Confusin

1
Confusión

• Confusión es una asociación aparente entre la
  enfermedad y la exposición causada por un tercer
  factor no tomado en consideración
• Un confusor es una variable que está asociada con
  la exposición e, independiente de la exposición,
  es un factor de riesgo para la enfermedad

2
Ejemplos

• Estudio A encontró una asociación entre
  tabaquismo y calvicie
• El estudio fue confundido por edad
• Estudio B encontró un efecto protector entre
  compañía animal y ataque cardiáco
• El estudio puede estar confundido por el hecho
  que las mascotas requieren cuidado y los dueños
  de mascotas están más activos o son más aptos
  físicamente para atenderlos
• El estudio también puede estar confundido por el
  hecho que aquellos que pueden tolerar mascotas
  son más accesibles (personalidades tipo B)

3
Probando para confusión

• Obtención de una medición cruda del resultado
  (tasa cruda de mortalidad, tasa cruda de
  natalidad, razón de momios o riesgo relativo)
• Repita la medición del resultado controlando por
  la variable (tasa ajustada por edad, riesgo
  relativo o razón de momios específico a género)
• Compare las dos mediciones la estimación de las
  dos mediciones serán diferente si la variable es
  un confusor

4
Probando para confusión (cont.)
60,500,000
5
Controles para confusión

• Controles para confusión pueden ser diseñados en
  los estadios de planeación del estudio o en la
  planeación de un estudio
• Estadio de planeación
• Aleatorización (para estudios experimentales)
• Restricción (Permite ingresar al estudio a
  aquellos que queden en una banda estrecha de una
  variable potencialmente confusora)
• Pareando (Parear casos y controles sobre las
  bases de las variables potencialmente confusoras,
  especialmente edad y género)
• Casos y controles pueden ser individualmente
  pareados para una o más variables, o pueden ser
  pareados en grupo
• Pareando es caro y requiere técnicas analíticas
  especiales
• Sobrepareando o pareando en forma innecesaria
  puede enmascarar hechos

6
Controles para confusión (cont)

• Estadio de análisis
• Estratificación
• Análisis multivariado Regresión linear
  múltiple, Regresión logística, Modelo de Riesgos
  proporcionales

7
Probando para efecto modificador (Interacción
entre variables)

• Cuando la tasa de incidencia de la enfermedad en
  la presencia de dos o más factores de riesgo
  difiere de la tasa de incidencia esperada como
  resultado de sus efectos individuales.
• El efecto puede ser mayor que lo esperado
  (interacción positiva o sinergismo) o menor
  a lo esperado (interacción negativa o
  antagonismo)

8
Efecto modificador (Interacción), cont.

• Para evaluar interacción
• Hay una asociación?
• Si es así, es debido a confusión?
• Si no, hay diferencias entre los estratos
  formados sobre las bases de una tercera variable?
• Si es así, interacción o efecto modificador está
  presente
• Si no, no hay interacción o efecto modificador

9
La prevalencia de osteoartritis es de 50 entre
mujeres a la edad de 65. Iniciar suplementos de
calcio a los 50 años es de utilidad?
No enfermas
Enfermas
500
450
50
Ca
500
150
350
Ca-
1000
600
400
RR0.16
Aquellas con tratamiento tienen 84 menos
enfermedad a los 65 años
10
Tabaquismo confunde el tratamiento con calcio?
No Enfermedad
Enfermedad
No fumadores
340
320
20
Ca
RR0.12
160
80
80
Ca-
500
400
100
Enfermedad
No Enfermedad
Fumadores
160
130
30
Ca
RR0.24
340
70
270
Ca-
500
200
300
El tratamiento con calcio de la osteoartritis es
confundida por tabaquismo
11
El tratamiento para fumadores fue modificado por
alcohol?
Enfermedad
No Enfermedad
100
75
25
Ca
RR0.30
300
50
250
Ca-
400
125
275
Fumadores que beben
No Enfermedad
Enfermedad
60
55
5
Ca
RR0.17
40
20
20
Ca-
Fumadores que no beben
100
75
25
El tratamiento con calcio de los fumadores fue
modificado por alcohol
12
Evaluando la relación entre una causa posible y
el resultado

• Asociación observada

2. Podría ser debido a confusión o efecto
modificador?
1. Podría ser debido a sesgo de selección o de
información?
No
No
Probablemente no
3. Podría ser un resultado por el azar?
4. Podría ser causal?
Aplique guías y haga juicio
13
Evaluando una asociación

• Cómo podemos estar seguros que lo encontrado es
  una asociación verdadera - para contruir un caso
  para la causa?
• Epidemiólogos van a través de un proceso de tres
  pasos
• Examina la metodología buscando sesgos
• Examina el análisis para confusión y modificador
  de efecto (interacción)
• Examina los resultados para significancia
  estadística

14
Estadística inferencial

• Ayuda a realizar predicciones, estimaciones o
  inferencias,acerca de lo no observado basado en
  lo que fue observado (de una muestra) a través de
  la prueba de hipótesis.

15
Estadística inferencial

• Requiere probar una hipótesis
• Ho hipótesis nula
• No hay efecto o no hay diferencia
• Ha hipótesis de invstigación (alternativa)
• Hay un efecto o una diferencia

16
Significancia estadística

• Creo que el tratamiento A es mejor que el
  tratamiento B. Por qué no pruebo mi hipótesis
  de investigación?Por qué prueba la hipótesis
  nula?
• H0 Tratamiento A Tratamiento B
• La hipótesis de investigación requiere un número
  infinito de pruebas estadísticas
• Si probamos la hipótesis nula, tenemos que
  realizar un solo test, de no diferencia

17
Pasos en las pruebas de hipótesis(cont.)

• Una asociación estadística nos dice la
  probabilidad de que el resultado obtenido sucedad
  por azar.
• Una fuerte asociación estadística no significa
  causalidad!
• Cada que rechazamos la hipótesis nula, tenemos el
  riesgo de estar equivocados
• Cada que que fracasamos en rechazar la hipótesis
  nula tenemos el riesgo de estar equivocados

18
Ejemplos de probando hipótesis

• Calculamos la tasas ajustadas por edad para San
  Francisco y San Jose y se compararon
• Ho AAR1 AAR2
• Ha Hay una diferencia estadísticamente
  significativa entre las tasas ajustadas por edad
  de San Francisco y San José

19
Probando hipótesis (cont.)

• Calculamos razón de momios y riesgos relativos
• Ho OR 1 (o RR 1)
• Ha Hay una diferencia estadísticamente
  significativa entre casos y controles (o entre
  los expuestos y los no expuestos)

20
Probando hipótesis (cont.)

• Calculamos la SMR para rancheros
• Ho SMR 100
• Ha Hay una diferencia estadísticamente
  significativa entre la población cohorte y la
  población control.

21
Pasos para probar hipótesis

• Asumir que la hipótesis nula es verdadera
• Reunir los datos y probar si hay diferencia entre
  grupos
• La probabilidad de que se obtengan esos
  resultados sólo por azar, es el valor de p.
• Si el valor de p es bajo (azar es improbable que
  sea la causa del resultado), se rechaza la
  hipótesis nula

22
Hipótesis nula

• H0 Tratamiento A (tratamiento de dosis única en
  infección de vías urinarias (IVU) tratamiento B
  (tratamiento multidosis de IVU).
• Situe alpha en 0.05 (1 en 20 de posibilidad de un
  error tipo 1)
• Calcule un valor de p (la probabilidad de que los
  resultados sea por azar) de 0.07
• Fracaso para rechazar la hipótesis nula
• La diferencia entre los grupos no fue
  estadísticamanete significativa
• Son los hallazgos clínicamente importantes?

23
Hipótesis nula

• No hay nada mágico en un valor de alfa de 0.05 o
  0.01
• Hay situaciones donde un alfa de 0.2 es aceptable
• El tamaño del valor de p no nos indica la
  importancia de los resultados
• El valor de p nos dice la probabilidad de que
  hayamos cometido un error-que rechazamos la
  hipótesis nula y señalamos una diferencia cuando
  no hay ninguna
• Resultados pueden ser estadísticamente
  significativos pero clínicamente sin importancia
• Resultados sin significancia estadística pueden
  ser clínicamente importantes

24
Intervalos de confianza

• Algunas veces estamos más interesados con la
  estimación de la verdadera diferencia que la
  probabilidad de que estamos haciendo la decisión
  correcta (valor de p)
• El intervalo de conafianza 0.95 provee el
  intervalo en el cual los verdaderos valores es
  probable que se encuentren en el 95 de las
  veces.
• Si el intervalo de confianza contiene 0 o 1 (el
  valor de no diferencia) no podemos rechazar la
  hipótesis nula
• Tamaños de muestra más grandes producen
  intervalos de confianza pequeños- más confianza
  en los resultados

25
Son estas tasas estadisticamente significativas
diferentes entre ellas? Los intervalos de
confianza al 95 lo dicen.

• AAR1 346.9 (ES 2.5) (344.4, 349.4)
• AAR2 327.8 (ES 14) (313.8, 341.8)

26
AAR1 fue estadísticamente significativa más alta
que AAR2Qué acerca de estas?

• SMR 112 (99, 125)
• RR 3.4 (1.2, 5.6)

27
Cada vez que usamos estadística inferencial,
estamos en riesgo de estar equivocados
28
Hipótesis nula H0 Tratamiento A Tratamiento
B
Verdad No diferencia
Decisión sobre H0
Falsa diferencia
Error tipo II b
Correcto 1-a
Fracaso para rechazar
Correcto (Poder) 1- b
Error tipo I (Nivel de significancia) a
Rechazar
29
Formas de estar equivocado

• Error tipo I rechazando la hipótesis nula
  cuando ella es verdad- no hay diferencia
• Error tipo II fracasando en rechazar la
  hipótesis nula cuando ella es falsa - hay una
  diferencia

30
Poder de la prueba

• Beta (la probabilidad de un error tipo II) es
  importante si no queremos que se encubra un
  efecto
• Podemos reducir el riesgo de error tipo II
  mejorando el poder de la prueba
• Poder La probabilidad de que se detecte un
  efecto de un particular tamaño basado en un
  número particular de sujetos

31
Poder de la prueba

• Poder es influenciado por
• El nivel de significancia (probabilidad de un
  error tipo I) se sitúa para la prueba de
  hipótesis
• El tamaño de la diferencia que se desea detectar
• El número de sujetos en el estudio

32
Sujetos en el estudio

• Más sujetos permiten determinar pequeñas
  diferencias
• Más sujetos producen más pequeños intervalos de
  confianza
• Más sujetos cuestan más dinero
• Más sujetos incrementan la complejidad del
  proyecto
• Se necesitan más sujetos?

33
Puede ser! Equilibre lo siguiente

• Diferencia no significativa en un estudio pequeño
  no nos dice nada
• Encontrar una diferencia significativa en un
  estudio pequeño podría no ser reproducido debido
  a variación de la muestra
• Encontrar una diferencia no significativa en un
  estudio grande nos dice que los tratamientos o
  resultados son esencialmente equivalentes
• Encontrar una diferencia significativa en un
  estudio grande revela una diferencia verdadera,
  pero los hallazgos pueden no ser clínicamente
  importantes

34
Cómo me imagino qué hacer?

• Revise la literatura para estimar la incidencia o
  la prevalencia de la enfermedad ( o tasa de
  recuperación)en la población control, o
• Estime la exposición (tratamiento, monitoreo) en
  la población control
• Determine que diferencia desea detectar entre la
  población del estudio y los controles
• Seleccione alfa el riesgo de encontrar un
  efecto cuando realmente no hay uno (usualmente
  0.05 o 0.01)
• Seleccione el nivel de poder la probabilidad de
  encontrar un efecto cuando realmente hay uno
  (usualmente 0.90 o 0.90)
• Calcule o use tablas de tamaño de muestra para
  determinar cuantos sujetos se necesita

35
Finalmente, puede tener muchos sujetos con el
presupuesto, tiempo y limitaciones logísticas?

• Si no, el estudio es probablemente no útil
  realizarlo, a menos que se acepte un bajo poder o
  un alfa grande

36
Tamaño de muestra para un estudio clínico
H0 Tratamiento A Tratamiento B
(Prueba de una cola vs dos colas, por la cual
queremos probar el incremento o disminución de
sobrevida con tratamiento B)
Tamaño de muestra requerido en cada grupo
Nivel de significancia
Sobrevida con tratamiento A
Sobrevida con tratamiento B
Poder
.05 Una cola
10 incremento o disminución
280
.80
30
.05 Dos colas
356
.80
30
10 incremento o disminución
73
.80
30
.05 Una cola
20 incremento o dimsinución
92
.80
30
.05 Dos colas
20incremento o disminución
37
Tamaño de muestra para un estudio clínico
H0 Tratamiento A Tratamiento B
(prueba de una cola, variando el nivel de
significancia,
poder y diferencia que deseamos
detectar)
Tamaño de muestra requerido para cada grupo
Sobrevida con tratamiento A
Sobrevida con tratamiento B
Nivel de significancia
Poder
280
10 de diferencia
30
.05
.80
73
20 de diferencia
10 de diferencia
30
.05
388
.90
20 de diferencia
101
455
.80
10 de diferencia
30
.01
118
20 de diferencia
590
.90
.01
10 de diferencia
30
153
20 de diferencia