasta la esquina superior derecha) indica una prueba de diagnóstico que no
No produce ninguna diferenciación útil entre animales enfermos y no enfermos. El área bajo
La curva ROC se puede utilizar para cuantificar la precisión general de la prueba. Cuanto mayor sea esta área, mejor será la
118
prueba. La curva ROC permite la identificación de valores de corte apropiados para diferentes diagnósticos.
estrategias. Si los falsos negativos y los positivos son igualmente indeseables, se aplicará un límite asociado a un punto.
Se debe seleccionar en la curva ROC que esté más cercana a la esquina superior izquierda del gráfico xy.
Suponiendo que los falsos positivos sean más indeseables, un punto de corte asociado con un punto más alejado del
Se debe utilizar la izquierda en la curva ROC. Si los falsos negativos son más indeseables, el punto de corte debe ser
establecido en un valor asociado con el punto hacia la derecha en la curva ROC. Diferentes pruebas diagnósticas
se pueden comparar trazando sus curvas ROC. La prueba diagnóstica cuya curva ROC se acerca más
a la esquina superior izquierda y que por lo tanto tiene el área más grande bajo la curva suele ser la mejor
prueba. En el ejemplo presentado en la Figura 86, ELISA A diferencia mejor entre personas infectadas y
animales no infectados que ELISA B. Una discusión más detallada del análisis ROC se presenta en
Greiner y otros (2000).
1.00
0,80
0,60
dadilibisneS
0,40
Elisa A.
0,20 Elisa B.
0,00
0,00 0,20 0,40 0,60 0,80 1.00
Proporción de falsos positivos
Figura 86: Curvas características operativas del receptor para dos pruebas ELISA [datos de Reichel
Y Pfeiffer (2002)]
119
Razones de probabilidad
El objetivo de una prueba de diagnóstico es influir en la opinión del médico sobre si el animal tiene
la enfermedad o no. Esto significa que se utiliza para modificar la opinión que el clínico tenía antes.
obtener el resultado de la prueba en relación con la probabilidad de que el animal tenga la enfermedad, es decir, es un
modificador de la probabilidad previa a la prueba, como se describió anteriormente. Para este uso, presentar el resultado de la prueba como
positivo o negativo no será tan útil, porque el resultado aún podría ser un falso positivo o
negativo. Por lo tanto, se necesita una cantidad que le dé al médico una idea de la probabilidad de que el
El resultado de la prueba podría obtenerse de un animal enfermo en comparación con uno no enfermo. Esto es
expresado por el índice de verosimilitud (LR), que se puede calcular tanto para pruebas negativas como positivas.
resultados, sino también para valores de prueba de escala ordinal o continua. Suponiendo una prueba positiva/negativa
resultados, el índice de probabilidad de un resultado positivo de la prueba (LR+) se calcula dividiendo el
probabilidad de un resultado positivo en la prueba en animales con la enfermedad (=sensibilidad) por la probabilidad de
el resultado de la prueba entre animales sin la enfermedad (=1especificidad) (ver Ecuación 8.11). El resultado
Se interpreta como la probabilidad de encontrar un resultado positivo en una prueba en personas enfermas en comparación con personas no enfermas.
individuos. La razón de probabilidad de un resultado negativo de la prueba (LR) se calcula como la razón entre (1
sensibilidad) y especificidad (ver Ecuación 8.12). Este resultado se interpreta entonces como la probabilidad de que
encontrar un resultado negativo en animales enfermos en comparación con animales no enfermos. LR se usa menos
con mayor frecuencia que LR+. Los LR no dependen de la prevalencia y proporcionan una medida cuantitativa de
la información de diagnóstico contenida en el resultado de una prueba particular combinando la sensibilidad diagnóstica
y especificidad en un solo valor.
+=
1 Ecuación 8.11
Dónde:
LR+ = índice de probabilidad de un resultado positivo de la prueba
120
1
−=
Ecuación 8.12
Dónde:
LR = índice de probabilidad de un resultado negativo de la prueba
Los ratios de verosimilitud se pueden calcular utilizando valores de corte únicos, de modo que se obtenga sólo un par de
razones de probabilidad para una prueba diagnóstica particular, una para una positiva (LR+) y otra para una negativa
resultado de la prueba (LR). Se puede extraer información más poderosa de la prueba de diagnóstico utilizando
razones de probabilidad multinivel. En este caso, cada valor de prueba, o más a menudo varios rangos secuenciales de
Los valores de prueba tendrán su propio valor LR+ y LR. La principal ventaja del multinivel.
El método del índice de probabilidad es que permite al médico tener en cuenta el grado de anomalía,
en lugar de utilizar simplemente categorías crudas como prueba positiva o negativa. Entonces es posible cuando
estimar la probabilidad de presencia de la enfermedad (es decir, la probabilidad posterior a la prueba) para poner más énfasis en
extremadamente altos o bajos en lugar de valores de prueba límite. Por ejemplo, un LR+ valora alrededor de 1
no permitirá una diferenciación significativa entre animales enfermos y no enfermos. tal LR
Los valores a menudo se asocian con valores de prueba alrededor del punto de corte que con el método tradicional.
interpretación positiva/negativa de una prueba diagnóstica se habría atribuido a uno de los dos
posibles categorías de prueba. Por el contrario, un LR de 10 proporcionará una fuerte indicación de la presencia de la enfermedad.
y normalmente se obtendría para valores de prueba más alejados del valor de corte antes mencionado.
Los valores del índice de probabilidad multinivel se pueden calcular de forma acumulativa o específica de categoría.
moda. Los valores específicos de cada categoría se calculan como la relación entre la proporción de enfermos
animales y la proporción de animales no enfermos dentro de cada categoría, rango particular de
valores de prueba. Si se utiliza el método acumulativo, los valores de sensibilidad y especificidad se recalculan para
diferentes cortes y luego se aplican las ecuaciones 8.11 y 8.12 para cada uno.
121
Si se usa en combinación con la expectativa inicial de la probabilidad de que un animal tenga una cierta
condición (= probabilidad previa a la prueba), una estimación revisada de la probabilidad de la condición (= probabilidad posterior a la prueba)
probabilidad) se puede calcular. Para realizar la revisión de la probabilidad pretest, primero se tiene
se convertirá en probabilidades previas a la prueba como se describe en la Ecuación 8.13. Luego el resultado se multiplica por
la razón de probabilidad asociada con un valor de prueba particular para producir una estimación de la prueba posterior
impares. Esto, a su vez, debe convertirse nuevamente en una probabilidad, como se muestra en la Ecuación 8.14.
=
Ecuación 8.13
1
=
Ecuación 8.14
1+
Por ejemplo, se puede utilizar una prueba ELISA para detectar la infección por Neospora caninum en el ganado, una
causa importante de aborto. Se sabe que un productor lechero en particular tiene una prevalencia de Neospora de
alrededor del 5% en el rebaño de vacas. Una muestra de sangre de una vaca que se va a vender produce un ELISA óptico
valor de densidad de 0,28. La probabilidad de que la vaca esté realmente infectada con Neospora caninum puede
calcularse utilizando el límite estándar de 0,15 para esta prueba o utilizando la probabilidad específica de categoría
relación para el resultado real de la prueba. Según el primer método, suponiendo un límite de OD=0,15, la prueba
El resultado se interpreta como positivo. Dada una sensibilidad de prueba conocida del 64% y una especificidad del 76%,
El valor predictivo positivo del 12% se puede calcular utilizando la Ecuación 8.7 como se muestra a continuación. Tenga en cuenta que
También es posible convertir los valores de sensibilidad y especificidad en un único valor de corte LR+, y
el PV+ puede entonces calcularse como se describe a continuación.
0,05 0,64
+= = 0,12
0,05 0,64+(1−0,05) (1−0,76)
Para utilizar un enfoque de razón de probabilidad, la prevalencia de Neospora en este rebaño debe convertirse en
probabilidades previas a la prueba como se muestra en la Ecuación 8.13:
122
− 0,05
= = 0,05
10,05
A continuación, se debe obtener un valor de razón de verosimilitud para el resultado de la prueba de OD=0,28 de la Tabla 84.
Tabla 84: Valores de razón de verosimilitud para rangos de valores de densidad óptica para Neospora caninum
prueba ELISA
Rangos de valores de densidad óptica

<=0,1 0,10,16 0,160,2 0,20,24 0,240,27 0,270,3 >0,3
LR 0,37 0,75 1 1.5 2.8 3.5 sesenta y cinco
Las probabilidades previas a la prueba y el valor LR deben multiplicarse para obtener las probabilidades posteriores a la prueba, de la siguiente manera:
− = 0,05 3,5 = 0,18
Para facilitar la interpretación, las probabilidades posteriores a la prueba ahora se convierten nuevamente en probabilidad posterior a la prueba como
según la Ecuación 8.14.
− 0,18
= = 0,15
1+0.18
El resultado de este cálculo es ahora que el animal tiene un 15% de posibilidades de estar infectado, valor que
es ligeramente superior al valor obtenido sobre la base del límite único. En este caso debido a la
baja prevalencia, la aplicación del método de razón de verosimilitud no mejora en gran medida la
confianza en la interpretación de la prueba. Sin embargo, se podría argumentar que esta diferencia relativamente pequeña es
También es un reflejo del pobre desempeño general de esta prueba en particular.
El cálculo de las probabilidades posteriores a la prueba se puede facilitar enormemente utilizando un nomograma como se muestra
en la Figura 87. En el ejemplo mostrado, el resultado de una prueba se expresó como un valor de razón de verosimilitud para un
resultado positivo de la prueba de 10. La prueba previa o probabilidad previa como resultado del conocimiento de la población
Se asumió que la prevalencia o el examen clínico era del 20%. La probabilidad postprueba se obtiene mediante
trazar una línea recta desde la probabilidad previa a la prueba pasando por el valor LR+ hasta la publicación resultante
probabilidad de prueba del 75%.
123
LR+ = 10 Probabilidad postprueba = 75%
Probabilidad previa a la prueba = 20%
Figura 87: Nomograma para el cálculo de probabilidad posterior a la prueba utilizando índices de verosimilitud de un
resultado positivo de la prueba
La relación entre la probabilidad previa a la prueba y varios valores de LR se resume en la Tabla 85. Él
demuestra que con una probabilidad previa a la prueba baja, como del 5%, es difícil incluso con una probabilidad bastante alta.
LR de 10 para alcanzar una alta probabilidad de diagnosticar a un animal como enfermo. De hecho, dada la probabilidad
proporción de 3, se necesitaría al menos una probabilidad previa a la prueba del 30% para tener más del 50% de confianza en que un
el animal tiene la enfermedad.
124
Tabla 85: Probabilidades posteriores a la prueba para diferentes valores de probabilidad previa a la prueba y de razón de verosimilitud
combinaciones
Probabilidad previa a la prueba
5% 10% 20% 30% 50% 70%
10 34% 53% 71% 81% 91% 96%
3 14% 25% 43% 56% 75% 88%

dernp
dÍ
1
dadilibeacbio
5% 10% 20% 30% 50% 70%
0.3 1,5% 3,2% 7% 11% 23% 41%
0.1 0,5% 1% 2,5% 4% 9% 19%
Combinar los resultados de las pruebas de diagnóstico
Se pueden utilizar diferentes métodos de diagnóstico en combinación para permitir un mejor diagnóstico a través de
decisiones estratégicas sobre la interpretación de los resultados. Estos enfoques incluyen el uso de diferentes pruebas.
para el mismo problema de enfermedad en un solo animal, de diferentes pruebas, cada una de las cuales identifica una enfermedad diferente
problemas en un solo animal o de la misma prueba para un problema de enfermedad específico aplicado a varios
animales o el mismo animal a lo largo del tiempo.
Diferentes pruebas para el mismo problema patológico en un solo animal
En un mismo animal se utilizan frecuentemente diferentes métodos de diagnóstico para una misma enfermedad en
combinación para aumentar la confianza del médico en un diagnóstico específico para ese animal. Si se hace en
De manera cualitativa, es muy difícil aprovechar al máximo la información combinada. Paralelo
y la interpretación en serie se puede utilizar para combinar la información proporcionada por la prueba individual
resultados. En este contexto, es esencial reconocer que estos métodos se relacionan con el uso de diferentes pruebas.
para la misma enfermedad al mismo tiempo en un solo animal. Las pruebas deben ser independientes entre sí.
entre sí y por lo tanto deben medir diferentes parámetros biológicos asociados con el mismo
125
enfermedad, por ejemplo, una puede ser una prueba ELISA para la tuberculosis que mide los anticuerpos séricos y la otra
la prueba cutánea de la tuberculina que mide la inmunidad mediada por células.
Interpretación en paralelo y en serie.
Con la interpretación de pruebas paralelas, se considera que un animal tiene la enfermedad si se realizan una o más pruebas.
positivo. Esto significa que se le pide al animal que "demuestre" que está sano. La técnica es
recomendado para una evaluación rápida, porque el animal se considera positivo después de la primera prueba que
produce un resultado positivo. Si la primera prueba es negativa, la segunda prueba aún es necesaria. prueba paralela
La interpretación aumentará la sensibilidad y el valor predictivo de un resultado negativo de la prueba, por lo tanto
Es menos probable que se pase por alto la enfermedad. Pero, por otro lado, reduce la especificidad y la capacidad predictiva.
valor de una prueba positiva, por lo que será más probable que se produzcan diagnósticos falsos positivos. Como consecuencia, si
Se realizan suficientes pruebas, se puede encontrar una anomalía aparente en prácticamente todos los animales, incluso si
es completamente "normal". Los valores combinados de sensibilidad/especificidad de dos pruebas pueden ser
calculado como se muestra en las Ecuaciones 8.15 y 8.16, con base en Nielsen et al (2004).
= 1 − (1 − ) (1 − ) Ecuación 8.15
= Ecuación 8.16
Dónde:
Separ = sensibilidad combinada basada en interpretación paralela
Sppar = especificidad combinada basada en interpretación paralela
Sexy = sensibilidad de la prueba x o y
Spxy = especificidad de la prueba x o y
Con la interpretación de pruebas seriadas, se considera que el animal tiene la enfermedad si todas las pruebas son positivas. En
En otras palabras, se le pide al animal que "pruebe" que padece la afección. Se pueden utilizar pruebas en serie.
si no es necesaria una evaluación rápida porque para que un animal sea clasificado como positivo todos los resultados de la prueba
126
hay que obtener. Si algunas de las pruebas son costosas o riesgosas, se pueden suspender las pruebas tan pronto como sea posible.
una prueba es negativa. Este método maximiza la especificidad y el valor predictivo positivo, lo que significa
que una mayor confianza puede atribuirse a resultados positivos. Reduce la sensibilidad y la negatividad.
valor predictivo y, por lo tanto, es más probable que se pasen por alto animales enfermos.
Los índices de probabilidad se pueden aplicar a la interpretación de las pruebas en serie utilizando las probabilidades posteriores a la prueba.
resultantes de una prueba particular como las probabilidades previas a la prueba para la siguiente prueba de la serie. La prueba combinada
Los valores de sensibilidad/especificidad para dos pruebas se pueden calcular como se muestra en las Ecuaciones 8.17 y 8.18.
basado en Nielsen et al (2004).
= Ecuación 8.17
= 1 − (1 − ) (1 − ) Ecuación 8.18
Dónde:
Seser = sensibilidad combinada basada en interpretación serial
Spser = especificidad combinada basada en interpretación seriada
Sexy = sensibilidad de la prueba x o y
Spxy = especificidad de la prueba x o y
Los efectos de la interpretación sola, en paralelo o en serie sobre los valores predictivos de dos instrumentos independientes
Las pruebas de diagnóstico para la misma enfermedad se comparan en la tabla 86. En este ejemplo, una enfermedad
Se supone una prevalencia del 20%. La prueba A tiene una sensibilidad moderada del 80% y una especificidad pobre de
60%, lo que resulta en un valor predictivo positivo muy pobre, si se usa solo. La prueba B tiene buena sensibilidad
(90%) y especificidad (90%), lo que produce un valor predictivo positivo mejor, pero aún inferior al deseable.
Una interpretación paralela de los resultados de las dos pruebas mejora el valor predictivo de las pruebas negativas de
92% para la prueba A y 97% para la prueba B hasta un nivel combinado del 99%. Esto significa cualquier prueba negativa.
Es casi seguro que no tendrá la enfermedad. Pero el valor predictivo positivo sigue siendo sólo del 35%, lo que
significa que los resultados positivos de la interpretación de pruebas paralelas deben evaluarse cuidadosamente. Una interpretación en serie.
de los resultados de ambas pruebas mejora sustancialmente el valor predictivo de una prueba positiva al 82%, por lo que
127
resulta útil desde una perspectiva diagnóstica. Esto da como resultado una ligera caída en el pronóstico negativo.
valor. Si esto último fuera aceptable (es decir, los falsos positivos no tienen consecuencias graves), las series
La interpretación puede ser el método preferido para combinar los resultados de estas dos pruebas. Tenga en cuenta que
estos valores combinados suponen que las pruebas son condicionales independientes entre sí. En realidad,
Por lo general, habrá cierta dependencia, y entonces es probable que los valores esperados a continuación hayan superado
estimaciones de sensibilidad y especificidad. Véase Dohoo et al (2003) para una discusión más detallada de este
asunto.
Tabla 86: Ejemplo de interpretación en paralelo y en serie de una prueba de diagnóstico
Prueba Sensibilidad Especificidad Predictivo positivo Predictivo negativo

(%) (%) valor (%) 60 33 90 69 54 35 * valor (%) 92 *
A 80 96 82
B 90 97
Paralelo 98 99
Serie 72 93
* que supone una prevalencia del 20%
Pruebas de detección y confirmación
Una estrategia de detección y pruebas confirmatorias es una variación de las pruebas en serie y a menudo se aplica
en un programa de control de enfermedades. Con este enfoque, la prueba de detección se aplica a cada animal en
la población para buscar pruebas positivas a las que luego se les aplica la prueba confirmatoria. El
La prueba de detección debería ser técnicamente fácil de aplicar y tener un bajo coste. Tiene que ser muy sensible.
prueba que produce un alto valor predictivo negativo, ya que cada animal negativo en esta prueba será
considerado definitivamente negativo. Su especificidad también debe ser razonable, de modo que el número de falsos
positivos que deben ser sometidos a la prueba de confirmación sigue siendo económicamente justificable. El
La prueba de confirmación puede requerir más experiencia técnica y equipos más sofisticados, y puede
ser más caro, porque sólo se aplica al número reducido de muestras positivas al cribado.
Pero tiene que ser muy específica y cualquier reacción positiva a la prueba de confirmación se considera un
positivo definitivo. El enfoque de las pruebas confirmatorias de detección se ha aplicado con mucho éxito
128
en campañas de erradicación de la brucelosis bovina en todo el mundo, donde se utilizó la prueba de Rosa de Bengala
para cribado y la prueba de fijación del complemento para confirmación.
Usar la misma prueba varias veces
La misma prueba se puede utilizar en varios animales relacionados al mismo tiempo (prueba agregada), en animales
del mismo agregado (por ejemplo, rebaño) en diferentes momentos (nueva prueba de rebaño negativo) o en el mismo
animal en diferentes momentos (pruebas secuenciales). El primer y segundo enfoque son particularmente importantes.
en programas de control de enfermedades, mientras que el tercero, por ejemplo, puede utilizarse como parte de investigaciones
programas.
Pruebas agregadas
La mayoría de los programas de control de enfermedades animales se basan en pruebas de poblaciones agregadas, en particular
rebaños. El éxito de dichos programas estará influenciado en gran medida por la realización de estas pruebas.
cuando se interpreta a nivel de rebaño. Es importante reconocer que con el control de las enfermedades animales
En los programas hay dos unidades a diagnosticar: el rebaño y el animal individual dentro del rebaño.
Este enfoque aprovecha el mayor riesgo de propagación dentro de rebaños en comparación con entre rebaños,
principalmente como resultado de que los animales dentro del mismo rebaño tienen más oportunidades de participación directa o indirecta.
contacto entre sí que con animales de otros rebaños. Con pruebas agregadas, al menos una vez.
Se ha detectado un animal infectado dentro de un rebaño, se están tomando medidas específicas que son
destinado a restringir la posibilidad de propagación dentro del rebaño afectado, así como a otros rebaños que
Tener animales susceptibles. Por ejemplo, si como parte de las pruebas en el rebaño al menos un animal da positivo
a la prueba de la tuberculina para detectar la tuberculosis bovina en un rebaño de ganado, en muchos países ningún animal será
se permitirá la venta de ese rebaño hasta que evaluaciones adicionales hayan demostrado la ausencia de más
animales infectados. En caso de detectar al menos un animal infectado con una enfermedad altamente infecciosa
como la fiebre aftosa en un rebaño, incluso puede ser que como medida de precaución todos los animales
de ese rebaño son sacrificados, aunque hayan dado negativo en la prueba.
129
Muchos programas de control de enfermedades han podido erradicar enfermedades a pesar de las pertinentes medidas
Las pruebas diagnósticas no son muy sensibles y específicas. Tanto la brucelosis bovina como la tuberculosis
son ejemplos de esta situación. Incluso las pruebas con sensibilidad moderada en cada animal pueden ser
utilizado debido a la interpretación a nivel agregado de la prueba. Resultados de pruebas de animales individuales dentro
los rebaños se interpretan en paralelo, lo que da como resultado un aumento de la sensibilidad a nivel agregado
(=sensibilidad de rebaño), mientras que la especificidad a nivel agregado (=especificidad de rebaño) disminuirá. Normalmente,
La detección de al menos un animal positivo dará lugar a la clasificación del rebaño como positivo. Pero hay
Hay algunas enfermedades en las que la presencia de animales positivos hasta un cierto número aún puede ser
clasificado como negativo, ya que la especificidad de la prueba por debajo del 100% resultará en demasiadas pruebas no
los rebaños infectados se clasifican como positivos.
La sensibilidad y especificidad del rebaño están influenciadas por la sensibilidad y especificidad de las pruebas individuales, es cierto.
Prevalencia a nivel animal, el número umbral de pruebas positivas para clasificar el rebaño como positivo.
y el número de animales probados. El tamaño del rebaño tiene una influencia significativa en la probabilidad de
identificar rebaños infectados. Cuantos más animales se prueben en un rebaño, más probable será que
Detectar tanto verdaderos positivos como falsos positivos. Dado que un rebaño tiene al menos un animal con
enfermedad, la sensibilidad del rebaño cuantifica la probabilidad de que una prueba sea capaz de detectar al menos uno de
los animales enfermos. Esto no sólo depende de la sensibilidad, sino también de la especificidad, ya que el rebaño
pueden clasificarse correctamente mediante la clasificación de animales individuales como falsos positivos. Por lo tanto,
El cálculo de la sensibilidad del rebaño se basa en la prevalencia aparente y en el número de animales analizados.
(véanse las ecuaciones 8.19 y 8.20). Por otra parte, la especificidad de rebaño sólo se refiere a rebaños no enfermos,
y por lo tanto sólo está influenciado por la especificidad de la prueba y el número de animales probados (ver Ecuación
8.21). Las ecuaciones que se muestran aquí solo se aplican a un número umbral de al menos un animal de experimentación.
positivo para que un rebaño se clasifique como positivo. Dohoo et al (2003) proporcionan cálculos para el rebaño.
pruebas de nivel cuando se utilizan números de umbral mayores que uno.
130
= + (1 − ) (1 − ) Ecuación 8.19
= 1 (1 ) Ecuación 8.20
= Ecuación 8.21
Dónde:
HSe = sensibilidad del rebaño
HSp = especificidad del rebaño
Prevapparent = prevalencia aparente
Prevtrue = prevalencia verdadera
Sp = especificidad de la prueba de nivel animal
Se = sensibilidad de la prueba a nivel animal
n = número de animales probados
Cuando se inician los programas de control de enfermedades, la prevalencia de rebaños infectados suele ser superior al 20%. En
En esta etapa, la prevalencia aparente será mayor que la prevalencia real, como consecuencia de una menor
más del 100% de especificidad del método de diagnóstico. Cuanto menor sea la prevalencia, mayor será la
La brecha será entre la prevalencia aparente y la verdadera. Por lo tanto, el valor predictivo de una prueba positiva
Los resultados (tanto a nivel de animal individual como agregado) disminuirán y la proporción de falsos
Los aspectos positivos aumentarán. Durante la fase inicial de un programa de control, la sensibilidad es más importante
que la especificidad para garantizar que se detecten todos los animales infectados dentro de los rebaños infectados.
Durante esta fase, también habrá un mayor número de rebaños con alta prevalencia en comparación con
las últimas fases del programa de control. A medida que la prevalencia disminuye, la especificidad se vuelve tan
tan importante como la sensibilidad, y puede ser necesario realizar una segunda prueba utilizando
Interpretación de series de pruebas de detección/confirmación para aumentar aún más la especificidad. La sensibilidad
seguir siendo importante durante esta fase, ya que los programas de control no pueden permitirse el lujo de omitir demasiadas
animales infectados.
131
Repetición de pruebas negativas en el rebaño
La nueva prueba de rebaño negativo es una extensión de los conceptos descritos anteriormente para las pruebas agregadas, en
que el mismo agregado se prueba repetidamente a lo largo del tiempo. Es una estrategia de prueba que normalmente se aplica en
programas de control de enfermedades. El principio básico es que sólo los animales que dieron negativo en el momento
evento de prueba agregado anterior se someten a una prueba en el siguiente evento de prueba, porque todos los animales
positivo en la prueba anterior debería haber sido retirado del rebaño. La interpretación de los resultados es
generalmente a nivel de rebaño. La estrategia de prueba aumenta la posibilidad de encontrar una infección que se haya pasado por alto en
eventos de pruebas agregadas anteriores. En principio, se pide al rebaño que "pruebe" que está libre de la
condición. Con una prevalencia cada vez menor en la población, la especificidad se vuelve más importante. Para
Por ejemplo, una prueba con un 80% de especificidad producirá aproximadamente un 20% de animales positivos en una prueba libre de enfermedades.
rebaño.
Pruebas secuenciales
Las pruebas secuenciales se utilizan como parte de estudios específicos en los que se tiene la oportunidad de probar repetidamente
el mismo animal a lo largo del tiempo para detectar la seroconversión. Esta técnica es bastante poderosa, ya que no
tener que confiar en un solo resultado para la interpretación, en lugar de centrarse en un cambio significativo en la prueba
valor que bien puede permanecer por debajo de un límite y, por lo tanto, de otro modo se clasificaría como no
enfermos basándose en muestras individuales. Tenga en cuenta que las pruebas repetidas realizadas con este enfoque
también significa que aumenta la posibilidad de resultados falsos positivos. Las pruebas secuenciales se pueden utilizar para
ejemplo durante estudios experimentales de infección.
Usar múltiples pruebas para diferentes problemas de enfermedades en un solo animal
Las baterías de pruebas múltiples se han vuelto bastante comunes en la práctica con animales pequeños, donde una prueba de sangre
Se envía una muestra de un solo animal a un laboratorio para evaluar diferentes metabolitos sanguíneos.
niveles. El objetivo es identificar parámetros normales y anormales para cualquiera de estos metabolitos.
La técnica resulta útil si un conjunto de parámetros de metabolitos diferentes tiene valor diagnóstico para
132
establecer un patrón que se considera indicativo de una enfermedad particular. El enfoque se convierte
Sin embargo, es cuestionable si es parte de una "expedición de pesca" para un diagnóstico. El clínico tiene que
Tenga en cuenta que a menudo se establece un límite para una sola prueba de modo que diagnostique correctamente el 95% de los casos.
población normal, lo que significa que producirá un 5% de falsos positivos. Por ejemplo, con una batería.
de 12 pruebas diagnósticas que miden diferentes parámetros sanguíneos, cada una de ellas puede tener un 0,95
probabilidad de diagnosticar correctamente un animal "normal" como negativo. Pero también significa que en general
La probabilidad de un diagnóstico negativo correcto en todas las pruebas es (0,95)12, lo que equivale a una probabilidad de 0,54. Este
significa que hay un 46% de posibilidades de que un animal "normal" tenga al menos un resultado falso positivo entre
estas 12 pruebas.
Análisis de decisión
Como se indica en la introducción de este capítulo, los diagnósticos se utilizan para informar la decisión veterinaria.
haciendo. La decisión que toma el veterinario en respuesta a un diagnóstico está influenciada por una
número de factores, incluida la precisión del diagnóstico, el bienestar animal, los costos, el pronóstico, etc.
Además, casi siempre existe incertidumbre sobre el resultado de una decisión, por lo que la decisión
De hecho, el fabricante se ve obligado a apostar. En el caso de los veterinarios que trabajan en medicina general, el
La incertidumbre puede ser causada por errores en los datos clínicos y de laboratorio, ambigüedad en los datos clínicos y
variaciones en la interpretación, incertidumbre sobre las relaciones entre la información clínica y
presencia de enfermedad, incertidumbre sobre los efectos y costos del tratamiento e incertidumbre sobre la eficacia
de procedimientos de control y medicación. Otras áreas donde los problemas de decisión son particularmente
complejos incluyen la planificación de políticas de control de enfermedades. En esta situación se introduce incertidumbre,
por ejemplo, a través de un conocimiento incompleto de la epidemiología de las enfermedades o de los efectos estocásticos
influyendo en la propagación de enfermedades. Tampoco es posible predecir el comportamiento de los individuos que son
involucrados en el manejo y manejo del vector o huésped de la enfermedad.
El análisis de decisiones se puede aplicar a los problemas de decisión descritos anteriormente. El proceso de decisión
El análisis implica identificar todas las opciones posibles, todos los resultados posibles y estructurar el proceso.
133
componentes del proceso de decisión en una secuencia lógica y temporal. Usos del análisis del árbol de decisiones
una estructura de árbol para presentar las diferentes opciones de decisión y los posibles resultados. el arbol se desarrolla
secuencialmente desde la base hasta los extremos terminales en función de los componentes: nodos, ramas y resultados.
Hay tres tipos de nodos: nodos de decisión (=elección), nodos de oportunidad (=probabilidad) y terminales.
nodos. Las ramas indican las diferentes opciones si se extienden desde un nodo de decisión y
los diferentes resultados si se extienden desde un nodo de azar. Cada una de las ramas que emanan
de un nodo de azar tiene probabilidades asociadas y cada uno de los extremos terminales tiene probabilidades asociadas
utilidades o valores. En el caso de los árboles de decisión, la solución normalmente se obtiene eligiendo el
alternativa con el mayor valor monetario esperado. Esto se calcula plegando hacia atrás el
árbol. Comenzando desde los nodos terminales y regresando a la raíz del árbol, los valores esperados son
calculado en cada nodo de probabilidad como el promedio ponderado de posibles resultados donde los pesos son
las posibilidades de que se produzcan resultados concretos. En cada nodo de decisión, la rama con el mayor
El valor esperado se elige como la alternativa preferida. El análisis del árbol de decisión tiene la ventaja de que
Alienta a dividir problemas complejos en componentes más simples, como opciones,
Eventos probabilísticos y resultados alternativos. Alienta a sopesar riesgos y beneficios, lógico
secuenciación de componentes y requiere estimaciones explícitas de probabilidades. La preocupación por los servicios públicos es
fomentados a través de la necesidad de ponerles valores. Determinantes críticos de la decisión.
Se puede identificar el problema y se pueden indicar áreas de conocimiento insuficiente.
Como ejemplo de un problema de decisión veterinaria, un cliente tiene que decidir si desea descansar un caballo.
valorado en $5000 diagnosticado con cojera sin incurrir en ningún gasto adicional ni gastar
$500 en cirugía. El árbol de decisión se presenta en la Figura 88. Las suposiciones que se hacen son que
la probabilidad de recuperación es de 0,6 para la cirugía y de 0,3 para el reposo. El valor de rescate del caballo sería
ser $300. Los valores monetarios esperados para los dos tratamientos se calculan de la siguiente manera:
• valor esperado para la cirugía
= 0,6 ($5000 − $500) + 0,4 ($300 − $500) = $2620
134
• valor esperado para el tratamiento magnético
= 0,3 $5000 + 0,7 $300 = $1710
La interpretación de estos resultados es que a largo plazo la cirugía es más rentable suponiendo que
los valores y probabilidades se eligen correctamente. Más ejemplos de aplicaciones de análisis de decisiones
en salud animal se pueden encontrar en Slenning (2001) y Smith (2006).
Éxito
($5000$500)
0,6
Cirugía
Falla
($300$500)
0,4
Recuperación
($5000)
0.3
Descansar
Sin recuperación
($300)
0,7
Figura 88: Ejemplo de árbol de decisión para el tratamiento de la cojera equina
135
9. Informar sobre el control y la erradicación de enfermedades
• Describir los principios del análisis de riesgos.
• Comprender los principios de evaluación de la salud y la productividad del rebaño.
• Proporcionar una visión general de los métodos de vigilancia de la sanidad animal.
• Describir los pasos involucrados en la investigación de un brote.
• Discutir los temas asociados con el modelado de datos de salud animal.
• Enumerar diversas aplicaciones de la tecnología de la información computarizada en salud animal.
Introducción
La epidemiología ha hecho una contribución importante a la ciencia veterinaria, particularmente en el área de
integrar metodologías basadas en la ciencia en la toma de decisiones veterinarias, contribuyendo así
hacia una mayor objetividad del proceso. Uno de los elementos clave ha sido la introducción
de los conceptos de riesgo e incertidumbre en la sanidad animal. Estos pueden ser aplicados formalmente bajo el riesgo
marco de análisis para una amplia gama de actividades veterinarias, cubriendo todo el espectro desde
animales individuales y rebaños, hasta el manejo de enfermedades a nivel nacional e internacional. Muchos avances han
Se han realizado avances en los últimos 20 años en esta área, y el acceso a servicios rápidos, en red y relativamente bajos.
Los sistemas electrónicos de entrada, almacenamiento y recuperación de datos han sido fundamentales para lograr estos objetivos.
desarrollos. Una deficiencia importante sigue siendo la variación en la calidad de los datos, que no ha
mejoró al mismo ritmo que la cantidad de datos. Como resultado, el grado de incertidumbre asociado con
los resultados generados por estos sistemas no necesariamente han disminuido y, en algunos aspectos, incluso
aumentó. Uno de los desafíos para los epidemiólogos que trabajan con tales sistemas de información es
comunicar estas incertidumbres a los usuarios finales, ya sean propietarios de mascotas o animales de granja, o
tomadores de decisiones en relación con las políticas nacionales e internacionales de control de enfermedades.
136
La recopilación de datos para informar el análisis de riesgos se puede realizar en diferentes niveles de agregación. En el
A nivel de rebaño, los ganaderos recopilan datos para poder optimizar la salud, el bienestar y la productividad de los animales.
Los programas nacionales de vigilancia de enfermedades animales implican la recopilación de datos que se utilizan para informar sobre los riesgos.
evaluación y gestión con el fin de mejorar o mantener la salud y el bienestar
situación de una población animal nacional o regional. Cualquier sistema de recopilación de datos de este tipo debe ser
vinculado a herramientas analíticas que permiten la extracción de patrones importantes con respecto a la salud animal,
bienestar o productividad, y posibles factores de riesgo asociados. Esto incluirá el uso de varios
tipos de modelos que pueden usarse para explicar o predecir patrones de enfermedad, bienestar y
productividad. Los principios epidemiológicos son parte integral de estas aplicaciones, en particular en
relación con la representatividad, el sesgo y la interpretación de las relaciones causaefecto.
Análisis de riesgo
El reconocimiento de la relevancia de adoptar el marco de análisis de riesgos en el contexto de la salud animal.
La toma de decisiones sanitarias ha tenido un impacto significativo, en particular en los servicios veterinarios a nivel nacional.
nivel. Pero el enfoque también es aplicable a otros tipos de unidades epidemiológicas, como las unidades
animales o rebaños, así como para la alimentación humana. El análisis de riesgos se define como un análisis estructurado basado en la ciencia.
y transparente para la gestión de riesgos. Implica la estimación del riesgo de eventos adversos.
y su mitigación. La Organización Mundial de Sanidad Animal (OIE) ha incluido análisis de riesgos
en el Código Sanitario para los Animales Terrestres a efectos de gestionar los riesgos resultantes de las importaciones
sobre animales y sus productos (Vallat, 2008), pero la metodología se aplica a cualquier situación que involucre
Gestión del riesgo de introducción y propagación de una enfermedad infecciosa. La figura 91 muestra la
componentes del análisis de riesgos, tal como se definen en el Código Sanitario para los Animales Terrestres de la OIE (Vallat, 2008),
Los principales son la identificación de peligros, la evaluación de riesgos, la gestión de riesgos y la gestión de riesgos.
comunicación.
137
Figura 91: Marco de análisis de riesgos según el Código Sanitario para los Animales Terrestres de la OIE
(Vallat, 2008)
La identificación de peligros es el proceso de definir el organismo infeccioso que podría introducirse en
la unidad epidemiológica de interés, por ejemplo, animal, rebaño, región o país. Una vez hecho esto, un
Es necesario realizar una evaluación de riesgos. Este es el proceso de definir los riesgos asociados con el
peligro. Comienza con la definición de una pregunta de riesgo precisa, como "¿Cuál es el riesgo por año de
¿Introducir la infección por Mycobacterium bovis en rebaños de ganado lechero en el suroeste de Inglaterra?”. El
El siguiente paso es el desarrollo de un diagrama de ruta de riesgo donde se incluyan todos los mecanismos relevantes para la
introducción del peligro. Esta parte del proceso también identificará cualquier brecha en
relación con la epidemiología del peligro. El desarrollo del modelo de evaluación de riesgos puede ser
realizarse mediante métodos cualitativos o cuantitativos. Los métodos cualitativos se suelen utilizar cuando hay poca
Se dispone de datos cuantitativos. La evaluación de riesgos se estructura en tres componentes (ver Figura
92). La primera es la evaluación de la liberación, que se ocupa de la introducción del peligro en el
unidad epidemiológica de interés. El segundo, la evaluación de la exposición aborda la probabilidad de
animales susceptibles queden expuestos al peligro, dado que éste ha sido liberado. El tercero
138
El componente es la evaluación de consecuencias, que trata sobre la probabilidad de infección y su posterior
propagación, dada la exposición.
País
exportador
Liberar Probabilidad de
evaluación introducción
País
importador
Asesoramiento Exposición de animales Probabilidad de

de exposición exposición
susceptibles
Establecimiento de infección
Evaluación de Probabilidad de
consecuencias establecimiento y
propagación.
Propagación
de la infección
Figura 92: Componentes de un modelo de evaluación de riesgos para la importación de animales o productos derivados
La Figura 93 muestra un ejemplo de la estructura de un modelo de evaluación de liberación de riesgos que ha sido
Se mantuvo muy simple con el propósito de introducir los conceptos básicos de los modelos de evaluación de riesgos. El
La pregunta de riesgo en este caso podría ser: ¿Cuál es la probabilidad de que al menos un pollo esté infectado con
¿Se importa la enfermedad X al país Y por mes? Comienza con la cantidad esperada de pollos.
importado durante un mes. La probabilidad de que un animal esté infectado y no sea detectado por el
La prueba diagnóstica se calcula utilizando el producto entre la prevalencia (PPrev) y la probabilidad de una
falso negativo (1PSens). Uno menos esa probabilidad da la posibilidad de que esto no le suceda a un
animal aleatorio (1PPrev(1PSens)) entre los importados. La pregunta ahora es ¿qué probabilidad hay de que
esto último sucede con todos los animales que se importarán durante el mes. Esto se calcula por
exponenciar la probabilidad de que ningún animal sea un falso negativo con el número total de animales
n a importar: (1PPrev(1PSens))n . Restar la probabilidad resultante de 1 da la
probabilidad de que al menos un animal infectado sea importado durante ese mes. Usando n=1000 para
139
el número de pollos que se importarán en el mes, una prevalencia de enfermedad de Pprev=0,1 y una prueba
sensibilidad de PSens= 0,99, hay un 63% de probabilidad de que al menos un pollo infectado sea
importados en el mes (ver cálculo a continuación).
1000
=1− 1 − 0.1(1 − 0.99) = 0.63
La base matemática de la fórmula anterior se analiza en detalle en Vose (2008).
No
(1
PAnterior)
Número de
¿Infectado? Sí
pollos vivos
(PSens)
para ser importados
Sí
¿Detectado?
(PAnterior)
Prevalencia (PPrev) de la
No Al menos un
enfermedad X en la (1 pollo
población de origen PSens) infectado
Sensibilidad (PSens) de las importado

pruebas de diagnóstico
en pollos.
seleccionado para importar
Figura 93: Ejemplo de la estructura de un modelo de evaluación de liberación cuantitativa para el riesgo de
importación de pollos infectados con la enfermedad X al país Y
Los resultados de la evaluación de riesgos se utilizan para decidir cuál es la gestión de riesgos adecuada.
proceso de formulación e implementación de medidas diseñadas para reducir la probabilidad de
evento no deseado que ocurre o la magnitud de sus consecuencias. En esta etapa del proceso, los riesgos
deben sopesarse con los beneficios, y los resultados de los análisis económicos a menudo tendrán que ser
consideró. Es importante tener una comunicación de riesgos efectiva durante todo el análisis de riesgos.
proceso en marcha. Esto incluye la comunicación entre todas las partes interesadas importantes, que serán
140
tomadores de decisiones en relación con la salud animal, como agricultores y funcionarios gubernamentales, así como
científicos y, en muchas circunstancias, el público en general. Una comunicación de riesgos eficaz
contribuir a la transparencia del análisis de riesgos y, por tanto, facilitar la aceptación entre los principales
partes interesadas. En la actualidad existen muchos ejemplos de aplicaciones de evaluación de riesgos relacionados con los animales.
salud [por ejemplo, Pfeiffer et al (2006) y Hartnett et al (2007)]. Más detalles sobre el enfoque de análisis de riesgos
se puede encontrar en Vose (2008), Anónimo (2004a) y Anónimo (2004b).
Evaluación de la salud y la productividad del rebaño.
Tradicionalmente, el control de las enfermedades animales se centraba principalmente en el seguimiento de los brotes de enfermedades y
movimientos de agentes patógenos. En los últimos tiempos, muchos ganaderos han reconocido la necesidad de
recopilar continuamente datos del rebaño para establecer prioridades y definir acciones destinadas a mejorar la calidad de los animales.
salud, bienestar y productividad. El mantenimiento de registros computarizados se ha utilizado particularmente en
producción intensiva de cerdos y lácteos desde hace más de 20 años. Una de las ventajas de esta información
sistemas es que los agricultores pueden generar parámetros cuantitativos de rendimiento de la producción, como
se muestra en la Figura 94 para el desempeño reproductivo en granjas de cerdos. El parámetro de nivel superior en este
El árbol de indicadores de diagnóstico, cerdos destetados por cerda por año, debe ser monitoreado continuamente y
en comparación con datos retrospectivos del mismo rebaño o la distribución de valores en granjas similares.
Si el número de cerdos destetados por cerda y año se considera demasiado bajo como consecuencia de ello
comparación, luego los parámetros más abajo en el diagrama de flujo, es decir, tamaño de camada y camadas por cerda por
año, deben compararse con cifras de referencia. Continuar este proceso hacia las pertinentes
Los extremos terminales del árbol deben permitir identificar las causas potenciales del problema de rendimiento.
y, por lo tanto, informar el uso específico de otras herramientas de diagnóstico o incluso acciones de tratamiento inmediatas.
La integración de principios epidemiológicos en la gestión de la salud y la producción ganadera es
presentado con más detalle en Radostits et al (2001).
141
Figura 94: Diagrama de flujo del árbol de indicadores de diagnóstico para un desempeño reproductivo deficiente en cerdos
producción [adaptado de Straw et al (Straw et al., 2006)]
Vigilancia y seguimiento de enfermedades.
Tanto la vigilancia como el seguimiento de las enfermedades implican un proceso de recopilación periódica de datos. El monitoreo es
un término más general, que se refiere a un esfuerzo continuo de recopilación de datos para detectar cambios o tendencias.
en caso de que ocurra un evento de interés. La vigilancia, por otra parte, implica una recopilación sistemática,
análisis e interpretación de eventos relacionados con la salud animal que ocurren en una población, y debe
incluir un sistema personalizado de recopilación y análisis de datos, umbrales predefinidos en relación con la enfermedad
ocurrencia e intervenciones predefinidas sujetas a los resultados obtenidos del sistema de vigilancia.
Su objetivo es satisfacer las necesidades de información básica para evaluar y gestionar los riesgos de forma eficaz, es decir
minimizar, en la medida de lo posible, teniendo en cuenta los costos y beneficios, la probabilidad de que se produzcan efectos adversos.
efectos que se producen en la salud pública, el comercio de animales y productos animales, y la salud animal y
bienestar (Anónimo, 2000). Su objetivo es la detección y alerta temprana en relación con nuevos y
enfermedades emergentes y vectores de enfermedades. La vigilancia de las enfermedades endémicas y sus vectores es
realizado con el objetivo de caracterizar el cambio en los niveles de aparición de enfermedades, la clasificación relativa y
142
importancia y evaluar el impacto de los programas de control. Los datos recopilados a través de una vigilancia.
El sistema debe ser procesado y analizado, y los resultados deben usarse para informar la evaluación de riesgos.
y gestión. Teniendo en cuenta estos objetivos, un sistema de vigilancia suele estructurarse en
programas, cada uno de los cuales se ocupa de un resultado específico, como determinar el nivel de un
enfermedad endémica concreta. Un sistema de vigilancia también consta de varios sistemas de recopilación de datos.
componentes, como servicios de laboratorio gubernamentales y privados, inspección fronteriza, mataderos
inspección, así como un programa de pruebas de enfermedades específicas. Cada uno de estos hará particular
contribuciones a programas de vigilancia específicos. Es útil para caracterizar componentes individuales.
dentro de los programas de vigilancia utilizando el siguiente conjunto de criterios: objetivos, definición de peligro,
definición de caso, unidad de interés, métodos de diagnóstico, población objetivo, ubicación, momento, datos
recopilación y procesamiento, análisis de datos, comunicación y difusión de resultados.
Según el método de recopilación de datos, los componentes del sistema de vigilancia se pueden agrupar en pasivos o
actividades de vigilancia activa. La vigilancia pasiva incluye la presentación del laboratorio y el caso.
información por parte del público. También incluye vigilancia molecular donde se realizan diagnósticos de enfermedades específicas.
Los organismos infecciosos se diferencian aún más en cepas moleculares. Estos datos sobre genética
La relación se puede utilizar luego para desarrollar hipótesis sobre las fuentes de infección. Vigilancia activa
Se refiere a la recopilación de datos basada en un muestreo de población estructurado respaldado por un marco claramente definido.
objetivo. Incluye encuestas de prevalencia de enfermedades, vigilancia centinela y basada en riesgos. Basado en riesgos
La vigilancia emplea principios epidemiológicos y económicos para definir las actividades dentro de un
programa de vigilancia (Stärk et al., 2006). La vigilancia centinela implica un seguimiento continuo
de rebaños, generalmente seleccionados en función del riesgo, para poder detectar brotes de enfermedades o introducciones de
infección lo antes posible. Este tipo de vigilancia es particularmente útil para monitorear la
aparición de enfermedades transmitidas por vectores (Racloz et al., 2006). Más recientemente, el concepto de síndrome
Se ha introducido la vigilancia, en primera instancia como herramienta de alerta temprana contra enfermedades biológicas.
ataques terroristas. Utiliza varios indicadores de diagnóstico no específicos, como una reducción repentina de
143
rendimiento reproductivo en el ganado, para advertir sobre brotes de enfermedades. Un problema con esto
Este enfoque es que tiene una baja especificidad y, por tanto, puede dar lugar a demasiadas falsas alarmas. El
La capacidad de los componentes del programa de vigilancia para detectar una enfermedad particular puede cuantificarse como
sensibilidad y especificidad de la vigilancia mediante análisis de árbol de escenarios (Martin et al., 2007; Hadorn y
rígido, 2008). Se pueden encontrar más detalles sobre los sistemas de vigilancia en Thrusfield (2005) y
Salmán (2003)
En los países en desarrollo, a menudo resulta imposible realizar una vigilancia de las enfermedades animales en un nivel elevado.
estándar utilizando los costosos métodos aplicados en los países desarrollados. En muchos de esos países, el
La introducción de servicios comunitarios de atención de salud animal permitirá cierto nivel de enfermedad.
vigilancia. En tales sistemas, los veterinarios llamados "descalzos" proporcionan el tratamiento más común para los animales.
servicios de salud a los agricultores, que a su vez pueden haber sido definidos mediante encuestas epidemiológicas,
estudios longitudinales o perfiles de salud y productividad del rebaño. La calidad de los datos a menudo se ve influenciada por una
falta de compromiso de las partes interesadas con los objetivos de la recopilación y el análisis de datos. De tal
circunstancias, se pueden utilizar métodos de evaluación rural participativa para recopilar datos (Loader y
Amartya, 1999; Jost et al., 2007). Esta metodología tiene como enfoque particular establecer confianza
entre los agricultores identificando y reconociendo sus prioridades y necesidades. El enfoque debe
dar como resultado datos más precisos, aunque debido a la falta de un marco de muestreo estadístico puede ser
más difícil de analizar y sacar inferencias generalizables.
Investigación del brote
Como se describió anteriormente, un brote es una serie de eventos de enfermedad agrupados en el tiempo, que generalmente
detectado por uno de los componentes de un sistema de vigilancia, como el informe del agricultor. Un brote
Se puede realizar una investigación en respuesta a la detección de un brote. El objetivo es
comprender la causa, identificar métodos para controlarla y prevenir incidentes futuros. Es
importante reconocer que las investigaciones de brotes de enfermedades con alto riesgo para la salud pública y animal
144
impacto debe ser realizado por equipos multidisciplinarios, que involucren estudios clínicos, de laboratorio,
conocimientos epidemiológicos y otros conocimientos pertinentes.
Se podrían tomar las siguientes medidas durante la investigación de un brote:
1. Confirmar la existencia de un brote.
2. Establecer un diagnóstico:
a. Generar un diagnóstico definitivo o tentativo, seguido de un detallado clínicopatológico.
evaluación.
b. Producir una definición de caso que sea lo más específica posible, excluyendo posibles diferencias.
diagnósticos.
C. Identificar las características de la cepa molecular (cuando corresponda).
3. Determinar la magnitud del problema (es decir, cuantificar el riesgo):
a. Contar casos.
b. Establecer población en riesgo (es decir, denominador).
C. Calcule el riesgo de incidencia y compárelo con los riesgos normales o esperados de enfermedad.
4. Analizar el problema en términos de cuándo, dónde y quién:
a. Analice el patrón temporal (=cuándo) construyendo una curva epidémica e intente
estimar los períodos de incubación y exposición.
b. Analizar el patrón espacial (=dónde), por ejemplo, dibujando un croquis del área.
o la distribución de la finca o de los edificios agrícolas afectados. El investigador debe inspeccionar el
dibujar posibles interrelaciones entre los casos, y entre la ubicación y los casos y
otras características físicas.
C. Análisis del patrón animal (=quién), por ejemplo investigando factores como la edad,
sexo y raza. Esto puede implicar un análisis cuantitativo mediante el cálculo de índices de riesgo y
particularmente diferencias de riesgo, pruebas de cualquier asociación entre enfermedad y factores de riesgo
para obtener significancia estadística, así como potencialmente realizar análisis multivariables para
145
determinar qué factores de riesgo son los más importantes. Esto conducirá a una lista de posibles
Factores causales asociados con la enfermedad.
5. Desarrollar hipótesis de trabajo:
Con base en los hallazgos del análisis de datos realizado en el paso 4, se debe formular una hipótesis de trabajo.
desarrollarse con respecto a las posibles causas, fuentes, modo de transmisión y exposición.
período.
6. Evaluar hipótesis de trabajo:
Si es posible, la hipótesis de trabajo debe probarse mediante un estudio experimental.
7. Recopilación y análisis adicionales de datos:
a. Realizar investigaciones de seguimiento detalladas:
Con problemas complejos que no revelan respuestas rápidas con respecto a la fuente de
el problema, a menudo se recomienda realizar un seguimiento intensivo. Esto implicaría un
examen clínico, patológico, microbiológico y toxicológico de tejidos, piensos,
objetos, etc. Se podrían presentar diagramas detallados de la preparación del alimento o del movimiento de los animales.
preparado y una búsqueda de casos adicionales en otras instalaciones o brotes de similares
naturaleza en otros lugares podrían realizarse. Esto también incluirá una revisión de la
literatura publicada.
b. Realizar un análisis económico:
Las posibles intervenciones deben evaluarse en función de costobeneficio o costoefectividad.
análisis.
8. Comunicar los hallazgos:
El resultado de la investigación del brote debe presentarse como un informe escrito que contenga
recomendaciones para controlar el brote y prevenir nuevos sucesos.
146
Ejemplos publicados de investigaciones de brotes son Wilesmith et al (1988), Thurmond (1986),
Yeruham et al (2003) e Irvine et al (2007). Waldner (2001) presenta una introducción detallada a
investigación de brotes para detectar problemas de salud del rebaño.
Modelado
Las investigaciones encaminadas a comprender los sistemas epidemiológicos a menudo implican el desarrollo de un
modelo del sistema. Se necesitan modelos donde la simulación mental no es capaz de representar múltiples
vínculos causales dentro de un sistema (Lempert et al., 2003). Según Klein (1998) el límite suele ser
alcanzado con tres variables clave y seis transiciones de un estado a otro. Los modelos pueden ser muy
simples o complejos, y pueden ser representaciones esquemáticas conceptuales del proceso biológico.
relaciones o permitir simulaciones dinámicas del sistema. El análisis estadístico de las enfermedades epidemiológicas.
Los datos a menudo implican el desarrollo de modelos basados en datos. Implican expresar la
relación entre varios factores de riesgo y una variable de resultado que normalmente utiliza una ecuación lineal
con un algoritmo estadístico que determina la ponderación de cada factor de riesgo. Con conocimiento impulsado
modelos, el investigador especifica los factores de riesgo y los valores de sus parámetros, basándose en
comprensión epidemiológica y datos existentes. Estos incluyen los modelos de evaluación de riesgos.
descrito anteriormente, así como modelos matemáticos y de simulación. Los modelos basados en el conocimiento pueden ser
estática o dinámica. Los modelos dinámicos se utilizan para representar procesos o sistemas dinámicos y
simular su comportamiento a través del tiempo. Imitan el sistema en estudio que permite probar
hipótesis específicas, por ejemplo, sobre la epidemiología de un proceso infeccioso, como la probabilidad
impacto de las medidas de control o para identificar lagunas en nuestra comprensión que necesitan mayor
investigación. La Figura 95 muestra un ejemplo de cómo un modelo podría representar la dinámica de
patogénesis de la enfermedad en un animal individual. Las transiciones entre diferentes estados del animal
en relación con el proceso patogénico se puede modelar mediante probabilidades. Para que el modelo pueda
Para representar la dinámica dentro de una población, también es necesario representar mecanismos para
transmisión. Esto conducirá a un patrón de transmisión como el que se muestra en la Figura 96, donde cada
147
El animal infectado tiene la posibilidad de infectar a otros animales susceptibles dentro de la población en contacto.
Un enfoque comúnmente utilizado para el modelado dinámico es representar una población como una serie de
compartimentos, por ejemplo, los compartimentos susceptible, infectado y recuperado/inmune, y luego utilizar
ecuaciones diferenciales para expresar la tasa de flujo de animales entre compartimentos. Este
Este enfoque también se denomina modelado SIR (susceptible/infeccioso/recuperado). Un resultado importante
El parámetro de tales modelos es la proporción reproductiva básica R0 (también número reproductivo básico,
tasa reproductiva básica) que cuantifica el número promedio de animales que se infectan por
animal infeccioso en una población susceptible (Heffernan et al., 2005). Está influenciado por el
duración de la infecciosidad, el número de contactos y la probabilidad de transmisión. R0 > 1 significa
que una infección continúa propagándose. Estos modelos pueden utilizarse luego para identificar estrategias de control.
que reducen el R0 por debajo de 1 y, por lo tanto, detiene la propagación de la infección.
No
expuesto
animales
susceptibles No
infectado
Expuesto
Recuperación
Infectado
Recuperación
Enfermedad
Infeccioso No Muerte
infeccioso
Infeccioso No
infeccioso
Figura 95: Posibles estados de un animal relevantes para el modelado epidemiológico dinámico en
relación con la patogénesis de una enfermedad infecciosa
148
Figura 96: Propagación de la infección a través de una población (gris: infectado; blanco: no infectado)
Como parte de un sistema de apoyo a la toma de decisiones, se pueden utilizar modelos para probar estrategias alternativas. Las herramientas
utilizados para el desarrollo de dichos modelos incluyen hojas de cálculo computarizadas que permiten
programadores para construir modelos simples. Los lenguajes de programación informática deben utilizarse cuando
desarrollar modelos más complejos. Antes de utilizar cualquier modelo o sus resultados para informar al
proceso de toma de decisiones, es necesario validarlos. Esto es mucho menos controvertido para los basados en datos.
que en el caso de los modelos basados en el conocimiento. La razón principal es que los primeros se basan más o menos en
datos recopilados de manera menos objetiva y, asumiendo que los datos se recopilaron sin sesgos importantes,
La validez interna y externa se puede describir en términos cuantitativos. Porque impulsado por el conocimiento
Los modelos son en gran medida un reflejo de las hipótesis sobre la relación del sistema formuladas.
Por los desarrolladores del modelo, su validez es difícil de evaluar y, por lo tanto, a menudo proporciona información sustancial.
oportunidad de controversia (Kitching et al., 2006). Sin duda, los modelos se convertirán, y para algunos, en
En gran medida ya son un elemento importante de apoyo a las decisiones, también en el ámbito de la salud animal. pero es util
tener presente la afirmación de Box (1979) de que "todos los modelos son erróneos, pero algunos son útiles".
Los usuarios potenciales de modelos no deben esperar que sea necesario demostrar la precisión de los modelos, pero
más bien es necesario demostrar que son lo suficientemente buenos para el propósito previsto.
Thrusfield (2005) proporciona una descripción detallada de los enfoques de modelado dinámico en el contexto de
salud animal.
149
Sistemas de información computarizados
La explosión en la cantidad de información que necesitamos manejar en el día a día ha
dio lugar a la necesidad de desarrollar medios más eficientes de gestión de la información. Varios tipos de
Se han desarrollado sistemas computarizados de información que permiten la entrada, almacenamiento, recuperación
y análisis de diversos tipos de datos. Los datos pueden ser recopilados por un ganadero sobre animales de producción.
desempeño o salud, por un médico veterinario sobre historias de casos de clientes, o por laboratorios en
relación con el diagnóstico de enfermedades. También puede incluir información científica, como información revisada por pares.
publicaciones. Un sistema de información de este tipo puede funcionar en un único ordenador, estar conectado en red localmente
o ser accesible a través de internet.
Internet se ha convertido en un mecanismo clave para el acceso a la información. Hay varios generales
motores de búsqueda, como Google (www.google.com) que facilitan el acceso a toda la información
accesible públicamente disponible en Internet. Una crítica importante es la falta de un control de calidad cuando
utilizando este tipo de búsqueda. Aunque el usuario final ahora tiene acceso a mucha más información,
Es necesario asumir un papel más activo a la hora de determinar qué es buena información y qué no. Wikipedia
es una enciclopedia electrónica gratuita donde todos pueden editar contenidos, y una veterinaria especializada
La base de conocimientos en línea ha sido desarrollada por escuelas de veterinaria del Reino Unido (www.wikivet.net). El
edición electrónica del Manual Veterinario Merck (ver www.merckvetmanual.com) es un ejemplo
de un libro de texto que ahora también se publica a través de Internet. La literatura científica más actualizada.
se puede buscar a través de sistemas de acceso bibliográfico como PubMed (ver www.pubmed.gov), y
Se puede acceder a las publicaciones de texto completo a través de los sitios web de los editores de acceso abierto, como BioMed Central.
(www.biomedcentral.com) así como varios sitios de acceso pago.
Los sistemas de información presentados anteriormente están destinados únicamente a la recuperación de información, pero no a
análisis. Para ayudar a los veterinarios a realizar diagnósticos, se utilizan métodos de inteligencia artificial, incluidos
Se pueden utilizar sistemas basados en el conocimiento (sistemas expertos) o redes neuronales. Ejemplos de tales
Los sistemas son BOVID y CANID, que son sistemas expertos probabilísticos utilizados para el diagnóstico del ganado.
150
y problemas de enfermedades caninas, respectivamente. La gestión de la salud del rebaño implica cada vez más el uso
de sistemas informatizados de registro y seguimiento como PigWIN®. Enfermedad nacional moderna
Los programas de control cuentan con sistemas informatizados de gestión de bases de datos como componente esencial. El
El sistema RADAR desarrollado en el Reino Unido combina diferentes fuentes de datos que pueden ser
accedido por varios tipos de usuarios, y también ejecuta una variedad de análisis (Paiba et al., 2007). A
El problema más importante al que se enfrentan estos sistemas es la variación en la calidad de los datos y cómo
comunicar esto al usuario final. Esta es probablemente una de las razones por las que la visión se desarrolló a lo largo de los años.
últimos 5 a 10 años de sistemas computarizados de soporte a decisiones que integran bases de datos, sistemas expertos
y los modelos de simulación aún no se han hecho realidad (Morris et al., 2002).
151
Índice
informes de casos, 49
A
serie de casos, 49
precisión, 112 estudio de cohortes de casos, 58
vigilancia activa, 151 estudio de casos y controles, 56
muestreo adaptativo, 96 causalidad, 28
acuerdo, 116 tasa de mortalidad por causa específica, 40
estudio analítico, 48 censo, 87
patrón animal, 153 teorema del límite central, 73
antagonismo, 81 oportunidad, 75
asociación aparente, 84 ensayo clínico, 50
prevalencia aparente, 122 muestreo por conglomerados, 89, 92
riesgo relativo aproximado, 64 estudio de cohorte, 54
inteligencia artificial, 158 riesgos competitivos, 35
tasa de ataque, 34, 40 sistemas de información computarizados, 158
fracción atribuible, 67 intervalo de confianza, 74
riesgo atribuible, 66 nivel de confianza, 98
tiempo promedio hasta el evento, 41 prueba confirmatoria, 136
sesgo de confusión, 71
B
factor de confusión, 45
proporción reproductiva básica, 156 evaluación de consecuencias, 147
Teorema de Bayes, 119 controlar, 50
parcialidad, 70 ensayo controlado, 50
interacción biológica, 29 muestreo por conveniencia, 88
cegamiento, 52 contar, 33
criterios de causalidad, 31
C
estudio cruzado, 52
muestreo de capturamarcarecaptura, 97 relación de productos cruzados, 64
estado portador, 25 estudio transversal, 59
definición de caso, 33 tasa bruta de mortalidad, 40
tasa de letalidad, 40 estimación bruta de riesgo o tasa, 45
incidencia acumulada, 34
152
diferencia de incidencia acumulada, 66 fracción etiológica, 67
tasa de incidencia acumulada, 63 evaluación de pruebas diagnósticas, 113
probabilidad de supervivencia acumulada, 42 medicina veterinaria basada en evidencia, 15
valor de corte, 112 exceso de riesgo, 66
variación esperada, 97
D
estudio de campo experimental, 50
modelado basado en datos, 16 estudio experimental, 50
modelos basados en datos, 155 estudio explicativo, 48
análisis de decisiones, 141 exposición, 62
análisis de árbol de decisión, 142 evaluación de exposición, 146
estudio descriptivo, 48 validez externa, 70, 88
efecto de diseño, 95, 99

F
precisión deseada, 98
determinantes de la salud y la enfermedad, 25 fuerza de la morbilidad, 35
proceso de diagnóstico, 110 fuerza de la mortalidad, 35
prueba de diagnóstico, 111

GRAMO
rendimiento de la prueba de diagnóstico, 112
pruebas diagnósticas, 110 método de distribución gaussiana, 125
método de valor diagnóstico, 125 patrón oro, 112
causa directa, 29
—H—
estandarización directa, 45
vectores de enfermedades, 26 función de riesgo, 42
doble muestreo, 96 identificación de peligros, 146
tasa de riesgo, 35, 42

Y
Postulados de HenleKoch, 31
falacia ecológica, 49 software de gestión de la salud del rebaño, 159
estudio ecológico, 49 sensibilidad de rebaño, 138
modificación del efecto, 81 especificidad del rebaño, 138
endémica, 19 determinantes del huésped, 26
determinantes ambientales, 27 relación anfitrión/agente, 25
epidemia, 19
I
curva epidémica, 19
establecer la causa, 30 densidad de incidencia, 35
estimación, 74 índice de densidad de incidencia, 64
153
proporción de incidencia, 34 modelo matemático, 155
tasa de incidencia, 35 tiempo medio de supervivencia, 42
diferencia en la tasa de incidencia, 66 metanálisis, 49
tasa de incidencia, 64 métodos de transmisión, 26
riesgo de incidencia, 34 sesgo de clasificación errónea, 71, 112
período de incubación, 25 vigilancia molecular, 151
causas indirectas, 29 tasa de mortalidad, 40
estandarización indirecta, 46 razón de verosimilitud multinivel, 129
Inducción, 30 muestreo multietapa, 89, 93
sesgo de información, 71
NORTE
interacción, 81
huéspedes intermediarios, 26 causa necesaria, 28
validez interna, 70, 87 repruebas negativas para el rebaño, 140
estudio de intervención, 50 estudio de casos y controles anidado, 58
coeficiente de correlación intragrupo, 99, 109 muestreo no probabilístico, 88
nulo hipótesis, 74
—J—
número necesario a tratar, 67
muestreo de juicio, 88
O
—K—
estudio observacional, 53
prueba kappa, 116 razón de probabilidades, 64
modelado basado en el conocimiento, 16 brote, 19
modelos basados en el conocimiento, 155 investigación de brotes, 152
—L— PAG
estudio de laboratorio, 50 valor p, 76
infección latente, 25 pandemia, 19
ratio de verosimilitud, 128 Inmunidad pasiva, 27
estudio longitudinal, 54 vigilancia pasiva, 151
muestreo de control de calidad del lote, 96 patogenicidad, 25
riesgo atribuible a la población, 66

METRO
población de interés, 86
enmascaramiento, 52 probabilidad posterior, 122
emparejamiento, 54 postestratificación, 96
154
prevalencia postprueba, 122 proporción, 33
probabilidad postprueba, 122 curva característica de funcionamiento del receptor, 126
impacto potencial, 62 prueba de referencia, 112
poder, 76 refutacionismo, 30
poder de la prueba, 99 regresión a la media, 51
precisión, 74, 112 probabilidades relativas, 64
valor predictivo, 119 riesgo relativo, 63
método de valor predictivo, 125 evaluación de liberación, 146
prevalencia previa a la prueba, 122 estudio retrospectivo, 53
probabilidad previa a la prueba, 122 censura derecha, 41
prevalencia, 37 riesgo, 34
diferencia de prevalencia, 66 análisis de riesgos, 145
tasa de prevalencia, 63 evaluación de riesgos, 146
fracción prevenida, 68 comunicación de riesgos, 148
unidad primaria de muestreo, 93 diferencia de riesgo, 66
prevalencia previa, 122 factor de riesgo, 25
probabilidad previa, 122 factores de riesgo, 62
probabilidad de no detectar enfermedad, 104 gestión de riesgos, 148
muestreo probabilístico, 89 ratio de riesgo, 63
proporción, 34 diseño de estudio de casos y controles basado en el riesgo, 57
estudio prospectivo, 53 vigilancia basada en riesgos, 151
muestreo intencional, 88 curva ROC, 126
valor p, 74
S
—P—
muestra, 48, 87
muestreo por cuotas, 96 tamaño de la muestra, 97
tamaño de muestra para parámetro continuo, 105

—R—
tamaño de muestra para detectar enfermedades, 102
asignación aleatoria, 50 Tamaño de la muestra para el nivel de aparición de la enfermedad, 99.
aleatorización, 50 unidad de muestra, 88
ensayo controlado aleatorio, 50 muestreo, 86
tasa, 33 fracción de muestreo, 88
relación de tasas, 64 marco muestral, 87
diseño de estudio de casos y controles basado en tasas, 57 intervalo de muestreo, 90
155
unidad de muestreo, 87 revisión sistemática, 49
prueba de detección, 136 muestreo sistemático, 89, 90
unidad secundaria de muestreo, 93

—T—
sesgo de selección, 71
sensibilidad, 114 población objetivo, 48, 86, 87
vigilancia centinela, 151 patrón temporal, 19, 153
pruebas secuenciales, 140 interpretación de pruebas a nivel individual, 119
muestreo aleatorio simple, 89 rendimiento de la prueba, 119
modelo de simulación, 155 tiempo en riesgo, 35
muestreo de bola de nieve, 96 tiempo hasta el evento, 41
población de origen, 48, 87 prevalencia real, 121
patrón espacial, 24, 153 Error tipo I, 76
especificidad, 114 Error tipo II, 76
esporádico, 19
EN
estandarización, 45
índice de morbilidad estandarizado, 46 experimentos no controlados, 51
tasa de mortalidad estandarizada, 46

EN
prueba de hipótesis estadística, 74
significación estadística, 75 eficacia de la vacuna, 68
muestreo estratificado, 89, 91 epidemiología veterinaria, 15
fuerza de asociación, 62 virulencia, 25
grupo de estudio, 48, 87

EN
unidad de estudio, 48, 88
causa suficiente, 28 red de causalidad, 28
encuesta, 49
A
supervivencia, 41
función de supervivencia, 42 αerror, 76
vigilancia sindrómica, 151
B
sinergismo, 81
error sistemático, 70
β error, 76
156
Referencias
Altman, DG, Machin, D., Bryant, TN, Gardner, MJ, 2000. Estadísticas fiables. Libros BMJ.
Anderson, I., 2002. Fiebre aftosa 2001: Informe de investigación sobre lecciones aprendidas. The Papelería Office,
Londres, Reino Unido.
Anderson, RM, Fraser, C., Ghani, AC, Donnelly, CA, Riley, S., Ferguson, NM, Leung, GM, Lam, TH, Hedley, AJ, 2004.
Epidemiología, dinámica de transmisión y control del SARS: el Epidemia 20022003. Filos. Trans. R. Soc. Londres
B Biol. Ciencia. 359, 10911105.
Anónimo, 2000. Vigilancia veterinaria en Inglaterra y Gales: una revisión. Ministerio de Agricultura, Pesca y
Alimentación, Londres, Reino Unido.
Anónimo, 2004a. Manual sobre análisis de riesgos de importación de animales y productos animales:
Introducción y análisis de riesgos cualitativos. Publicaciones de la OIE, París, Francia.
Anónimo, 2004b. Manual sobre análisis de riesgos de importación de animales y productos animales:
análisis de riesgos cuantitativos. Publicaciones de la OIE, París, Francia.
Anónimo, 2006. Boletín de epidemia de lengua azul serotipo 8: período de brote hasta el 30 de octubre de 2006.
Autoridad Europea de Seguridad Alimentaria, Parma, Italia.
Box, GEP, 1979. Robustez en la estrategia de construcción de modelos científicos. En: Launer, RL, Wilkinson,
GN (Eds.), Robustez en las estadísticas. Prensa académica, Nueva York.
Caswell, JL, Archambault, M., 2007. Neumonía por Mycoplasma bovis en ganado vacuno. Reseñas de
investigaciones sobre salud animal 8, 161186.
Cockcroft, P., Holmes, M., 2003. Manual de medicina veterinaria basada en evidencia. Blackwell Publishing,
Oxford, Reino Unido.
Dabo, SM, Taylor, JD, Confer, AW, 2007. Pasteurella multocida y enfermedad respiratoria bovina. Reseñas de
investigaciones sobre salud animal 8, 129150.
Dohoo, IR, Martin, W., Stryhn, H., 2003. Investigación epidemiológica veterinaria. AVC Inc., Charlottetown,
Isla del Príncipe Eduardo, Canadá.
Evans, AS, 1976. Causalidad y enfermedad: revisión de los postulados de HenleKoch. Yale J. Biol. Medicina. 49,
175195.
Falkow, S., 2004. Los postulados moleculares de Koch aplicados a la patogenicidad bacteriana: un recuerdo
personal 15 años después. Nat. Rev. Microbiol. 2, 6772.
Fletcher, RW, Fletcher, SW, 2005. Epidemiología clínica: lo esencial. Lippincott Williams & Wilkins, Filadelfia, Estados
Unidos.
157
Fredericks, DN, Relman, DA, 1996. Identificación basada en secuencias de patógenos microbianos: una reconsideración
de los postulados de Koch. Clínico. Microbiol. Apocalipsis 9, 1833.
Gibbens, JC, Wilesmith, JW, 2002. Distribución temporal y geográfica de los casos de fiebre aftosa durante las primeras
semanas de la epidemia de 2001 en Gran Bretaña. Veterinario. Rec. 151, 407412.
Greenhalgh, T., 2006. Cómo leer un artículo: los fundamentos de la medicina basada en la evidencia. BMJ Books, Londres,
Reino Unido.
Greiner, M., Pfeiffer, D., Smith, RD, 2000. Principios y aplicación práctica del análisis de características operativas del
receptor para pruebas de diagnóstico. Medicina Veterinaria Preventiva 45, 2341.
Gross, R., 1999. Toma de decisiones médicas. Colegio Americano de Médicos, Filadelfia, Pensilvania.
Hadorn, DC, Stark, KD, 2008. Evaluación y optimización de sistemas de vigilancia para enfermedades infecciosas raras y
emergentes. Res. veterinaria. 39, 57.
Hartnett, E., Adkin, A., Seaman, M., Cooper, J., Watson, E., Coburn, H., Inglaterra, T., Marooney, C., Cox, A., Wooldridge,
M., 2007. Una evaluación cuantitativa de los riesgos de la carne importada ilegalmente contaminada con el virus de la
fiebre aftosa a Gran Bretaña. Anal de riesgo. 27, 187202.
Heffernan, JM, Smith, RJ, Wahl, LM, 2005. Perspectivas sobre la proporción reproductiva básica.
Revista de la Royal Society Interface 2, 281293.
Hill, AB, 1965. El medio ambiente y la enfermedad: ¿asociación o causalidad? Actas de la Real Sociedad de Medicina 58,
295300.
Houe, H., Ersboll, AK, Toft, N., 2004. Introducción a la epidemiología veterinaria. Biofolia, Frederiksberg, Dinamarca.
Humphry, RW, Cameron, A., Gunn, GJ, 2004. Un enfoque práctico para calcular el tamaño de la muestra para encuestas de
prevalencia de rebaños. Anterior. Veterinario. Medicina. 65, 173188.
Irvine, RM, Banks, J., Londt, BZ, Lister, SA, Manvell, RJ, Outtrim, L., Russell, C., Cox, WJ, Ceeraz, V., Shell, W., Landeg, FJ,
Wilesmith , JW, Alexander, DJ, Brown, IH, 2007. Brote de influenza aviar altamente patógena causada por el virus H5N1 de
linaje asiático en pavos en Gran Bretaña en enero de 2007. Vet Rec. 161, 100101.
Jordan, D., McEwen, SA, 1998. Rendimiento de las pruebas a nivel de rebaño basado en estimaciones inciertas del
rendimiento de las pruebas individuales, la prevalencia real individual y la prevalencia verdadera del rebaño.
Medicina Veterinaria Preventiva 36, 187209.
Jost, CC, Mariner, JC, Roeder, PL, Sawitri, E., MacgregorSkinner, GJ, 2007. Epidemiología participativa en la vigilancia
e investigación de enfermedades. Revue Scientifique et TechniqueOffice International des Epizooties 26, 537549.
Khoury, MJ, Millikan, R., Gwinn, M., 2008. Epidemiología genética y molecular. En: Rothman, KJ, Groenlandia, S., Lash, TL
(Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, págs. 564579.
158
Kitching, RP, Thrusfield, MV, Taylor, NM, 2006. Uso y abuso de modelos matemáticos: una ilustración de la epidemia
de fiebre aftosa de 2001 en el Reino Unido. Rev. Ciencia. Tecnología. 25, 293311.
Klein, G., 1998. Fuentes de poder: cómo las personas toman decisiones. MIT Press, Cambridge, Massachusetts.
Kraemer, HC, 1992. Evaluación de pruebas médicas: directrices objetivas y cuantitativas. Publicaciones Sage,
Newbury Park.
Lempert, RJ, Popper, SW, Bankes, SC, 2003. Dar forma a los próximos cien años: nuevos métodos para el
análisis cuantitativo de políticas a largo plazo. RAND Corporation, Santa Mónica, CA.
Levy, PS, Lemeshow, S., 2008. Muestreo de poblaciones: métodos y aplicaciones. John Wiley & Sons, Nueva York.
Lipkin, WI, 2008. Descubrimiento de patógenos. PLoS Pathog 4, e1000002.
Loader, R., Amartya, L., 1999. Evaluación Rural Participativa: ampliando la base de métodos de investigación.
Sistemas agrícolas 62, 7385.
Mackintosh, CG, Schollum, LM, Harris, RE, Blackmore, DK, Willis, AF, Cook, NR, Stoke, JCJ, 1980. Epidemiología de
la leptospirosis en trabajadores de granjas lecheras en Manawatu: Parte I: una encuesta serológica transversal y
factores ocupacionales asociados. Veterinario de Nueva Zelanda. J. 28, 245250.
Martin, PA, Cameron, AR, Greiner, M., 2007. Demostrar la ausencia de enfermedades utilizando múltiples
fuentes de datos complejas 1: una nueva metodología basada en árboles de escenarios. Anterior. Médico veterinario.
79, 7197.
Morris, JA, Gardner, MJ, 2000. Estudios epidemiológicos. En: Altman, DG, Machin, D., Bryant, TN, Gardner, MJ
(Eds.), Estadísticas con confianza. British Medical Journal Books, Londres, Reino Unido, págs. 5772.
Morris, RS, Sanson, RL, Stern, MW, Stevenson, M., Wilesmith, JW, 2002. Herramientas de apoyo a la toma de
decisiones para el control de la fiebre aftosa. Rev. Ciencia. Tecnología. 21, 557567.
Nielsen, SS, Houe, H., Ersbøll, AK, Toft, N., 2004. Evaluación de pruebas de diagnóstico. En: Houe, H., Ersbøll,
AK, Toft, N. (Eds.), Introducción a la epidemiología veterinaria. Biofolia, Frederiksberg, Dinamarca, págs. 133151.
Noordhuizen, JPTM, Thrusfield, MV, Frankena, K., Graat, EAM, 2001. Aplicación de métodos cuantitativos en
epidemiología veterinaria. Wageningen Press, Wageningen, Países Bajos.
Page, GP, George, V., Go, RC, Page, PZ, Allison, DB, 2003. "¿Ya llegamos?": Decidir cuándo se ha demostrado
una causalidad genética específica en enfermedades complejas y rasgos cuantitativos.
Soy. J Hum. Gineta. 73, 711719.
Paiba, GA, Roberts, SR, Houston, CW, Williams, EC, Smith, LH, Gibbens, JC, Holdship, S., Lysons, R., 2007.
Vigilancia del Reino Unido: suministro de información de calidad garantizada a partir de conjuntos de datos
combinados. Anterior. Veterinario. Medicina. 81, 117134.
Pfeiffer, DU, 2008. Tuberculosis animal. En: Davies, PDO, Barnes, PF, Gordon, SB (Eds.), Tuberculosis clínica.
Holder Arnold, Londres, Reino Unido, págs. 519528.
159
Pfeiffer, DU, Brown, I., Fouchier, RAM, Gaidet, N., Guberti, V., Harder, T., Langston, R., SoaresMagalhaes, RJ,
Martin, V., Sharp, JM, Stroud, D., Szewcyk, B., Veen, J., Waldenström, J., Stärk, KDC, 2006. Aves migratorias y su
posible papel en la propagación de la influenza aviar altamente patógena. Revista EFSA 357, 146.
Pfeiffer, DU, Minh, PQ, Martin, V., Epprecht, M., Otte, MJ, 2007. Un análisis de los patrones espaciales y temporales
de la aparición de influenza aviar altamente patógena en Vietnam utilizando datos de vigilancia nacional. veterinario
j.
Racloz, V., Griot, C., Stark, KD, 2006. Sistemas de vigilancia centinela con especial atención a las enfermedades
transmitidas por vectores. Anim Salud Res. Apocalipsis 7, 7179.
Radostits, OM, 2001. Salud del rebaño. WB Saunders Company, Filadelfia, EE. UU.
Radostits, OM, Gay, CC, Hinchcliff, KW, Constable, PD, 2006. Medicina veterinaria: un libro de texto sobre las
enfermedades del ganado vacuno, ovino, porcino, caprino y equino. WB Saunders Company Ltd, Londres.
Reichel, MP, Pfeiffer, DU, 2002. Un análisis de las características de desempeño de las pruebas serológicas para el
diagnóstico de la infección por Neospora caninum en bovinos. Parasitología Veterinaria 107, 197207.
Rice, JA, CarrascoMedina, L., Hodgins, DC, Shewen, PE, 2007. Mannheimia haemolytica y enfermedad respiratoria
bovina. Anim Salud Res. Apocalipsis 8, 117128.
Rothman, KJ, 2002. Epidemiología: introducción. Oxford University Press, Oxford, Reino Unido.
Rothman, KJ, Groenlandia, S., ., Ash, TL, 2008a. Validez en estudios epidemiológicos. En: Rothman, KJ, Groenlandia,
S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, págs. 128147.
Rothman, KJ, Groenlandia, S.,., Lash, TL, 2008b. Precisión y estadística en estudios epidemiológicos.
En: Rothman, KJ, Groenlandia, S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia,
págs. 148167.
Rothman, KJ, Groenlandia, S., Lash, TL, 2008c. Estudios de casos y controles. En: Rothman, KJ,
Groenlandia, S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, págs.
111127.
Rothman, KJ, Groenlandia, S., Lash, TL, 2008d. Epidemiología moderna. Lippincott Williams & Wilkins, Filadelfia.
Rothman, KJ, Groenlandia, S., Poole, C., Lash, TL, 2008e. Causalidad e inferencia causal. En: Rothman, KJ,
Groenlandia, S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, págs. 531.
Rushton, J., 2008. La economía de la salud y la producción animal. CABI, Wallingford, Oxfordshire, Reino
Unido.
Salman, MD, 2003. Sistemas de vigilancia y encuesta de enfermedades animales: métodos y aplicaciones.
WileyBlackwell.
160
Slenning, BD, 2001. Herramientas cuantitativas para veterinarios orientados a la producción. En: Radostits, OM
(Ed.), Salud del rebaño. WB Saunders Company, Filadelfia, EE.UU., págs. 47106.
Smith, RD, 2006. Epidemiología clínica veterinaria. CRC Press, Boca Ratón, Flordía, Estados Unidos.
Stärk, KD, Regula, G., Hernández, J., Knopf, L., Fuchs, K., Morris, RS, Davies, P., 2006.
Conceptos para la vigilancia basada en riesgos en el campo de la medicina veterinaria y la salud pública veterinaria:
revisión de los enfoques actuales. BMC. Servicio de Salud. Res. 6, 20.
Stegeman, A., Bouma, A., Elbers, AR, de Jong, MC, Nodelijk, G., de, KF, Koch, G., van, BM, 2004. Epidemia del virus de la
influenza aviar A (H7N7) en los Países Bajos en 2003: evolución de la epidemia y eficacia de las medidas de control.
J. Infectar. Dis. 190, 20882095.
Stegeman, A., Elbers, A., de, SH, Moser, H., Smak, J., Pluimers, F., 2000. La epidemia de peste porcina clásica de
19971998 en los Países Bajos. Veterinario. Microbiol. 73, 183196.
Straw, BE, Dewey, CE, Wilson, MR, 2006. Diagnóstico diferencial de enfermedades. En: Straw, BE, Zimmermann, JJ, d'Allaire,
S., Taylor, DJ (Eds.), Enfermedades de los cerdos. Blackwell Publishing, Ames, Iowa, EE.UU., págs. 241286.
Thompson, SK, 2002. Muestreo. John Wiley & Sons, Nueva York.
Thompson, SK, Collins, LM, 2002. Muestreo adaptativo en investigaciones sobre conductas relacionadas con riesgos.
Dependencia de drogas y alcohol 68, 5767.
Thrusfield, MV, 2005. Epidemiología veterinaria. Blackwell Science, Oxford, Reino Unido.
Thurmond, MC, 1986. Enfoques epidemiológicos utilizados en la práctica de salud del rebaño para investigar la mortalidad
neonatal de los terneros. Anterior. Veterinario. Medicina. 4, 317328.
http://dx.doi.org/10.1037/0033295X.109.1.13 Thomas, B., Dufour, B., Sanaa, M., Benet, J.J., Ellis, P., Moutou, F. .,
Louza, A., 1999. Epidemiología veterinaria aplicada y control de enfermedades en poblaciones... AEEMA, CasasAlfort,
Francia.
Vallat, B., 2008. Código sanitario para los animales terrestres. Organización Mundial de Sanidad Animal, París, Francia.
Vose, D., 2008. Análisis de riesgos: una guía cuantitativa. John Wiley & Sons, Chichester, West Sussex, Inglaterra.
Wagner, B., Salman, MD, 2004. Estrategias para diseños de muestreo en dos etapas para estimar la prevalencia a nivel de
rebaño. Anterior. Veterinario. Medicina. 66, 117.
Waldner, C., 2001. Investigación de brotes de enfermedades y productividad subóptima en rebaños. En: Radostits, OM
(Ed.), Salud del rebaño. WB Saunders Company, Filadelfia, EE. UU., págs. 189209.
Wilesmith, JW, Ryan, JBM, Atkinson, MJ, 1991. Encefalopatía espongiforme bovina: estudios epidemiológicos sobre
el origen. Registro Veterinario 128, 199203.
Wilesmith, JW, Wells, GA, Cranwell, MP, Ryan, JB, 1988. Encefalopatía espongiforme bovina: estudios
epidemiológicos. Rec. Veterinario. 123, 638644.
161
Yeruham, I., Elad, D., Avidar, Y., Grinberg, K., Tiomkin, D., Monbaz, A., 2003. Brote de botulismo tipo B en un
rebaño de ganado lechero: aspectos clínicos y epidemiológicos. Rec. Veterinario. 153, 270272.
Zinsstag, J., Schelling, E., Wyss, K., Mahamat, MB, 2005. Potencial de la cooperación entre la salud humana y
animal para fortalecer los sistemas de salud. The Lancet 366, 21422145.
Altman, DG, Machin, D., Bryant, TN, Gardner, MJ, 2000. Estadísticas fiables. BMJ
Libros.
Anderson, RM, Fraser, C., Ghani, AC, Donnelly, CA, Riley, S., Ferguson, NM, Leung, GM, Lam, TH, Hedley, AJ, 2004.
Epidemiología, dinámica de transmisión y control del SARS: el Epidemia 20022003. Philos.Trans.R.Soc.Lond B
Biol.Sci. 359, 10911105.
Anónimo, 2000. Vigilancia veterinaria en Inglaterra y Gales: una revisión. Ministerio de
Agricultura, Pesca y Alimentación, Londres, Reino Unido.
Anónimo, 2004a. Manual sobre análisis de riesgos de importación de animales y productos animales:
Introducción y análisis de riesgos cualitativos. Publicaciones de la OIE París, Francia.
Anónimo, 2004b. Manual sobre análisis de riesgos de importación de animales y productos animales: análisis
de riesgos cuantitativos. Publicaciones de la OIE París, Francia.
Anónimo, 2006. Boletín de epidemia de lengua azul serotipo 8: período de brote hasta el 30 de octubre de 2006.
Autoridad Europea de Seguridad Alimentaria, Parma, Italia.
Box, GEP, 1979. Robustez en la estrategia de construcción de modelos científicos. En: Launer, RL, Wilkinson,
GN (Eds.), Robustez en las estadísticas. Prensa académica, Nueva York.
Caswell, JL, Archambault, M., 2007. Neumonía por Mycoplasma bovis en ganado vacuno. Reseñas de investigaciones
sobre salud animal 8, 161186.
Cockcroft, P., Holmes, M., 2003. Manual de medicina veterinaria basada en evidencia. Blackwell
Editorial Oxford, Reino Unido.
Dabo, SM, Taylor, JD, Confer, AW, 2007. Pasteurella multocida y enfermedades respiratorias bovinas
enfermedad. Reseñas de investigaciones sobre salud animal 8, 129150.
Dohoo, IR, Martin, W., Stryhn, H., 2003. Investigación epidemiológica veterinaria. AVC Inc.
Charlottetown, Isla del Príncipe Eduardo, Canadá.
Evans, AS, 1976. Causalidad y enfermedad: revisión de los postulados de HenleKoch. Yale J.Biol.Med.
49, 175195.
Falkow, S., 2004. Los postulados moleculares de Koch aplicados a la patogenicidad bacteriana: un recuerdo
personal 15 años después. Nat.Rev.Microbiol. 2, 6772.
Fletcher, RW, Fletcher, SW, 2005. Epidemiología clínica: lo esencial. Lippincott Williams y
Wilkins Filadelfia, Estados Unidos.
Fredericks, DN, Relman, DA, 1996. Identificación basada en secuencias de patógenos microbianos: una
reconsideración de los postulados de Koch. Clin.Microbiol.Rev. 9, 1833.
Gibbens, JC, Wilesmith, JW, 2002. Distribución temporal y geográfica de los casos de fiebre aftosa durante las primeras
semanas de la epidemia de 2001 en Gran Bretaña. Registro Veterinario 151, 407412.
Greenhalgh, T., 2006. Cómo leer un artículo: los fundamentos de la medicina basada en la evidencia. Libros BMJ
Londres, Reino Unido.
Greiner, M., Pfeiffer, D., Smith, RD, 2000. Principios y aplicación práctica del receptor.
Análisis de características operativas para pruebas de diagnóstico. Medicina Veterinaria Preventiva 45, 23 41.
Gross, R., 1999. Toma de decisiones médicas. Colegio Americano de Médicos Filadelfia, Pensilvania.
162
Hadorn, DC, Stark, KD, 2008. Evaluación y optimización de sistemas de vigilancia para especies raras y
enfermedades infecciosas emergentes. Res. veterinaria. 39, 57.
Hartnett, E., Adkin, A., Seaman, M., Cooper, J., Watson, E., Coburn, H., Inglaterra, T., Marooney, C., Cox, A.,
Wooldridge, M., 2007. Una evaluación cuantitativa de los riesgos de la carne importada ilegalmente
contaminada con el virus de la fiebre aftosa a Gran Bretaña. Anal de riesgo. 27, 187202.
Heffernan, JM, Smith, RJ, Wahl, LM, 2005. Perspectivas sobre la proporción reproductiva básica.
Revista de la Royal Society Interface 2, 281293.
Hill, AB, 1965. El medio ambiente y la enfermedad: ¿asociación o causalidad? Actas de la Real Sociedad de Medicina 58,
295300.
Houe, H., Ersboll, AK, Toft, N., 2004. Introducción a la epidemiología veterinaria. biofolia
Frederiksberg, Dinamarca.
Humphry, RW, Cameron, A., Gunn, GJ, 2004. Un enfoque práctico para calcular el tamaño de la muestra para encuestas
de prevalencia de rebaños. Medicina Veterinaria Preventiva 65, 173188.
Irvine, RM, Banks, J., Londt, BZ, Lister, SA, Manvell, RJ, Outtrim, L., Russell, C., Cox, WJ, Ceeraz, V., Shell, W., Landeg,
FJ, Wilesmith , JW, Alexander, DJ, Brown, IH, 2007.
Brote de influenza aviar altamente patógena causado por el virus H5N1 de linaje asiático en pavos en
Gran Bretaña en enero de 2007. The Veterinary Record 161, 100101.
Jordan, D., McEwen, SA, 1998. Rendimiento de pruebas a nivel de rebaño basado en estimaciones inciertas de
rendimiento de la prueba individual, prevalencia real individual y prevalencia real del rebaño. Medicina Veterinaria
Preventiva 36, 187209.
Jost, CC, Mariner, JC, Roeder, PL, Sawitri, E., MacgregorSkinner, GJ, 2007. Participativo
epidemiología en la vigilancia e investigación de enfermedades. Oficina de Revisión Científica y Técnica
Internacional de Epizootias 26, 537549.
Khoury, MJ, Millikan, R., Gwinn, M., 2008. Epidemiología genética y molecular. En: Rothman, KJ, Groenlandia, S., Lash,
TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, 564579.
Kitching, RP, Thrusfield, MV, Taylor, NM, 2006. Uso y abuso de modelos matemáticos: una ilustración de la epidemia
de fiebre aftosa de 2001 en el Reino Unido.
Rev.Sci.Tech. 25, 293311.
Klein, G., 1998. Fuentes de poder: cómo las personas toman decisiones. MIT Press Cambridge, Massachusetts.
Kraemer, HC, 1992. Evaluación de pruebas médicas: directrices objetivas y cuantitativas. Publicaciones Sage
Newbury Park.
Lempert, RJ, Popper, SW, Bankes, SC, 2003. Dando forma a los próximos cien años Nuevo
métodos para el análisis cuantitativo de políticas a largo plazo. RAND Corporation Santa Mónica, CA.
Levy, PS, Lemeshow, S., 2008. Muestreo de poblaciones: métodos y aplicaciones. John Wiley & Sons Nueva York.
Lipkin, WI, 2008. Descubrimiento de patógenos. PLoS Pathog 4, e1000002.

Loader, R., Amartya, L., 1999. Evaluación Rural Participativa: ampliando la base de métodos de investigación.
Sistemas agrícolas 62, 7385.
Mackintosh, CG, Schollum, LM, Harris, RE, Blackmore, DK, Willis, AF, Cook, NR, Stoke, JCJ, 1980. Epidemiología de la
leptospirosis en trabajadores de granjas lecheras en Manawatu: Parte I: Una encuesta serológica transversal y
factores ocupacionales asociados. Revista veterinaria de Nueva Zelanda 28, 245250.
Martin, PA, Cameron, AR, Greiner, M., 2007. Demostrar la ausencia de enfermedades utilizando
múltiples fuentes de datos complejas 1: una nueva metodología basada en árboles de escenarios.
AnteriorVet Med. 79, 7197.
Morris, JA, Gardner, MJ, 2000. Estudios epidemiológicos. En: Altman, DG, Machin, D., Bryant, TN, Gardner, MJ (Eds.),
Estadísticas con confianza. British Medical Journal Books, Londres, Reino Unido, 5772.
163
Morris, RS, Sanson, RL, Stern, MW, Stevenson, M., Wilesmith, JW, 2002. Herramientas de apoyo a la toma de decisiones
para la fiebre aftosa. Revue Scientifique et Technique de l'Office International des Epizooties 21, 557567.
Morris, SE, Wakefield, JC, 2000. Evaluación del riesgo de enfermedad en relación con una fuente predeterminada.
En: Elliott, P., Wakefield, JC, Best, NG, Briggs, DJ (Eds.), Epidemiología espacial: métodos y aplicaciones.
Oxford University Press, Oxford, Inglaterra, 153184.
Nielsen, SS, Houe, H., Ersbâll, AK, Toft, N., 2004. Evaluación de pruebas de diagnóstico. En: Houe, H., Ersb›ll, AK,
Toft, N. (Eds.), Introducción a la epidemiología veterinaria. Biofolia, Frederiksberg, Dinamarca,
133151.
Noordhuizen, JPTM, Thrusfield, MV, Frankena, K., Graat, EAM, 2001. Aplicación de métodos cuantitativos en
epidemiología veterinaria. Prensa de Wageningen Wageningen, Países Bajos.
Page, GP, George, V., Go, RC, Page, PZ, Allison, DB, 2003. "¿Ya llegamos a ese punto?": Decidir
cuando se ha demostrado una causalidad genética específica en enfermedades complejas y rasgos cuantitativos.
Am.J Hum.Genet. 73, 711719.
Paiba, GA, Roberts, SR, Houston, CW, Williams, EC, Smith, LH, Gibbens, JC, Holdship, S., Lysons, R., 2007. Vigilancia
del Reino Unido: suministro de información de calidad garantizada a partir de conjuntos de datos
combinados. Medicina Veterinaria Preventiva 81, 117134.
Pfeiffer, DU, 2008. Tuberculosis animal. En: Davies, PDO, Barnes, PF, Gordon, SB (Eds.), Tuberculosis clínica. Holder
Arnold, Londres, Reino Unido, 519528.
Pfeiffer, DU, Brown, I., Fouchier, RAM, Gaidet, N., Guberti, V., Harder, T., Langston, R., SoaresMagalhaes, RJ,
Martin, V., Sharp, JM, Stroud, D., Szewcyk, B., Veen, J., Waldenstr”m, J., St”rk, KDC, 2006. Aves
migratorias y su posible papel en la propagación de la influenza aviar altamente patógena. Revista EFSA 357,
146.
Pfeiffer, DU, Minh, PQ, Martin, V., Epprecht, M., Otte, MJ, 2007. Un análisis de los patrones espaciales y temporales
de la aparición de influenza aviar altamente patógena en Vietnam utilizando datos de vigilancia nacional.
veterinario j.
Racloz, V., Griot, C., Stark, KD, 2006. Sistemas de vigilancia centinela con especial enfoque en vectores.
enfermedades transmitidas. Anim Salud Res.Rev. 7, 7179.
Radostits, OM, 2001. Salud del rebaño. WB Saunders Company Filadelfia, Estados Unidos.
Radostits, OM, Gay, CC, Hinchcliff, KW, Constable, PD, 2006. Medicina veterinaria A
Libro de texto de las enfermedades del ganado vacuno, ovino, porcino, caprino y equino. WB Saunders
Company Ltd Londres.
Reichel, MP, Pfeiffer, DU, 2002. Un análisis de las características de rendimiento de los serológicos.
Pruebas para el diagnóstico de la infección por Neospora caninum en bovinos. Parasitología Veterinaria 107,
197207.
Rice, JA, CarrascoMedina, L., Hodgins, DC, Shewen, PE, 2007. Mannheimia haemolytica y
enfermedad respiratoria bovina. Anim Salud Res.Rev. 8, 117128.
Rothman, KJ, 2002. Epidemiología: introducción. Oxford University Press Oxford, Estados Unidos
Reino.
Rothman, KJ, Groenlandia, S., Lash, TL, 2008a. Estudios de casos y controles. En: Rothman, KJ,
Groenlandia, S., Lash, TL (Eds.), Epidemiología moderna. Lippincott Williams & Wilkins, Filadelfia, 111127.
Rothman, KJ, Groenlandia, S., Lash, TL, 2008b. Epidemiología moderna. Lippincott Williams & Wilkins Filadelfia.
Rothman, KJ, Groenlandia, S., Lash, TL, 2008c. Precisión y estadística en estudios epidemiológicos.
En: Rothman, KJ, Groenlandia, S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins,
Filadelfia, 148167.
164
Rothman, KJ, Groenlandia, S., Lash, TL, 2008d. Validez en estudios epidemiológicos. En: Rothman, KJ, Groenlandia, S.,
Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, 128147.
Rothman, KJ, Groenlandia, S., Poole, C., Lash, TL, 2008e. Causalidad e inferencia causal. En: Rothman, KJ,
Groenlandia, S., Lash, TL (Eds.), Modern Epidemiology. Lippincott Williams & Wilkins, Filadelfia, 531.
Rushton, J., 2008. La economía de la salud y la producción animal. CABI Wallingford, Oxfordshire, Reino
Unido.
Salman, MD, 2003. Sistemas de vigilancia y encuesta de enfermedades animales: métodos y aplicaciones.
WileyBlackwell.
Slenning, BD, 2001. Herramientas cuantitativas para veterinarios orientados a la producción. En: Radostits, OM
(Ed.), Salud del rebaño. WB Saunders Company, Filadelfia, EE. UU., 47106.
Smith, RD, 2006. Epidemiología clínica veterinaria. CRC Press Boca Ratón, Flordía, Estados Unidos.
Stärk, KD, Regula, G., Hernandez, J., Knopf, L., Fuchs, K., Morris, RS, Davies, P., 2006.
Conceptos para la vigilancia basada en riesgos en el campo de la medicina veterinaria y la salud pública
veterinaria: revisión de los enfoques actuales. BMC.Health Serv.Res. 6, 20.
Stegeman, A., Bouma, A., Elbers, AR, de Jong, MC, Nodelijk, G., de, KF, Koch, G., van, BM, 2004. Epidemia del virus de la
influenza aviar A (H7N7) en los Países Bajos en 2003: evolución de la epidemia y eficacia de las medidas de
control. J.Infect.Dis. 190, 20882095.
Stegeman, A., Elbers, A., de, SH, Moser, H., Smak, J., Pluimers, F., 2000. El período 19971998
Epidemia de peste porcina clásica en los Países Bajos. Microbiología veterinaria 73, 183196.
Straw, BE, Dewey, CE, Wilson, MR, 2006. Diagnóstico diferencial de enfermedades. En: Straw, BE, Zimmermann, JJ,
d'Allaire, S., Taylor, DJ (Eds.), Enfermedades de los cerdos. Blackwell Publishing, Ames, Iowa,
EE.UU., 241286.
Thompson, SK, 2002. Muestreo. John Wiley & Sons Nueva York.
Thompson, SK, Collins, LM, 2002. Muestreo adaptativo en investigaciones sobre conductas relacionadas con riesgos.
Dependencia de drogas y alcohol 68, 5767.
Thrusfield, MV, 2005. Epidemiología veterinaria. Blackwell Science Oxford, Reino Unido.
Thurmond, MC, 1986. Enfoques epidemiológicos utilizados en la práctica de salud del rebaño para investigar la
mortalidad neonatal de los terneros. Medicina Veterinaria Preventiva 4, 317328.
Thomas, B., Dufour, B., Sanaa, M., Benet, JJ, Ellis, P., Moutou, F., Louza, A., 1999. Aplicado
Epidemiología veterinaria y control de enfermedades en poblaciones. AEEMA MaisonsAlfort, Francia
Vallat, B., 2008. Código sanitario para los animales terrestres. Organización Mundial de Sanidad Animal París,
Francia.
Vose, D., 2008. Análisis de riesgos: una guía cuantitativa. John Wiley & Sons Chichester, West Sussex,
Inglaterra.
Wagner, B., Salman, MD, 2004. Estrategias para diseños de muestreo en dos etapas para estimar la prevalencia a
nivel de rebaño. Medicina Veterinaria Preventiva 66, 117.
Waldner, C., 2001. Investigación de brotes de enfermedades y productividad subóptima en rebaños. En:
Radostits, OM (Ed.), Salud del rebaño. WB Saunders Company, Filadelfia, EE. UU., 189209.
Wilesmith, JW, Ryan, JBM, Atkinson, MJ, 1991. Encefalopatía espongiforme bovina:
Estudios epidemiológicos sobre el origen. Registro Veterinario 128, 199203.
Wilesmith, JW, Wells, GA, Cranwell, MP, Ryan, JB, 1988. Espongiforme bovino
encefalopatía: estudios epidemiológicos. El Registro Veterinario 123, 638644.
Yeruham, I., Elad, D., Avidar, Y., Grinberg, K., Tiomkin, D., Monbaz, A., 2003. Brote de
Botulismo tipo B en un rebaño de ganado lechero: aspectos clínicos y epidemiológicos. El Registro Veterinario
153, 270272.
Zinsstag, J., Schelling, E., Wyss, K., Mahamat, MB, 2005. Potencial de la cooperación entre la salud humana y
animal para fortalecer los sistemas de salud. The Lancet 366, 21422145.
165
166
Ver estadísticas de publicación

DirkPfeiffer IntrotoVetEpi

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

DirkPfeiffer IntrotoVetEpi

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

Retos actuales y futuros en salud animal y salud pública veterinaria 13

2. CONCEPTOS EPIDEMIOLÓGICOS GENERALES 17

Patrones temporales y espaciales de la enfermedad. 19

Determinantes de la salud y la enfermedad. 24

3. CUANTIFICAR LA PRESENCIA DE ENFERMEDADES 33

Comparación de medidas de prevalencia e incidencia. 38

Medidas diversas de aparición de enfermedades. 40

Supervivencia o tiempo hasta el evento 41

Estandarización de medidas de ocurrencia. 45

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

4. DISEÑO DE ESTUDIOS EPIDEMIOLÓGICOS 48

Comparación de tipos de estudio. 60

Medidas de fuerza de asociación. 63

Ejemplo de cálculo de medidas epidemiológicas de efecto 68

6. CONSIDERANDO EL ERROR Y LA CAUSA­EFECTO 70

Interacción o modificación del efecto. 81

7. MUESTREO DE POBLACIONES ANIMALES 86

Muestreo probabilístico o no probabilístico 88

Estrategias de muestreo aleatorio 89

Cálculo del tamaño de la muestra 97

8. INTERPRETACIÓN DE LAS PRUEBAS DE DIAGNÓSTICO 110

Objetivos de aprendizaje 110

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

Pruebas de diagnóstico 111

Evaluación de pruebas diagnósticas. 113

Realización e interpretación de pruebas a nivel de animal individual. 119

Estimación de prevalencia y pruebas diagnósticas. 121

Perspectiva clínica sobre la interpretación de las pruebas diagnósticas. 122

Métodos para elegir valores de corte 124

Razones de probabilidad 128

Combinar los resultados de las pruebas de diagnóstico 133

Análisis de decisión 141

9. INFORMAR SOBRE EL CONTROL Y ERRADICACIÓN DE ENFERMEDADES 144

Objetivos de aprendizaje 144

Análisis de riesgo 145

Evaluación de la salud y la productividad del rebaño. 149

Vigilancia y seguimiento de enfermedades. 150

Investigación del brote 152

Sistemas de información computarizados 158

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

Al finalizar este capítulo, podrá:

• Describir la relación entre la ciencia veterinaria, la medicina veterinaria basada en evidencia y

• Proporcionar definiciones de epidemiología veterinaria.

Retos actuales y futuros en salud animal y salud pública veterinaria

relativos a la salud animal y pública a nivel de cada animal y de población. en el individuo

La encefalopatía ha aparecido y se ha extendido a muchos países antes de ser reconocida. En paralelo,

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

encefalopatía espongiforme bovina (EEB), que presentaba un desafío formidable en términos de

Es evidente que la separación histórica de la vigilancia y la investigación de enfermedades entre animales y

Se requiere medicina o un enfoque de salud (Zinsstag et al., 2005).

el tratamiento resultará en la curación. La respuesta a estas preguntas requiere una comprensión de la

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

abrumador y su validez es difícil de determinar. Desarrollo profesional continuo (DPC)

en ciencias médicas (Cockcroft y Holmes, 2003).

identificación, cuantificación y examen intensivo de múltiples causas, directa o indirectamente,

investigación de estos determinantes de la distribución de enfermedades en poblaciones animales. Productividad y

La epidemiología implica la aplicación de un enfoque científico estructurado para integrar datos.

1. La investigación epidemiológica suele comenzar con la pregunta de si hay un animal

Dirk Pfeiffer – Introducción a la epidemiología veterinaria

y posiblemente económicos. Estos resultados luego contribuyen a una decisión sobre si

6. CONSIDERANDO EL ERROR Y LA CAUSAEFECTO 70

Cuadro 11: Agrupación estructurada de métodos de investigación epidemiológica

• Comprender los conceptos epidemiológicos asociados con agentehuéspedentorno y red de

• Discutir diferentes enfoques para determinar las relaciones causaefecto.

Figura 21: El concepto iceberg de enfermedad

Desglose de rebaños de tuberculosis bovina en el Reino Unido (Figura 24).

ha sido eliminado y no se produce transmisión entre animales infectados y susceptibles. Alimentar

Figura 25: Tipos estándar de patrones temporales de aparición de enfermedades

determinantes de la enfermedad (ver Figura 27).

Figura 27: La tríada de determinantes epidemiológicos

Figura 210: Causas suficientes y componentes de enfermedades respiratorias en el ganado

Figura 211: Causas directas e indirectas de la pasteurelosis neumónica en el ganado