BIOESTADISTICA. MEDICINA BASADA EN LA EVIDENCIA.

METODOLOGIA DE LA INVESTIGACION CIENTIFICA GUIA DE TRABAJOS PRACTICOS Prof Dr CLAUDIO GONZALEZ Prof Dr RICARDO BOLAOS - Prof Lic CRISTINA TESONE, SERGIO VOLMAN PARTE 1 . INTRODUCCIN AL MTODO CIENTFICO Y A LA TEORA FRECUENTISTA DE LA PROBABILIDAD. 1. A modo de introduccin. EJEMPLO 1: En un estudio transversal, llevado a cabo en 1997, se desea

conocer la prevalencia de diabetes mellitus en sujetos de edad mayor o igual a 20 aos en la ciudad de Venado Tuerto (sur de la Provincia de Santa Fe, Argentina; poblacin en ese ao 38200). Con este propsito se obtiene una muestra que representa la distribucin por edad y sexo de la poblacin de Venado Tuerto (n=540), a travs de una tcnica de muestreo multietpico, aleatorizado de las viviendas y de los individuos dentro de las viviendas seleccionadas. Se emplearon los datos del ltimo censo nacional. Se obtiene una prevalencia de 7.9%. EJEMPLO 2: Se intenta conocer el efecto de dos tratamientos en pacientes con diabetes mellitus tipo 2 de reciente diagnstico, respecto del desarrollo o empeoramiento de ciertas complicaciones microvasculares (nefropata, retinopata, neuropata). Para ello, 3200 pacientes, que renen los criterios de inclusin y exclusin establecidos en el protocolo, son asignados aleatoriamente a dos grupos: el primero, a tratar intensivamente (esto es, procurar el logro de glucemias de ayunas inferiores a los 106 mg/dl) y el segundo a tratar de manera convencional (esto es, procurando el logro de valores glucmicos de ayunas inferiores a los 270 mg/dl). El seguimiento mediano es de 10.7 aos. Como resultado, el tratamiento intensivo reduce el riesgo de desarrollo de

complicaciones convencional.

microvasculares

en

un

25%

respecto

del

tratamiento

=============================================================== Visto de un modo muy simple, el mtodo cientfico consiste en un conjunto de pasos a travs de los que pretendemos validar una forma particular de conocimiento al que hemos de llamar cientfico. Antes de abordarlo de un modo ms formal, conviene que tengamos en cuenta algunos aspectos preliminares: 1. En ciencias fcticas, trabajamos con muestras que deben ser representativas de la poblacin a la que pertenecen. En efecto, seleccionar una muestra (un subconjunto de la poblacin) que la represente no siempre es sencillo y resulta de importancia fundamental para la correcta aplicacin del mtodo cientfico en investigacin clnica y epidemiolgica. Cada problema planteado y propuesto para su investigacin exige una cuidadosa consideracin acerca de la seleccin de la muestra ms apropiada. En el ejemplo 1, los autores procuran conocer la prevalencia (esto es, el nmero de casos de una enfermedad sobre la poblacin en riesgo de padecerla, en un momento determinado) de diabetes en mayores de 20 aos en Venado Tuerto, y para ello seleccionan al azar una muestra que representa la distribucin de la poblacin general de Venado Tuerto en trminos de edad y sexo. En el ejemplo 2, en cambio, dado que los autores procuran estudiar los efectos de dos tratamientos para la diabetes mellitus tipo 2 (uno intensivo y otro convencional), se seleccionan pacientes con diabetes tipo 2 de reciente comienzo que cumplen con ciertos criterios de inclusin y exclusin (criterios de seleccin), establecidos en el protocolo de investigacin. Como vemos, en el caso del ejemplo 1 se ha seleccionado una muestra que pretende representar a la poblacin general de Venado Tuerto, en tanto que en el ejemplo 2 se ha debido obtener una muestra de sujetos perteneciente a la poblacin infinita de diabticos tipo 2 de reciente comienzo. Ambos ejemplos tienen en comn el

inters puesto de manifiesto en obtener muestras que representen a una poblacin a la que pertenecen. 2. Teniendo en cuenta la naturaleza y los objetivos de nuestro estudio, hemos de identificar las variables que han de estar en el foco de nuestro inters. De manera intuitiva, por variables entenderemos a las cualidades, atributos o magnitudes que hemos de identificar en el contexto de nuestro estudio, y que sern objeto de nuestra atencin. Una propiedad importante de las variables es, precisamente, su capacidad de variar, esto es, de asumir ms de un valor posible. Por ejemplo, la variable sexo (cualidad o atributo) puede asumir los valores femenino o masculino; la variable diabetes mellitus puede asumir los valores s o no; la variable glucemia puede asumir infinitos valores dentro de unos lmites (ejemplo, 101 mg/dl, 105 mg/dl, 106.7 mg/dl). Cada uno de estos valores constituye un dato. As, pues, femenino es uno de los datos posibles para la variable sexo. 3. Un proceso crucial en el contexto del mtodo cientfico consiste en la descripcin de las variable en estudio. Debemos diferenciar los trminos descripcin de definicin. Definir una variable implica enunciar las caractersticas que hacen que una variable sea esa y no otra. Consiste en apuntar lo que la variable es. Podemos, por ejemplo, definir a la variable diabetes mellitus diciendo: se trata de una enfermedad crnica, progresiva e incurable, caracterizada por hiperglucemia y debida a una insuficiente actividad de la insulina. Esta definicin, correcta en principio y aceptable como definicin general, resulta poco operativa; con ella, ser difcil diagnosticar o aun reconocer a un diabtico. Por ello, existen otras formas de definicin, como, por ejemplo: hiperglucemia entendida como valores de glucemia iguales o superiores a los 126 mg/dl, o iguales o superiores a 200 mg/dl dos horas tras una carga oral de 75 gramos de glucosa en agua, o iguales o superiores a los 200 mg/dl en cualquier momento del da, al azar, cuando se acompae de sntomas tales como poliuria, polidipsia o prdida de peso. Ahora bien; hemos dicho que definir no es describir. En nuestro contexto, describir es dar de la variable una o ms medidas. Cuando

digamos, por ejemplo, que el 7% de los argentinos mayores de 20 aos padece diabetes mellitus, estaremos describiendo a la variable diabetes. Cuando digamos que la glucemia media de los varones mayores de 60 aos es 98 mg/dl, estaremos describiendo la variable glucemia de varones mayores de 60 aos. Como se comprender, la modificacin de una definicin operativa puede acarrear un cambio en el valor medido. Si en lugar de definir diabetes sobre la base de una glucemia de ayunas mayor o igual a 126 mg/dl lo hiciramos tomando como punto de corte una glucemia de 140 mg/dl, la proporcin de personas con diabetes podra verse modificada. 4. A menudo es de nuestro inters verificar si entre dos o ms variables bajo estudio existe asociacin. No hemos de profundizar en el anlisis de los aspectos epistemolgicos que involucra el concepto, ni hemos de discutir las variadas formas en que puede ser entendida la asociacin entre variables. Simplemente diremos que, en su forma ms simple, el trmino puede ser comprendido de la siguiente forma: dos variables estn asociadas cuando, al variar una, la otra tambin vara. Esta forma de comprender la asociacin entre variables (desde la ptica de la variacin concomitante) no pretende agotar otras interpretaciones, pero procura introducirnos de manera sencilla a la comprensin de uno de los aspectos ms interesantes del mtodo. 5. El que dos variables se encuentren asociadas no necesariamente implica que la una sea la causa de la otra. En efecto, asociacin no implica causalidad. Veamos: a) valores elevados de colesterolemia se asocian con una mayor frecuencia de enfermedad coronaria; b) niveles altos de creatininemia se asocian con una mayor frecuencia de complicaciones en los pacientes con insuficiencia renal. Respecto del enunciado a), con toda la provisionalidad que las ideas que conforman el conocimiento cientfico en un momento de nuestra historia, podemos afirmar con razonable conviccin que la asociacin es causal. Ello no implica que todos los casos de enfermedad coronaria sean atribuibles a la hipercolesterolemia y slo a ella. Pero s podemos aceptar que la hipercolesterolemia es una causa

importante (no la nica) de enfermedad coronaria. Sin embargo, en el enunciado b), la asociacin no parece causal. En efecto, no es la creatininemia la causa de las complicaciones de la insuficiencia renal crnica; la creatinina se acumula en la falla renal y, junto con ella, dejan de eliminarse otras sustancias que son las verdaderas responsables de las complicaciones que pueden hallarse en los pacientes. En el caso de la hipercolesterolemia, la disminucin de los niveles sricos de colesterol ha de conducir a una disminucin del riesgo de enfermedad coronaria; en el segundo enunciado, la reduccin exclusiva de la creatininemia de ha de modificar el curso de la enfermedad, dado que no es la causa de las complicaciones. No siempre es sencillo definir si una asociacin es causal; por ello, emplearemos el trmino causa de una manera sumamente cuidadosa, reconociendo que la determinacin de la causalidad de una asociacin es uno de los procesos ms complejos y debatidos de la metodologa en ciencias fcticas. 2. El mtodo experimental. Las consideraciones efectuadas anteriormente nos permitirn comprender mejor las caractersticas de cada uno de los pasos del mtodo. Clsicamente, el primer escaln es el constituido por la observacin. Por tal entenderemos un mirar con intencin cientfica. En efecto, la misma observacin en ciencias fcticas se optimiza cuando se desarrolla siguiendo un plan, que es la manifestacin de esta intencin cientfica. La observacin implica, adems, que el observador NO deber intervenir (al menos de manera deliberada) sobre el sistema observado. Esta es una caracterstica central en la observacin cientfica: el observador no debe manipular variables de manera intencional, no debe modificar el curso de la naturaleza en lo que respecta al sistema bajo estudio. Cules son los propsitos de la observacin?... Por un lado, podemos observar con el propsito de describir. En efecto, pongamos por caso el del ejemplo 1. El objetivo de los autores consisti en conocer la prevalencia de diabetes mellitus tipo 2 en Venado Tuerto. El propsito fue descriptivo; aun as, se trat de un

estudio de observacin. Los autores tenan un plan, no modificaron el curso de la naturaleza, y obtuvieron una medida de la variable en estudio. Sin embargo, otros estudios de observacin procuran generar hiptesis. Por hiptesis entendemos una explicacin preliminar de los hechos observados. Preliminar, en el sentido de que estas hiptesis sern confirmadas o rechazadas en el terreno experimental. Estarn sujetas al contraste experimental, siempre que sea posible. Veamos el caso del estudio Framingham. Se trata de uno de los estudios de observacin que ha resultado clave en la epidemiologa cardiovascular moderna. Sus autores se instalaron en una comunidad relativamente pequea en Nueva Inglaterra (Estados Unidos), Framingham, con el plan de estudiar la asociacin entre diversas variables antropomtricas, de la historia personal y familiar, bioqumicas, etc. con la morbimortalidad cardiovascular. Entre las conclusiones relevantes del estudio figuran afirmaciones tales como: La colesterolemia guarda una relacin concentracin/respuesta con la morbimortalidad cardiovascular. De qu se trata esta afirmacin?. Los autores no modificaron deliberadamente las variables bajo estudio; no recomendaron, por ejemplo, cambios en el estilo de vida ni prescribieron medicamento alguno. Solo observaron el comportamiento de un nmero suficientemente grande de sujetos durante un tiempo suficientemente prolongado. Al final, emitieron sus hiptesis: en efecto, a travs de enunciados tales como la colesterolemia guarda una relacin concentracin/respuesta con la morbimortalidad cardiovascular los autores proponen una explicacin preliminar, anterior a todo experimento, al menos parcial del fenmeno morbimortalidad cardiovascular. No excluyen otras posibles explicaciones, pero observan una asociacin digna de ser contrastada experimentalmente. Han pues emitido una hiptesis. Muchos aos ms tarde, tomando sujetos hipercolesterolmicos, dividindolos en dos grupos, uno tratado con placebo y otro con un agente reductor de la colesterolemia, se comprob que la manipulacin experimental de las concentraciones de colesterol, esto es, su reduccin farmacolgica, era seguida de una disminucin de la morbimortalidad cardiovascular. Ello no suceda

con igual intensidad en los tratados con placebo. La hiptesis surgida en Framingham era comprobada y verificada en el experimento. Resumamos, pues; los diseos en investigacin clnica pueden ser clasificados en: a) De observacin b) De intervencin (o experimentales)

Dado que la observacin tiene dos propsitos fundamentales, esto es, descripcin o generacin de hiptesis, los estudios de observacin de dividen en descriptivos y analticos. As, tenemos: DISEO DEL ESTUDIO

OBSERVACIONAL

EXPERIMENTAL (O DE INTERVENCIN)

DESCRIPTIVOS * Reporte de casos * Series de casos * Transversales

ANALTICOS * Cohortes * Casos y controles

* Ensayo clnico aleatorizado

Un reporte de caso describe las caractersticas ms importantes de la historia clnica de un paciente, casi siempre refirindose a un desorden raro o bien un curso clnico de inters particular. Comunicar un caso ilustrativo, o tal vez un posible caso ndice de alguna entidad peculiar puede ser de inters para la comunidad mdica. En una serie de casos se comunican los hallazgos de un nmero de sujetos que tienen en comn cierta caracterstica digna de remarcar.

Los estudios transversales son estudios descriptivos en los que se trata de establecer estado de una muestra en un momento puntual, determinado. Se trata de una fotografa de nuestra muestra en estudio. Suelen ser empleados en el estudio de la prevalencia de una entidad clnica o bien en la descripcin de una enfermedad. Los estudios analticos de cohortes y de casos y controles procuran demostrar la existencia de asociaciones entre exposiciones y eventos. En los estudios de cohortes, un grupo de sujetos expuestos a un determinado factor es seguido en forma longitudinal, a lo largo del tiempo, a efectos de verificar la frecuencia con que se desarrolla un evento de inters. Esta frecuencia se compara con la obtenida en un grupo de no expuestos seguidos a lo largo del mismo tiempo.

SI EVENTO NO SI EXPOSICIN NO EVENTO NO SI

Por ejemplo, podramos estar interesados en comprobar si la exposicin al cigarrillo guarda asociacin con el desarrollo de carcinoma de pulmn. As, tomaremos una cohorte de expuestos al cigarrillo (fumadores) y los seguiremos unos aos a efectos de verificar la frecuencia (incidencia) con la que desarrollan carcinoma. Del mismo modo, seguiremos una cohorte de no fumadores durante ese tiempo a efectos de conocer la frecuencia (incidencia) con la que desarrollan cncer de pulmn.

Cuando la frecuencia de un evento es muy baja, el diseo de cohortes puede resultar sumamente ineficiente; podemos seguir la evolucin de muchas personas muchos aos sin observar el desarrollo de un caso entre los expuestos ni entre los no expuestos. En esas condiciones, podra ser mejor emplear un diseo del tipo casos y controles. Supongamos que creemos que una entidad rara, la cirrosis biliar primaria, guarda relacin con el consumo de anticonceptivos bucales. Si optramos por un diseo de cohortes, deberamos seguir a muchas mujeres expuestas a anticonceptivos, durante muchos aos, con el riesgo de no verificar el desarrollo de ningn caso de cirrosis biliar. Por ello, podra ser ms conveniente recurrir a un diseo de casos y controles: iramos a un centro hospitalario en el que se concentren casos de cirrosis biliar, y encuestaramos a estas mujeres respecto del consumo de anticonceptivos. Luego, tomaramos controles (mujeres de igual edad que los casos, similar medio social, laboral, etc) e intentaramos conocer el antecedente de consumo de anticonceptivos. As: SI EXPUESTOS NO CASOS (presentan el evento) CONTROLES (no presentan el evento) SI NO EXPUESTOS NO

Los ensayos clnicos son experimentos, llevados a cabo en seres humanos, ticamente justificados. Entonces, en un ensayo clnico el observador ha de

intervenir sobre el sistema observado, manipulando variables y modificando el curso de la naturaleza. Los ensayos clnicos se rigen por tres principios: 1. Principio de comparacin: el tratamiento bajo estudio (intervencin) es diferente que...qu? 2. Principio de significacin: suponiendo que el tratamiento bajo estudio sea diferente que otro, esta diferencia, puede ser meramente casual? 3. Principio de causalidad: si es poco probable que la diferencia hallada entre el tratamiento en estudio y otro tratamiento sea casual, es el tratamiento bajo estudio la causa de la diferencia, o puede deberse a error sesgo-?. Esta presentacin de los diseos ms comunes en investigacin clnica slo tiene la pretensin de introducir al tema, que ser mejor desarrollado a lo largo del curso. 3. Variables en la investigacin cientfica. De un modo simplificado, es comn clasificar a las variables en: a) Variables deterministas b) Variables aleatorias Hemos aprendido a conocer la variables deterministas en nuestros cursos de Fsica, especficamente al estudiar la mecnica clsica, la mecnica newtoniana. En efecto, veamos el siguiente ejemplo: dejemos caer un objeto desde una posicin A hasta una B. Separa A de B una altura h.

A
h

Supongamos ahora que se nos pide calcular el tiempo en que el cuerpo alcanza B en su cada desde A. Supongamos que tarda 0.2 segundos. Volvamos a repetir la experiencia, lanzando el cuerpo desde A, sin modificar h. El tiempo volver a ser 0.2 segundos. Y si repetimos la experiencia n veces?. Pues seguramente, si no modificamos h ni cambiamos de posicin en nuestro planeta, el tiempo seguir siendo 0.2 segundos. A lo sumo, hemos de asumir cierto error que podemos cometer en la medida del tiempo (error de reloj) o al medir la altura h. Pero eso es todo; el tiempo t es una funcin de h y de la aceleracin de la gravedad (g). Estas variables deterministas nos han sido presentadas tempranamente en nuestra vida escolar, y a travs de ellas, hemos aprendido a creer que todo en la naturaleza es predecible, con la nica condicin de conocer las leyes que rigen los fenmenos, slidamente constituidas y expresadas por frmulas indiscutibles y eternas. Lamentablemente para nuestra sensacin de seguridad, muchos sucesos en el universo parecen comportarse de una manera distinta. Veamos el siguiente caso: nos encontramos en presencia de un paciente varn de 80 aos, cuyos padres han muerto a los 50 aos de edad a causa de infarto de miocardio. El paciente es diabtico, hipertenso, hipercolesterolmico, fumador y obeso. Ha padecido ya dos infartos de miocardio y un accidente cerebrovascular. Nuestra pregunta es: estar vivo aun dentro de tres aos?. Si pensamos con detenimiento la pregunta, veremos que no es demasiado diferente de la formulada en el problema de cada libre. All preguntbamos por el tiempo que tardara en alcanzar la posicin B, y sin dudas, y con pequeo error, podamos afirmar que 0.2 segundos. Ahora bien; aqu se nos pregunta que nuestro paciente sobrevivir unos aos dada la presencia de unas ciertas variables... Podramos responder de un modo definitivo; SI o NO?Estamos seguros que vivir o que, por el contrario, ha de estar muerto?. La respuesta ms apropiada, tal vez, sera: es probable que no sobreviva los tres aos. Incluso, quizs, podra decirse: es muy probable que no sobreviva. Y hasta: es ms probable que este paciente fallezca que que lo haga un joven de 20 aos en perfecto estado de salud que habita un barrio rico de Copenhague. Vemos que no podemos afirmar con total certidumbre en un sentido determinado (que persista vivo o que muera), pero

podemos tomar en consideracin una cierta probabilidad de que el hecho suceda. Es que, a diferencia del problema de cada libre, estamos aqu en presencia de variables aleatorias, esto es, variables que asumen ciertos valores con una cierta probabilidad. Ello nos obliga, pues, ha introducirnos en el concepto de probabilidad y algunas de sus propiedades y consecuencias. 4. Introduccin al concepto de probabilidad. Cul es la probabilidad de obtener un tres arrojando una nica vez un dado? La respuesta a esta pregunta es relativamente simple: 1/6, es decir, 0.166. Cules son los fundamentos a travs de los cuales arribamos a este resultado?. Bien, pues, hagamos algo de historia. Pierre-Simn de Laplace (1749-1827) fue sin duda uno de los matemticos ms importantes de la historia. Interesado en las leyes que rigen los juegos de azar, public su Ensayo Filosfico sobre las Posibilidades, y en l enunci de manera formal el concepto de probabilidad. Para comprenderlo, conviene apelar a algunas definiciones previas. Por evento entendemos al resultado de una observacin o de una experiencia. Como una consecuencia de esta definicin, comprenderemos inmediatamente que un evento se da o no se da, sucede o no. Y Laplace nos ofrece la siguiente frmula que define la probabilidad de un evento o suceso: Probabilidad del evento = casos favorables al mismo / casos posibles Volvamos al ejemplo del lanzamiento del dado. En l, slo una cara lleva impresa el nmero tres, y existen en l seis caras. Por tanto, slo existe un caso favorable por cada seis posibles. Laplace nos dice: la probabilidad de un suceso es un nmero comprendido entre 0 (que es la probabilidad del suceso imposible) y 1 (que es la probabilidad del suceso seguro). Desde luego, si no existiera ninguna cara con el nmero tres, la probabilidad de obtener un tres en un nico lanzamiento del dado sera igual a 0;

si, en cambio, todas las caras llevaran impresas el nmero tres, la probabilidad sera 1. De todos modos, a efectos de simplificar la comunicacin, solemos expresar la probabilidad en trminos porcentuales, o por mil, o por diez o cien mil, etc. En el caso del lanzamiento del dado, la probabilidad de obtener un tres en un nico lanzamiento es 0.166 16.6%. Si bien el llamado Axioma de Laplace (o, de manera incorrecta, Primera Ley de la Probabilidad), resulta fcil de comprender, debemos sealar que el mismo autor nos advierte que para conocer la probabilidad de un suceso, la experiencia debe reiterarse un nmero suficientemente grande de veces, y, agregaremos, en condiciones lo ms parecidas posible. Desafortunadamente, poco nos dice Laplace acerca del mejor modo de conocer ese nmero suficientemente grande de veces. Por otra parte, la frmula de Laplace resulta fcil de concebir y aplicar cuando se trabaja con instrumento simples, tales como un dado, o una moneda. En una moneda, sabemos que existe slo una cara y una seca, de modo de conocer los casos favorables y los posibles no resulta particularmente difcil. Pero, qu tal si se nos pregunta cul es la probabilidad de morir de una forma rara de neumona?. Una posible respuesta es: debo observar un nmero suficientemente grande de casos de esa forma de neumona, y contar las muertes entre esos casos. Pero cuntos casos debo observar?. Tratemos de facilitar las cosas aplicando los mismos principios de Laplace al caso de la moneda. Dado que se trata de un instrumento simple, fcilmente podemos calcular que la probabilidad de obtener cara en un solo lanzamiento de la moneda es 0.5 50%. Pero por un momento olvidemos este resultado. Lancemos la moneda, digamos, 10 veces. Es posible que, aun sin que nadie nos haga ninguna trampa, obtengamos, por ejemplo, 6 caras. Por tanto, la frecuencia relativa de caras es 6/10 = 0.60 60% y, si aplicara la frmula de Laplace (otra vez, olvidando que ya conozco lo que debiera dar), tendra: 6 casos favorables sobre 10 posibles, esto es 0.60 60%. Por qu no obtuve 50% de caras? Tal vez porque no lanc la moneda un nmero suficientemente grande de veces. De hecho, si hubiera lanzado la moneda slo 5 veces, jams podra obtener un 50% de caras!. Digamos que lanzo la moneda, ahora, 100 veces; obtengo 57 caras. En

nmero absolutos es sacado 7 caras ms que las requeridas para lograr el 50%; sin embargo, el cociente casos favorables / casos posibles dar: 57%, ms cerca del 50% que cuando obtuve 6 caras lanzando 10 veces la moneda. Veamos esto en el siguiente ejemplo:

TABLA 1. NUMERO DE REPETICIONES DE LA EXPERIENCIA Y EL COCIENTE DE LAPLACE Arrojo n veces la Obtengo m caras moneda 10 100 1000 10000 ............. 6 57 509 5015 ............. Frecuencia relativa Casos favorables / de caras 0.6 60% 0.57 57% 0.509 50.9% 0.5015 50.15% ............. Casos posibles 0.6 60% 0.57 57% 0.509 50.9% 0.5015 50.15% .............

Como vemos, el cociente casos favorables / casos posibles equivale al concepto de frecuencia relativa. Y como vemos, al aumentar el nmero de veces que se repite la experiencia (lanzamiento de la moneda) acumulando sus resultados, ms cerca se estar de conocer la probabilidad de un evento. En la curva que sigue, supongamos que arrojamos la moneda n veces. Estamos estudiando el evento obtener cara. Lanzamos la moneda una vez y obtenemos cara: hasta all, la frecuencia relativa es 1 (obtuvimos una cara lanzando una sola vez). Arrojemos ahora la moneda otra vez: logramos una seca. Si acumulamos

los resultados, en dos lanzamientos hemos obtenido una cara, por tanto, la frecuencia relativa ser 0.5. Lanzamos una tercera vez y volvemos a obtener seca: entonces, acumulando los resultados, la frecuencia relativa para cara ser 0.33. Y as sucesivamente. Si las cosas suceden como sugiere la tabla 1, tendramos:

1
Frecuencia Relativa

0.5

n1

n2

n veces

Como vemos, esta funcin tiende a oscilar cada vez menos a medida en que la observacin se realiza ms veces. De hecho, lanzando la moneda un nmero infinito de veces la funcin dejara de oscilar en torno de 0.5 50% que, sabemos, es la pobabilidad de cara segn Laplace. Por ello, se dice que la probabilidad de un evento es el lmite de su frecuencia relativa cuando n tiende a infinito; P = lim FR
n

Esta forma de expresar la probabilidad (que se origina en la llamada Teora Frecuentista) ofrece unas interesantes aristas para el anlisis: 1. Si Ud desea conocer la probabilidad de un suceso, puede trabajar con un n que depender de cunta oscilacin est dispuesto a aceptar. Con un tamao

muestral n1, Ud conocer la probabilidad con una cierta precisin, menor que aquella con la que podr concocer la probabilidad con el tamao n2. 2. Esa oscilacin es una forma de error, conocido como error aleatorio o imprecisin. Tambin se lo conoce como error no sistemtico. 3. El error aleatorio se reduce cuando se incrementa el n o tamao muestral. Como podemos comprender, a partir de esta concepcin es posible definir un tamao muestral que nos permita conocer la probabilidad, sabiendo que hemos de cometer un cierto error aleatorio. As, podremos calcular un tamao razonable con el objeto de conocer la probabilidad de morir de una forma rara de neumona, sabiendo que no hallaremos la probabilidad puntual de ese suceso, sino que lo la estimaremos con cierto error aleatorio (tanto menor cuanto mayor el tamao muestral). Es muy importante tener en cuenta que el error aleatorio es slo una de las formas de error presentes en la investigacin clnica (y en su control la estadstica juega un papel fundamental). Sin embargo, existen otras formas de error, como el sesgo o error sistemtico y el error por confusin que sern abordados ms adelante en el curso. 5. Algunas propiedades de la probabilidad. Consideremos algunas de las propiedades importantes de la probabilidad de un evento: 1. La suma de las probabilidades de todos los eventos es igual a 1. Ejemplo: consideremos que, desde el punto de vista de la glucemia, los individuos pueden ser normales (A), portadores de glucemia alterada en ayunas (B), intolerantes a la glucosa (C), portadores de glucemia alterada en ayunas e intolerancia a la glucosa (D) o diabticos (E). Entonces:

P(A) + P(B) + P(C) + P(D) + P(E) = 1 2. Supongamos que el evento A tiene un complemento. Por complemento entenderemos al evento no A, y lo denotaremos como . Entonces: P(A) + P()= 1 Por tanto, P(A) = 1 P() Cul es la probabilidad de sobrevivir a una forma rara de neumona?; segn esta propiedad, es (1 probabilidad de morir de ella). 3. Se dice que dos sucesos son mutuamente excluyentes cuando no se puede verificar su ocurrencia simultnea. Por tanto, se dice que los sucesos A y B son mutuamente excluyentes cuando su interseccin es el conjunto vaco (). Supongamos que A sea presentar un metabolismo normal y B ser diabtico. Simultneamente no es concebible ser normal desde el punto de vista metablico y ser diabtico. Entonces: P(A B) = 0. 4. La unin de la probabilidad de dos sucesos mutuamente excluyentes es igual a la suma de sus probabilidades individuales. As: P (AB) = P(A) + P(B) Supongamos que en una poblacin, la probabilidad de ser diabtico es 0.07 ( 7%), y la de ser normal desde el punto de vista de la glucemia es 0.76 (76%), dado que los restantes sujetos presentan o glucemia alterada de ayunas o intolerancia a la glucosa. La probabilidad de ser diabtico normal ser: P(AB)= P(A) + P(B) = 0.07 + 0.76 = 0.83 u 83%.

Ntese que en la propiedad aditiva de la probabilidad, la unin de conjuntos, se expresa como . 5. Cuando los sucesos no son mutuamente excluyentes, la propiedad aditiva se expresa de la siguiente forma: P(AB)= P(A) + P(B) - P(A B) Por ejemplo: supongamos que en una enfermedad infecciosa un 76% de los pacientes experimenta exantema y un 53% catarro conjuntival, estando presentes ambos signos en 41% de los sujetos. Cul es la probabilidad de presentar uno de los signos mencionados? Aqu, nos preguntan: cul es la probabilidad de presentar exantema catarro?. La respuesta se obtendr sumando la probabilidad de presentar exantema, ms la probabilidad de catarro conjuntival menos la probabilidad de exantema y catarro: 0.76 + 0.53 0.41 = 0.88 Es decir, el 88% de los pacientes presentar al menos uno de los signos. Recuerde siempre: la interseccin se expresa como y (ejemplo: presentar exantema y catarro conjuntival), en tanto que la unin se expresa como o (catarro o exantema). 6. Por probabilidad condicional de un evento, entendemos a la probabilidad de ese evento en presencia de otro. Por ejemplo, cul es la probabilidad de padecer un infarto de miocardio (A) siendo diabtico (B)?. Aqu, notaremos P(A/B), es decir, la probabilidad condicional de A ocurriendo B , y la calcularemos como: P(A/B) = P(AB) / P(B)

Supongamos la siguiente tabla, en la que se muestra lo sucedido a un grupo de personas seguidas durante unos aos: IAM SI Diabetes SI 345 Diabetes NO 371 TOTAL 716 IAM = Infarto agudo de miocardio P(A)= Probabilidad de IAM P(B)= Probabilidad de Diabetes Veamos; P(AB) = 345 / 4118 = 0.083, y P(B)= 1110/4118= 0.269, entonces, IAM NO 765 2637 3402 TOTAL 1110 3008 4118

P(A/B) = 0.083 / 0.269 = 0.31. La probabilidad de desarrollar IAM en diabticos es 30.8% (esto hubiera sido ms fcil de calcular simplemente teniendo en cuenta que los casos favorables a IAM entre los diabticos fueron 345, y el total de diabticos casos posibles- fue 1110, entonces 345/1110= 0.31. Sin embargo, pretendamos ilustrar la validez de la frmula propuesta para el clculo de la probabilidad condicional). Tambin se cumple que: P(B/A)= P(AB) / P(A) 7. Se dice que dos sucesos A y B son independientes cuando: P(A/B) = P(A) Esto es, son independientes porque la probabilidad de A no cambia con la presencia de B (la probabilidad de A en presencia de B es la misma que cuando A se encuentra en ausencia de B). Cuando dos sucesos son independientes se cumple que: P(AB) = P(A) x P(B) (Regla multiplicativa de la probabilidad) 6. La probabilidad desde la lgica inductiva.

La idea de probabilidad puede ser abordada, tambin, desde la ptica de la lgica inductiva. Para comprenderlo desde este punto de vista, avanzaremos un tanto en algunos principios elementales de lgica formal. La lgica se ocupa de los razonamientos. argumentos (teora formal del conocimiento). Los razonamientos se enuncian bajo la forma de argumentos; estos argumentos comprenden una serie de razones llamadas premisas que nos llevan a una conclusin. Tanto las premisas como las conclusiones son proposiciones. Argumentos y lgica deductiva. Analicemos ahora el siguiente argumento: Todos los hombres son mortales (P1) Scrates es hombre (P2) =========================================== Scrates es mortal Las dos premisas nos conducen a una conclusin. En este caso, si sabemos que la primera y la segunda premisas (P1 y P2) son verdaderas, la conclusin tambin lo ser. Pero, adems, comprenderemos inmediatamente que este argumento es invulnerable, es decir, inmune al riesgo: si todos los hombres son mortales, y, si Scrates es hombre, por fuerza, Scrates debe ser mortal. No cabe lugar para la duda, no hay riesgo en la afirmacin. As opera a menudo la llamada lgica deductiva. Ahora bien; en ciencias factuales o fcticas, como aquellas de las que No desde el punto de vista

psiconeurolgico, sino como ciencia que tiene por objeto el anlisis formal de los

nos ocupamos en Medicina, es muy difcil sostener afirmaciones tales como todo x es y. Y, como consecuencia, nuestros argumentos, generados en el campo de la llamada lgica inductiva, son, por lo comn, vulnerables al riesgo, como veremos a continuacin. Argumentos riesgosos y lgica inductiva. Veamos ahora este argumento; Tomo dos naranjas de una caja que contiene una cantidad de ellas Las dos naranjas estn buenas ==================================================== Todas las naranjas de la caja estn buenas Est Ud de acuerdo con la conclusin?. Las premisas no parecen falsas: de hecho, he tomado dos naranjas que estn indiscutiblemente buenas. An as, la conclusin no se sostiene sin riesgo. En efecto, que dos naranjas estn buenas no me permiten concluir acerca de la totalidad. El tipo de argumento precedente es comn en el campo de la lgica inductiva, y es ste el terreno en que nos desenvolvemos habitualmente. Los argumentos, aqu, son riesgosos. Tomar slo dos naranjas de una caja que contiene, por ejemplo, 300 unidades y afirmar que todas ellas estn buenas nos parece, a simple vista, aventurado. Pero qu tal si tomamos 200 entre las 300, seleccionadas al azar, y ellas estn buenas?; nuestro riesgo nos parece ahora ms acotado. Sin duda sigue existiendo la posibilidad de que algunas naranjas no estn en condiciones apropiadas para el consumo; pero la probabilidad de que las naranjas estn buenas se nos aparece como mayor. Vemos pues que el concepto de probabilidad est fuertemente vinculado al de los argumentos riesgosos y al captulo de la lgica inductiva. Como siempre, podremos cometer error, pero ese error aleatorio ser menor cuantas ms naranjas hayamos tomado en consideracin.

PARTE 2. ASOCIACIN ENTRE VARIABLES 1. Introduccin El epidemilogo Keeneth Rothman utiliz la siguiente definicin al referirse a los diseos en investigacin: El objetivo de un experimento es evaluar en un grupo determinado de observaciones, el efecto de un factor particular sobre un evento, manipulando las condiciones para que el impacto de otros factores sea mnimo Dicho de otra manera, cuando se desarrolla un trabajo de investigacin, es a un evento, o sea otra variable. Por comn que la pregunta tenga que ver con como cambia o modifica algn factor, es decir una variable determinada ejemplo, como modifica la vacunacin preventiva para hepatitis A , la tasa de hepatitis fulminante?, Que impacto tiene la ingesta diaria de sal o de colesterol sobre la enfermedad cardiovascular? Diariamente en la prctica mdica habitual nos preguntamos si una variable determina el resultado de otra ( por ejemplo si el conjunto de adultos que recibe una estatina presenta menor riesgo de ACV) ninguna relacin entre s. Sumado a esto no olvidemos que vivimos en un mundo multifactorial, es decir en el que los posibles eventos que pueden tener los pacientes , en general no estn afectados por una sola variable en particular sino factores. En ste contexto es importante rescatar que, si bien ste texto est fuertemente orientado al anlisis estadstico de la asociacin de variables, la mejor forma de estudiar si una variable tiene impacto sobre otra teniendo en cuenta otros factores de importancia, tiene que ver en gran medida con el diseo de investigacin. Intentar responder si existe alguna asociacin entre la ingesta de sal y el desarrollo de hipertensin arterial, teniendo en cuenta que adems de comer sal las personas fuman, tienen estrs ,vida sedentaria y otros factores que por mltiples potenciales o si ambas variables no tienen

tambin podran tener impacto sobre el desarrollo de hipertensin arterial , es un enorme desafo en el que el anlisis estadstico suele ser consecuencia natural del tipo de diseo de investigacin El anlisis estadsticas que de la asociacin de variables incluye una serie de pruebas describir exceden el contenido de ste texto. El objetivo de sta

presentacin es introducir al concepto de asociacin de variables y algunas de las medidas de asociacin ms frecuentemente utilizadas. 2. Asociacin entre variables. Definicin y concepto

Se dice que dos variables tienen asociacin cuando la respuesta de una de ella se modifica en funcin de las categoras de otra variable. Veamos esto con un ejemplo. Supongamos que interesa saber si la introduccin de un normolipemiante ha modificado el nmero de casos de infarto de miocardio. En general , cuando se analiza la asociacin de variables, se puede definir una variable independiente o explicativa y una variable de respuesta o dependiente. La variable dependiente es conocida como evento, desenlace o endpoint. En los casos que corresponda (ve parte cuatro), a la variable independiente, llamada tambin exposicin, se la conoce como factor de riesgo. La variable independiente es aquella que modificara la respuesta de la otra variable. A veces esto es sencillo de definir y a veces es no tanto. A veces no est definido cul es la variable independiente y cual es la de respuesta. Por ejemplo, si quisiramos estudiar la relacin entre la vida sedentaria y la hipertensin arterial, quin explica a quin? Podra ser que la persona sea hipertensa debido a su vida sedentaria, o al revs, que tenga vida sedentaria debido a que es hipertensa. Comenzaremos con el ejemplo de infarto de miocardio y empleo del normolipemiante, en el que la variable explicativa y de respuesta son fcilmente diferenciables. 3. Tablas de Contingencia Los datos para el anlisis de variables categricas se organizan en las tablas de contingencia. Estas tablas, tienen mltiples usos en el anlisis estadstico.

Existen varias maneras de armar una tabla de contingencia. Sin embargo, haremos una recomendacin acerca de cmo organizar los datos para aquellos que recin se inician en el tema. Variable de Respuesta (v. Dependiente) Variable Independiente Normolipemiante s Normolipemian. no Total Infarto de miocardio SI A C a+c Infarto de miocardio NO B D b+d Total a+b c+d a+b+c+d

Observemos que las filas de la tabla corresponden a las categoras de la variable explicativa en tanto que las columnas corresponden a la variable de respuesta o dependiente Ahora completaremos la misma tabla con algunos datos sencillos: Variable dependiente o de respuesta Variable Explicativa Normolip SI Normolip NO Total IAM SI 10 20 30 IAM NO 90 80 170 Total 100 100 200

Analice sta tabla e intente contestar las siguientes preguntas: ( recuerde el concepto de frecuencia de unidades anteriores, eventos/pacientes expuestos) a) Cul es el tamao total de la muestra? b) Cuntos pacientes reciben normolipemiante y cuantos no lo reciben? ] c) Cul es la frecuencia de infarto de toda la muestra? d) Cul es la frecuencia de infarto en los tratados con normolipemiante? e) Cul es la frecuencia de infarto en los no tratados con el normolipemiante bajo estudio?

Respuestas correctas: a) 200 b) 100 tratados y 100 sin tratar 10 + 20 30 = = 0.15 200 c) Frecuencia de IAM= 200 Ntese que para calcular la frecuencia de IAM hemos tomado los casos de IAM de los pacientes tratados con normolipemiante y de los que no lo recibieron, dividido el total de la muestra. 10 = 0.1 d) Frecuencia de IAM en los tratados: 100 20 = 0.2 100

e) Frecuencia de IAM en los no tratados:

Si evaluamos lo analizado hasta ahora, pareciera que la tasa de infarto de los tratados es menor a la de los no tratados!!! Cuando miramos los datos en tablas de contingencia por lo menos surgen dos preguntas relevantes: a) Estos datos obtenidos de sta manera, sern similares si repetimos sta observacin muchas veces? Dicho de otra manera cul es la probabilidad de encontrar un resultado similar a ste si repetimos sta experiencia en mltiples posibles muestras? En todas ellas el resultado ser que los pacientes que reciben normolipemiante presentan una menor tasa de IAM, o ste es un resultado atribuible al azar? Para responder a esta pregunta se requiere una prueba estadstica (Chi cuadrado), sobre lo que no avanzaremos en este curso. b) Si existiera asociacin , cul es su magnitud? Es decir si el normolipemiante disminuye la tasa de IAM, en cunto la disminuye? Para esto necesitamos medidas del impacto o de efecto de dicha asociacin

que es lo que aprenderemos a construir a continuacin. Ntese que para realizar esto asumimos que ya hemos probado que ambas variables estn asociadas , pero no sabemos en que magnitud

4. Medidas de Fuerza y medidas de Impacto de una asociacin: Volvamos a los datos de nuestra tabla de contingencia: Variable de Respuesta o dependiente Variable Explicativa Normolipemiante Sin Normolipem. Total IAM SI 10 20 30 IAM NO 90 80 170 Total 100 100 200

Para poder construir la siguiente medida de impacto de la asociacin , definiremos el concepto de riesgos absolutos. Riesgo absoluto de IAM en el grupo tratado con normolipemiante: frecuencia de IAM en el grupo tratado Riesgo absoluto de IAM en el grupo no tratado: frecuencia de IAM en el grupo no tratado Revise sus clculos anteriores y ver que esta cuenta ya la hizo. Denominamos a esta frecuencia Riesgo, debido a que asumimos que en ste diseo hemos incluido en nuestra muestra pacientes sin IAM con y sin tratar y los hemos seguido en el tiempo, por ejemplo, 5 aos . Es decir que en ste caso, riesgo es una medida de incidencia.

Mirando los dos riesgos a simple vista, es fcil concluir que el Riesgo absoluto (RA) de IAM en el grupo tratado fue menor que en el grupo no tratado. Sera interesante establecer alguna relacin entre los dos RA para verificar magnitud con qu descendi la frecuencia de IAM. Debido a que queremos establecer

una relacin , utilizaremos un cociente entre los dos RA, y a sta mueva medida la llamaremos Riesgo Relativo. RR= RA de IAM en el grupo tratado/ RA IAM en el grupo control. Antes de hacer sta cuenta con los datos, pensemos lo siguiente: si los dos RA fueran iguales, es decir si la frecuencia de IAM en el grupo tratado fuera exactamente igual al del grupo no tratado, cul sera el resultado de sta cuenta? Est claro que sera 1, debido a que se trata de un cociente. Si el RR diera menor que 1 esto significara que hay una menor tasa de eventos en el grupo tratado con normolipemiante ( que se encuentra en el numerador) que en el grupo no tratado. De la misma manera, si el RR diera mayor a 1 significara que hay ms eventos en el grupo tratado que en el no tratado

Menor a 1 Menos eventos en los expuestos

Mayor a 1 Ms eventos en los expuestos

1 Veamos entonces canto es nuestro RR: 0.1 = 0.5 0.2

RR=

Dado que nuestro RR es menor que 1, esto significa que el tratamiento disminuy la tasa de IAM. En cuanto? Si multiplicamos cualquier nmero por 0.5 , el mismo se reduce a la mitad. Sin embargo intuitivamente sta es una manera un poco complicada de reportar sta medida. Sabemos que el RR de IAM se redujo, dado que el mismo es menor a 1. Para calcular en cunto se redujo podramos calcular la distancia que existe en relacin al 1 que es la igualdad, el RR que sugiere falta de asociacin. De sta manera calculamos otra medida de efecto, la Reduccin del Riesgo Relativo(RRR) RRR= (1-RR)= 1-0.5=0.5 Es decir que el riesgo disminuy en 0.5. Podemos pasar este valor a porcentaje y en ste decimos que el RR disminuy en un 50% Veamos ahora que sucede con otro ejemplo. Supongamos que queremos evaluar la presencia de mialgias asociadas a la administracin de este normolipemiante. Repetiremos los pasos seguidos en el ejercicio anterior: a) Construimos una tabla de contingencia

Variable de Respuesta o dependiente Variable Explicativa Tratamiento si Tratamiento no Total Mialgias 30 10 40 NO mialgias 70 90 160 Total 100 100 200

b) Evaluamos el RA de mialgias en los tratados: RA= 30/100=0.3 c) Evaluamos el RA de mialgias en los no tratados: RA= 10/100=0.1 d) Calculamos el RR como el cociente de los dos RA: RR= 0.3/0.1= 3 Es decir que ahora el riesgo de mialgias aument y se multiplic por 3.

Recordamos que aqu no estamos evaluando la significacin estadstica , sino que asumiremos que es significativa (es decir, no atribuible a la casualidad) . Entonces el RR es una medida muy til para asociacin, pero tiene limitaciones . Veamos un ejemplo ms. Supongamos que ahora se quiere repetir el mismo estudio, pero en vez de tomar una muestra de 200 pacientes, se decide evaluar a 200.000 Evaluaremos nuevamente la tasa de IAM evaluar magnitud de la

Variable de Respuesta o dependiente Variable Independiente Tratamiento si Tratamiento no Total IAM SI 10 20 30 IAM NO 99990 99980 199970 Total 100000 100000 200000

Calculemos nuevamente el RR de IAM. Ud. ya conoce el procedimiento.... a) Calculamos el RA de IAM en el grupo tratado: 10/100.000= 0.0001 b) Calculamos el RA de IAM en no tratados: 20/100.000= 0.0002 c) Calculamos el RR: RA tratados/ RA no tratados: 0.0001/0.0002=0.5 El RR es el mismo que en el caso anterior . Sin embargo, desde el punto de vista poblacional, el impacto de la enfermedad es mucho menor ahora que en el primer ejemplo. Veamos en el primer caso cada 100 pacientes 10 tenan IAM en el grupo tratado y 20 cada 100 pacientes en el grupo no tratado, lo que constituye una diferencia importante entre cada grupo. En este caso cada 100.000 personas en el grupo tratado, 10 tienen IAM en tanto que en el grupo no tratado , cada

100.000 pacientes 20 tienen IAM. Mas all de que para el paciente individual, cualquier enfermedad grave es una catstrofe, estas medidas se utilizan frecuentemente para evaluar estrategias poblacionales. Es decir para pensar por ejemplo, si vale la pena invertir en una estrategia de tratamiento preventivo a toda la poblacin. ( Recuerde que existe lo que se denomina costo de oportunidad , sto es que cuando se invierte en una estrategia en salud, se reduce el margen para invertir en otra!) Por supuesto qu esta decisin depender entre otras cosas de la magnitud del problema a nivel poblacional, y queda claro que el riesgo relativo es una medida incapaz de cuantificar ste impacto. Para esto tendremos que construir otra medida: la diferencia de riesgos. Diferencia de riesgos absolutos: se calcula como la diferencia entre el RA del tratamiento o exposicin y el RA del control o no expuesto. A esta medida se la conoce tambin como riesgo atribuible. Veamos los dos ejemplos; Ejemplo 1 Diferencia de riesgos absolutos de IAM = RA de tratados RA no tratados Diferencia de riesgos de IAM= 0.1-0.2= - 0.1 Podemos decir que se puede atribuir al tratamiento la reduccin de 0.1 ( o de un 10%) de los casos de IAM. Ejemplo 2 Diferencia de riesgos de IAM= RA de tratados- RA no tratados Diferencia de riesgos de IAM= 0.0001-0.0002= -0.0001 Podemos decir que se puede atribuir al tratamiento normolipemiante la reduccin de 0.0001 ( o de 1 por 10.000 ) de los casos de IAM El problema de la diferencia de riesgos , es que es una medida difcil de recordar y muchas veces de interpretar.

Cuando existe reduccin de RR (es decir, cuando el riesgo relativo es menor a 1), otra forma de ver que impacto tiene la intervencin en la poblacin es con otra medida, el Nmero Necesario a Tratar (NNT) para prevenir un evento. NNT: se calcula como la inversa de la diferencia de riesgos: NNT= 1/diferencia de riesgos Para esta cuenta no nos interesa el signo de la diferencia de riesgos!.

Ejemplo 1: Diferencia de riesgos= 0.1 NNT= 1/0.1= 10

Que significa ste nmero 10? Significa que hay que tratar por lo menos a 10 pacientes para prevenir un IAM Veamos el Ejemplo 2 Diferencia de riesgos = 0.0001 NNT = 1/ 0.0001= 10.000 Es decir hay que tratar a 10.000 personas para prevenir 1 caso de IAM. Recordamos que stas medidas como cualquiera ya descriptas, tienen

implcito un perodo de tiempo ( que es el perodo del estudio de donde se toman los datos) y que se asume que los riesgos son constantes en se perodo de tiempo. Esto puede no ser as, por ejemplo en enfermedades con variabilidad estacional. Hasta ahora hemos dado ejemplos en donde es fcil discriminar cual es la variable independiente y cual la dependiente. Sin embargo mencionamos al principio que esto puede ser difcil de determinar, como es el caso de la vida sedentaria y la hipertensin arterial (HTA).

Evaluemos, con los conocimientos que ya tenemos un estudio los resultados de un estudio que estudi sta asociacin

Una vez que tenemos los datos, realizaremos los pasos ya conocidos a) Armamos la tabla de contingencia. Supongamos que elegimos organizarla de sta manera: HTA si Vida Sedentaria si 20 Vida Sedentaria no 10 Total 30 HTA no 80 90 170 Total 100 100 200

Si sigue los pasos para calcular el RR el mismo le dar como resultado: 2. Es decir que si el estudio lo planteamos as , los pacientes con vida sedentaria tienen el riesgo de hacer HTA se multiplica por 2. Ahora, que pasara si la pregunta fuera al revs, es decir, la HTA aumenta el riesgo de vida sedentaria? Entonces deberamos construir la tabla de contingencia de forma diferente Veamos Vida Sedentaria si 20 80 100 Vida sedentaria no 10 90 100 Total 30 170 200

HTA si HTA no Total

Si calculamos ahora el RR el resultado es 20 = 0.66 R Absoluto de vida sedentaria si se es HTA: 30 80 = 0.47 170

R Absoluto de vida sedentaria si no se es HTA:

RR=

0.66 = 1.4 0.47

O sea que vemos que segn como dispongamos la tabla de contingencia, cambian los resultados!!! Necesitamos entonces, una medida ms robusta : Odds ratio El Odds Ratio , Odds si bien es un cociente, no es estrictamente una proporcin, El trmino

debido a que el numerador no est contenido en el denominador. disparidad, etc

ha sido traducido al castellano con varios trminos tales como chance ,

El Odds se define como una razn, porque relaciona la probabilidad del evento con la probabilidad de no tener el evento. Se encontrar en los libros de texto como la relacin tambin entre la tasa de xitos ( entendido como la probabilidad de tener el evento) sobre la tasa de fracasos ( entendido como la probabilidad de no tener el evento) Una notacin habitual en los libros de texto es: Odds= p 1 p

Si aplicamos el concepto de Odds Ratio al primer ejemplo sera OR= Odds de HTA en los pacientes con vida sedentaria/ Odds de HTA en los pacientes con vida activa o no sedentaria Veremos cmo se calcula en una Tabla de 2x2 Ejemplo 1 HTA si Vida Sedentaria si 20 (a) Vida Sedentaria no 10 (c) HTA no 80 (b) 90 (d) Total 100 100

Total

30

170

200

El OR es llamado tambin el cociente de productos cruzados, debido a que su forma de calcularlo es multiplicando las celdas internas de la tabla OR = a x d / c x b En el caso 1: OR = OR = 20 x90 = 80 x10

1800 = 2.25 800 La interpretacin es similar al RR.

Es decir que en el primer ejemplo , el OR de hacer HTA si se tiene vida sedentaria es 2.25.

Veamos en el Ejemplo 2 Vida Sedentaria si 20 80 100 20 x90 1800 = = 2.25 10 x80 800 Vida sedentaria no 10 90 100 Total 30 170 200

HTA si HTA no Total

OR =

Vemos ahora, como independientemente de cmo construyamos la tabla 2x2, la medida de efecto se mantiene estable Algunas propiedades del OR -La interpretacin del OR es similar a la del RR En una tabla 2x2, trata en forma simtrica a columnas y filas , es por esto que no hace falta definir cual es la variable independiente y cual es la dependiente

Es aplicable a casos incidentes como prevalentes, en tanto que el RR slo es aplicable a casos incidentes

Tabla de Resumen de las Medidas Fuerza y de Impacto Medida Riesgo absoluto Riesgo Relativo Definicin Clculo Observaciones Riesgo de desarrollar N de eventos/ pacientes un evento frente a una expuestos exposicin particular Relacin entre 2 Rabsoluto de Riesgos absolutos expuestos/R absoluto de Se aplica a

medidas incidentes No toma en cuenta el riesgo absoluto en cada grupo Asume riesgo constante tiempo en un perodo de

no expuestos Reduccin Cuantifica la reduccin 1-RR de Riesgo del riesgo relativo Riesgo Relativo Diferencia Estima cunto de la atribuible a la exposicin o Nmero a tratar (NNT) intervencin Estima cuntos tratar para prevenir un evento 1/ diferencia de riesgo Rabsoluto expuestos-

de riesgos reduccin del riesgo es Rabsoluto no expuestos

Asume riesgo constante tiempo en un perodo de

necesario pacientes hay que

Odds Ratio

Razn de Odds( razn (a.d)/(b.c) entre probabilidad de xitos y de fracasos)

No requiere definicin de variable independiente y dependiente

5. Sesgos y confusores en investigacin clnica.

Hemos sealado que el error aleatorio se reduce incrementando el tamao muestral (aumentando el n). Sin embargo, existen otros errores que no se reducen cuando aumentamos el tamao de la muestra sino que, incluso, pueden empeorar. Veamos estos ejemplos: 1) Un investigador est interesado en estudiar si la historia familiar de artritis reumatoidea es diferente en pacientes que presentan la enfermedad respecto de controles que no la padecen. Entonces, el investigador pregunta a enfermos y controles acerca de antecedentes familiares de artritis. Quin cree Ud que recordar con mayor facilidad la presencia de antecedentes familiares?. Sin dudas, un paciente con artritis. Los controles tienen poca motivacin para recordar el antecedente. Este tipo de error se denomina sesgo de rememoracin (o de recall). 2) Los estudios de cohortes llevados a cabo en mujeres que reciban terapia de reemplazo hormonal del climaterio, cuando se las comparaba con mujeres que no reciban dicho tratamiento, mostraban consistentemente una reduccin del riesgo cardiovascular en las tratadas con hormonoterapia. Debe hacerse notar que, siendo estudios de cohortes es decir, de observacin- no exista una intervencin planificada, segn la cual las pacientes fueran aleatoriamente asignadas a un grupo bajo tratamiento hormonal o a un grupo control. Se trataba, en definitiva, de observar el comportamiento de mujeres que venan recibiendo hormonas versus el de otras que no las reciban. Cuando finalmente se llevaron a cabo ensayos clnicos con terapia de reemplazo, tal reduccin de riesgo no pudo verificarse. Una posible explicacin es que, en los estudios de cohortes, las mujeres participantes dentro del grupo tratado podran pertenecer a dicho grupo, es decir, recibir hormonas por un particular inters; por ejemplo, conservar en mejores condiciones su piel, continuar con una vida sexual ms plena (limitar la dispareunia y las alteraciones vulvo-vaginales tpicas de la menopausia, etc). Para ello, probablemente apelaran no slo a la terapia de reemplazo hormonal, sino, tambin, a conductas alimentarias ms sanas,

ejercicio, etc. Y tal vez, el mejor resultado cardiovascular se debiera no a la terapia de reemplazo sino a las conductas ms sanas desarrolladas por su inters personal. Ello es lo que conocemos como sesgo de membresa: las mujeres bajo hormonoterapia podran pertenecer al grupo de las chicas buenas desde el punto de vista de sus hbitos y, de ese modo, reducir su riesgo cardiovascular (sin que esto tenga que ver con la medicacin). Como todo sesgo, incrementar el n no ha de resultar en ninguna reduccin del error. Los sesgos son errores que cometemos bsicamente: a) en la seleccin de los sujetos de la muestra; b) en la obtencin, manejo o interpretacin de la informacin (ej. sesgos de procedimiento). Pueden tener un efecto diferencial o no diferencial, como se ver ms adelante. NO se corrigen apelando a un manejo del tamao muestral, sino pensando en ellos y previnindolos. Existe un tipo particular de sesgo, llamado error por confusin. Veamos este ejemplo: Un investigador nos propone que, tras haber estudiado 100.000 personas, el sedentarismo es una causa de accidente cerebrovascular (ACV), dado que el Riesgo Relativo para la asociacin sedentarismo / ACV es 4.0. Ahora bien; est claro que dado el enorme tamao muestral, no parece haber error aleatorio marcado en la estimacin de la fuerza de asociacin. Pero, bien podramos formularle las siguientes objeciones: a) El ACV es tambin ms frecuente en obesos; b) Los obesos son ms frecuentemente sedentarios;

c) Es que la asociacin que el investigador nos propone se debe realmente al sedentarismo o a la obesidad? Aqu, la variable obesidad se comporta como confounding o variable confusora. Qu condiciones debe requerir una variable para operar como un potencial confusor?: i. Debe guardar una asociacin con la variable dependiente (en nuestro ejemplo, el ACV) ii. Debe guardar una asociacin con la variable independiente (en nuestro ejemplo, el sedentarismo) iii. Y ser capaz de distorsionar la fuerza de asociacin entre nuestra variable independiente a la que postulamos como potencial causa- y su posible consecuencia es decir, la variable dependiente-. Como en el caso de los sesgos, el aumento del tamao muestral no consigue por s solo el control de los confusores. Debemos antes pensar en su existencia y disear, planear, cul de las estrategias metodolgicas disponibles para su control es conveniente emplear.

PARTE 3. DISEOS EN INVESTIGACIN CLNICA: ALGUNOS CONCEPTOS ADICIONALES. INTRODUCCIN AL CONCEPTO DE CAUSALIDAD. 1. Una breve introduccin. Como hemos sealado en la parte inicial de este texto, disear implica desarrollar un plan. Y el esfuerzo que hemos de disponer en el diseo de un estudio tiene un objetivo central: minimizar (ya que no es posible eliminarlo totalmente) el error. Se seala a menudo que el error total en una investigacin clnica consiste en la

suma de la imprecisin ms la inexactitud. Para dejarlo claro desde el principio, el error total puede descomponerse como sigue: a) Error aleatorio o no sistemtico o imprecisin; b) Error sistemtico o sesgo; c) Confusin (error por confusin, sesgo por confusin). Un estudio bien diseado no ha de plantear solamente un nmero de sujetos a incluir de acuerdo con su/s objetivo/s (atendiendo a lograr una cierta precisin), sino que ha de atender tambin a los criterios y formas con las que hemos de seleccionar a los sujetos participantes, los procedimientos, la clasificacin de las exposiciones y los desenlaces o eventos, las formas en que recogeremos y trataremos los datos, la identificacin de las llamadas variables confusoras o confounding, etc. Un diseo no puede estar ajeno a la naturaleza de la pregunta cientfica que enfrentamos ni de la etapa del mtodo cientfico en la que tal pregunta se inscribe. As, como hemos visto, hemos de reconocer: i) Estudios de observacin (u observacionales): i.a) Descriptivos: reporte de casos, serie de casos, estudios transversales; ii.b) Analticos: estudios de cohortes y estudios de casos y controles ii) Estudios experimentales (o de intervencin: Ensayo clnico. Desde luego, existen otras formas de clasificacin. Sin embargo, para homogeneizar nuestra comunicacin, tomaremos esta taxonoma como vlida a efectos de este curso. Con el objeto de acortar la extensin de este tema, hemos de enfocarnos a la consideracin de los estudios de cohortes, los de casos y controles, los ensayos clnicos y nos introduciremos a los principales aspectos de los mtodos metaanalticos. 2. Errores (sesgos) de clasificacin y su importancia en la investigacin clnica.

A lo largo de este captulo, hemos de referirnos de continuo a una serie de estudios que procuran evaluar la asociacin entre una enfermedad, o evento, y una exposicin. Toda medida que tomemos de la asociacin depender crticamente de la calidad de la clasificacin de los enfermos y los no enfermos, as como de los expuestos y los no expuestos. Los errores de clasificacin pueden ser: 1. Errores diferenciales 2. Errores no diferenciales Un error diferencial es aquel en que se verifica que las informaciones colectadas sobre la exposicin (en frecuencia, importancia o direccin) afectan de manera diferente a los enfermos que a los no enfermos, o bien en el que las informaciones colectadas sobre la enfermedad afectan de manera diferencial a los expuestos y a los no expuestos. Supongamos la siguiente situacin: La verdadera distribucin de eventos y expuestos en una muestra obtenida de la poblacin es la siguiente: Evento SI Expuesto SI Expuesto NO En esta condicin, el OR es 3.37. Supongamos ahora que, entre los pacientes enfermos, un 25% de los expuestos son clasificados errneamente como no expuestos, sin que se cometa error entre los no expuestos. La tabla en nuestra muestra sera: Evento SI Expuesto SI Expuesto NO Ahora, el OR es: 1.92. Vemos entonces de qu modo podemos subestimar la fuerza de la asociacin. 7500 10500 Evento NO 130000 350000 10000 8000 Evento NO 130000 350000

Si el error diferencial se diera en los no expuestos, por ejemplo, conservando la misma magnitud (25% mal clasificados), tendramos: Evento SI Expuesto SI Expuesto NO 10000 8000 Evento NO 97500 382500

Ahora, el OR es: 4.90. Vemos como podemos sobreestimar la fuerza de la asociacin en este caso. Los errores no diferenciales desde el punto de vista estadstico son independientes de la enfermedad o de la exposicin. Tienden a subestimar la fuerza de la asociacin. Veamos un ejemplo: Supongamos que clasificamos de manera errnea a los expuestos (25% mal clasificados), pero de igual forma en los enfermos que en los no enfermos: Evento SI Expuesto SI Expuesto NO 7500 10500 Evento NO 97500 382500

El OR ser: 2.80. Vemos que se subestima la fuerza de la asociacin. 3. Estudios de Cohortes. hemos definido como cohorte a un conjunto de individuos que comparte una caracterstica comn. Un estudio de cohorte/s ha de tener por objeto evaluar la morbilidad o la mortalidad observada en uno o ms grupos de individuos inicialmente indemnes de la enfermedad (desenlace) bajo anlisis, definidos en base a su exposicin o no a un determinado factor (variable exposicin). Como es natural, este tipo de estudio requiere la observacin de los sujetos a lo largo de cierto tiempo entre la inclusin y el posible desarrollo del evento o desenlace. Por tanto, los estudios de cohortes sern siempre longitudinales.

Si tomamos una cohorte y la seguimos un tiempo suficiente, ser posible en ella determinar la incidencia del evento en los sujetos que la integran. Por tanto, es comn que el objetivo de un estudio de cohortes consista en la comparacin de la incidencia del desenlace en los expuestos a un determinado factor, versus la incidencia del mismo desenlace en los no expuestos a ese factor. Es razonable entonces que el Riesgo Relativo sea una medida natural de la fuerza de la asociacin de uso habitual en los estudios de cohortes. Los estudios de cohortes pueden ser prospectivos o retrospectivos. En los estudios retrospectivos, las exposiciones y los desenlaces relevantes ya se han dado, es decir, han sucedido en el pasado. Pero no importa si se trata de estudios prospectivos o retrospectivos, la seleccin de los sujetos se fundamenta en la exposicin, es decir, en la condicin de estar o no expuesto al supuesto factor etiolgico. Por ello las bases metodolgicas de todo estudio de cohortes tienen que ver con la naturaleza longitudinal de la evaluacin del estado de salud, y la seleccin basada en exposicin. Es importante consignar que la exposicin al factor sospechoso es una condicin natural; no es el resultado de una intervencin del observador. Ello es muy importante a efectos de distinguir los estudios de cohortes de los experimentales o de intervencin. La eficiencia de los estudios de cohortes guarda una relacin importante con la frecuencia del evento o desenlace de mayor inters. Si bien un estudio de cohortes permite evaluar la asociacin entre una exposicin y uno o varios posibles desenlaces, es conveniente definir la importancia que asignamos a cada desenlace; consideramos la mortalidad por cualquier causa nuestro desenlace de mayor inters?, o bien es la mortalidad de causa cardiovascular la ms importante?. Es fundamental tener en cuenta que cuando la frecuencia de los eventos de mayor inters es muy baja, el rinde de este tipo de estudio puede ser limitado. Si el desenlace (endpoint) cuya incidencia procuramos evaluar es muy raro, podramos vernos obligados a seguir un nmero muy importante de personas durante un perodo muy prolongado para quizs detectar un nmero muy bajo de casos, de eventos de inters. Ello deriva en costos a menudo insostenibles y exige recursos difciles de proveer.

Se acepta en general la existencia de cohortes fijas o cerradas y cohortes dinmicas o abiertas. En una cohorte fija, slo los sujetos presentes en el momento de constitucin de la cohorte son incluidos en el estudio. Se trata de grupos fijos de sujetos seguidos desde un momento hasta un punto final (MacMahon, 2001). Por ejemplo, podramos seguir a todos los empleados de una empresa presentes en la misma en el momento de constitucin de la encuesta. En un proceso dinmico de reclutamiento, siguiendo el ejemplo anterior, todo nuevo trabajador que cumpla los criterios de seleccin puede ser incorporado al estudio durante un perodo determinado. Adems de la naturaleza del proceso de seleccin, la condicin de exposicin define el ingreso del sujeto en una cohorte fija se da una vez (MacMahon, 2001) y se considera invariable a lo largo del estudio, en tanto que una cohorte dinmica puede admitir variaciones en la intensidad de la exposicin (por ejemplo, la condicin de fumador puede variar a lo largo del seguimiento, y ello es admisible en un proceso de anlisis dinmico). La constitucin de una cohorte. Los siguientes aspectos deben ser considerados a efectos de constituir una cohorte apropiada: 1. Identificacin de la poblacin. 2. Establecimiento de criterios de inclusin. 2.a) La exposicin debe ser claramente definida y debe ser de intensidad suficiente como para justificar el estudio de su asociacin con el desenlace. La determinacin de la intensidad apropiada de la exposicin suele ser un problema de difcil resolucin en algunos contextos particulares. En Epidemiologa, es muy importante establecer la relacin dosis / respuesta que caracteriza a la asociacin entre la exposicin y el evento; esta es otra razn por la que definir correctamente la intensidad de la exposicin resulta fundamental. 2.b) La inexistencia del evento o desenlace de inters al inicio del estudio debe ser un requisito importante en el proceso de seleccin. En ocasiones, el desenlace en estudio no es otro que el empeoramiento de una condicin preexistente; entonces, es crucial definir cul es el estado preexistente que no constituye el evento objetivo de nuestro estudio actual.

2.c) Debe tomarse posicin acerca de las variables confusoras y la conducta a seguir en relacin con ellas en el proceso de seleccin. Supongamos que, como hemos visto antes, procuramos estudiar la asociacin entre sedentarismo y desarrollo de accidente cerebrovascular (ACV). Como el sedentarismo es ms frecuente en obesos que en no obesos, as como lo es el desarrollo de ACV, podramos considerar a la obesidad como una variable confusora (confounding) sobre la asociacin que estamos estudiando. Ahora bien; cmo proceder? excluir a los obesos, de modo de evitar confundir el efecto del sedentarismo con el de la obesidad?si as procedo, no constituir una muestra demasiado alejada de la poblacin, que desde luego incorpora obesos entre los sedentarios?. La toma de posicin respecto de restringir el ingreso de sujetos que presentan ciertas variables potencialmente confusoras es un requisito previo al inicio del estudio. 2.d) En definitiva, se supone que, idealmente, el grupo expuesto debera (Elwood, 1998): i) Estar verdaderamente expuesto (y esto debe ser claramente definido, no deben existir dudas acerca de lo que significa estar expuesto); ii) Ser representativo de una poblacin definible y elegible; iii) La informacin necesaria debe ser recogida en este grupo con la misma facilidad y debe ser de tan buena calidad como la obtenida en el grupo de no expuestos. 2.e) Debe definirse si se incluir de manera fija o dinmica Cmo seleccionar correctamente a los sujetos expuestos y a los no expuestos? Si la pretensin de resultar exhaustivos, diremos que: * Cuando hemos de investigar la asociacin entre la exposicin a un factor y uno o ms eventos, y las potenciales variables confusoras no son completamente conocidas, el grupo expuesto ser un subconjunto de una poblacin elegible y los no expuestos, una muestra no expuesta representativa de la misma poblacin. No se recomienda en este caso el matching o apareamiento. Aqu, el control de los

confounding se llevar a cabo en el anlisis estadstico de los datos. A este diseo de cohortes, preferible cuando estudiamos la asociacin entre un factor y diversos endpoints le llamamos no apareado con controles internos (unmatched, internal controls). * Cuando procuramos estudiar la asociacin entre una exposicin y un evento especfico, y las variables confusoras principales son conocidas, los expuestos sern un subconjunto de una poblacin elegible y los no expuestos podrn ser sujetos apareados con los expuestos para los potenciales confoundings. A este tipo de diseo se lo denomina apareado con controles internos. * Cuando no es posible obtener controles internos, es decir, sujetos provenientes de la misma poblacin elegible, los expuestos pueden ser sujetos provenientes de una poblacin expuesta a un alto nivel de exposicin y los no expuestos pueden provenir de otra poblacin con bajo o ningn nivel de exposicin. A este tipo de diseo se lo conoce como cohortes con controles externos. 3. La correcta definicin del evento. Ello es importantsimo a efectos de evitar sesgos de clasificacin. En necesario tener en cuenta que el desenlace, evento o endpoint puede ser de naturaleza simple o bien combinada (aggregate endpoints). En efecto, cuando un evento o suceso claro y fcilmente definible se da en la cohorte con una frecuencia suficiente, podemos emplearlo como punto final de calidad apropiada. Por ejemplo, puede que si estudiamos una cohorte de sujetos en prevencin secundaria de enfermedad coronaria, la manifestacin de un nuevo infarto podra ser un endpoint apropiado para la evaluacin de su asociacin con algn factor de riesgo. Ahora bien; es posible que en ciertas cohortes el infarto no se desarrolle con gran frecuencia (ej. prevencin primaria) y debamos explorar el uso de endpoints combinados: por ejemplo desarrollo de infarto (fatal o no fatal), o angina inestable, o accidente cerebrovascular. Claro est que cualquier sujeto que desarrolle un infarto, una angina inestable o un ACV habr alcanzado el punto final; ello aumenta el numerador en la incidencia. Desde luego, paga el precio de la heterogeneidad fisiopatolgica, etiopatognica y

evolutiva (no estaremos introduciendo en la misma bolsa a casos muy distintos, considerando a todos ellos como eventos equiparables?). 4. Establecimiento del nmero efectivo de la cohorte y de la duracin del seguimiento. Desde luego, la potencia del estudio es una funcin del nmero de sujetos a incluir. Pero no es este el nico aspecto a definir: cunto tiempo debemos seguir a los sujetos a efecto de que el estudio realmente resulte til?. En realidad, la unidad generatriz de la potencia de un estudio de cohortes es el nmero de persona-aos tiles que hemos de tomar en consideracin. Medidas del efecto. Evaluamos en un distrito el desarrollo de casos de una forma de hepatitis entre los ancianos internados en instituciones de cuidado geritrico expuestos y no expuestos a una vacuna antiinfluenza de reciente desarrollo:

Casos de hepatitis Vacunados No vacunados Total 6 7 13

Nmero de persona-aos 393 1939 2332

Incidencia (%) 1.53 0.36 0.56

Como recordaremos, el Riesgo Relativo ser: 1.53 / 0.36 = 4.25 (pueden existir diferencias segn el nmero de decimales empleados en los clculos). Existe exceso o reduccin de riesgo frente a la exposicin a la vacuna? La exposicin parece incrementar el riesgo de hepatitis. De hecho, el exceso de riesgo puede ser calculado como: (RR 1) x 100 = 325%. El intervalo de confianza del 95% que corresponde a este riesgo relativo es:

1.17 14.69 (puede diferir segn el mtodo que se emplee para su evaluacin). Por tanto, la asociacin resulta significativa. La diferencia de riesgos (llamada tambin riesgo atribuible) ser: 1.53 0.36 = 1.17 x 100 persona-aos 1 El riesgo atribuible, cuando se divide por el riesgo absoluto en expuestos, da lugar a la proporcin atribuible en expuestos, en este caso: 1.17 / 1.53 = 0.76 76%

Ms de un posible factor causal.

Supongamos que, en un intento de reevaluar los hallazgos del estudio de hepatotoxicidad por la vacuna antiinfluenza, se repite el estudio en otro distrito. El trabajo se lleva a cabo en poblacin mayor de 60 aos, no internada, y se recaban datos relacionados con consumo de alcohol (alcoholismo) en esta muestra, obtenindose los siguientes resultados: Casos de hepatitis (por mil personaaos No vacunados, 2.9 no alcohlicos Vacunados, no 8.7 alcohlicos No vacunados, 13.1 1.0 3.0 4.5 Riesgo Relativo Riesgo atribuible (por mil personaaos 0 (referencia) 5.9 10.2

alcohlicos Vacunados alcohlicos

38.9

13.4

36.0

Sigamos, pues, este ejemplo con cierto detalle. En ausencia de ambos factores, la incidencia de la hepatopata es, digamos, 2.9 por mil. Ahora bien; en vacunados, dentro del perodo estudiado (por ejemplo 1 ao), la incidencia se eleva a 8.7 por mil; es decir, el riesgo relativo ser 8.7 / 2.9 = 3. En alcohlicos no vacunados, el mismo tipo de hepatopata presenta una incidencia de 13.1 por mil; el riesgo relativo ser 13.1 / 2.9 = 4.5. Es interesante plantearnos (si no conociramos el resultado de la ltima fila) cul sera el valor esperable de hepatopata si los dos factores (vacunacin y alcoholismo) estuvieran presentes?. Aqu existen a priori dos posibles formas posibles responder a esa pregunta antes de conocer el valor de la ltima fila: 1. El modelo aditivo: Consiste en suponer que el resultado de la ltima fila (vacunados alcohlicos) debiera ser la consecuencia de la suma de los riesgos atribuibles ms el valor de riesgo basal (es decir, el valor de la incidencia del evento en no expuestos a ninguno de los dos factores). As: 2.9 por mil + 5.9 por mil + 10.9 por mil = 19.7 por mil; el riesgo relativo debiera ser, si tal modelo fuera el correcto, 19.7 / 2.9 = 6.8. 2. El modelo multiplicativo: Sin embargo, podra suceder que la incidencia en la ltima fila no resultara compatible con la simple suma de las incidencias de las restantes. Si la vacuna incrementa el riesgo 3 veces (RR=3), y el alcoholismo 4.5 veces (RR=4.5), podra ser concebible que el riesgo de la exposicin a ambos factores fuera: 3 x 4.5 = 13.5. Como vemos en el ejemplo, este es el caso en la situacin estudiada. Como vemos, la intervencin conjunta de dos factores potencialmente causales puede incrementar el riesgo de manera aditiva o multiplicativa. Ambos tipos de

sinergismo se presentan en la prctica y, la presuncin del modelo que ha de asumir la exposicin mltiple tiene connotaciones matemticas y de interpretacin epidemiolgica relevantes. No ser el objeto de esta sesin profundizar en tales aspectos, sino simplemente introducir al lector en la materia, hacindole prever las potenciales consecuencias de la exposicin a ms de un posible factor causal. 4. Estudios de Casos y controles. En los estudios de casos y controles comparamos la frecuencia de una exposicin anterior a un determinado factor o variable (exposicin) en un grupo de sujetos que presentan una determinada enfermedad o evento (los casos), versus la frecuencia de la exposicin a ese mismo factor entre un grupo de sujetos que no presentan la enfermedad o evento (los controles). As como en los estudios de cohortes es posible estudiar la asociacin de una determinada exposicin con uno o ms eventos de inters, en los estudios de casos y controles es posible estudiar la asociacin entre un evento particular y varias posibles exposiciones. Una caracterstica importante de los estudios de casos y controles es que resultan especialmente tiles cuando la frecuencia del evento de inters es baja. Adems, por lo comn, los estudios de casos y controles suelen requerir tiempos menores para la obtencin de resultados que los estudios de cohortes, con menores costos. En los estudios de cohortes, la definicin de cada sujeto participante se hace de acuerdo con su condicin de expuesto o no expuesto. En los estudios de casos y controles, la definicin se hace sobre la base de considerar al sujeto como portador del evento (caso) o no portador del evento (control). En un estudio de cohortes, este es el sentido de la seleccin: Evento SI Exposicin SI Exposicin NO A C Evento NO B D

Por tanto, la ocurrencia de los cocientes A / (A + B) y C / (C + D) es natural; la frecuencia de eventos es, idealmente, de ocurrencia natural como una consecuencia de la exposicin o no al factor. Al inicio podemos saber cuntos expuestos y cuntos no expuestos tenemos; los eventos se darn o no con el transcurso del tiempo. En los estudio de casos y controles, el sentido de la seleccin es el siguiente:

Evento SI Exposicin SI Exposicin NO A C

Evento NO B D

Es decir: seleccionamos casos y los controles, y comparamos la frecuencia de exposicin entre ellos. Como comprenderemos, los cocientes A / (A + B) y C / (C + D) no son de ocurrencia natural; si elegimos un control por cada caso, los denominadores (A + B) y (C + D) han de tener un valor distinto del que tendran si seleccionramos 10 controles por cada caso. La medida del efecto en los estudios de casos y controles no puede ser, por tanto el Riesgo Relativo. Ser, en cambio, el Odds Ratio (OR). Los casos. En un estudio de casos y controles, los casos pueden ser incidentes o prevalentes. Es siempre preferible que, en lo posible, los casos hayan sido diagnosticados recientemente, es decir sean casos incidentes. Los casos que han sido diagnosticados hace mucho tiempo (prevalentes), si bien pueden ser fciles de obtener y, de este modo, pueden incrementar el tamao muestral

rpidamente, tropiezan con varios problemas. En efecto; si la enfermedad fuera potencialmente mortal no existir una razn -por nosotros desconocida-, por la que estos casos prevalentes son particularmente resistentes, es decir, una razn especial que justifique su supervivencia?;y si la enfermedad se cura en un tiempo razonable, por qu ellos no han curado an?; y los casos prevalentes ms graves sern accesibles por nosotros o se habrn dirigido a centros de mayor complejidad en busca de atencin especializada?. En fin, siempre es posible hallar objeciones a un trabajo que incluya casos prevalentes. Lamentablemente, no siempre es fcil incluir casos incidentes, y, en ocasiones, ni siquiera es fcil concebir ese tipo de casos. Por ejemplo; supongamos que se trata de casos de obesidad: cundo decimos que el caso es incidente?. O en diabetes tipo 2, aun en los casos de reciente diagnstico, la enfermedad ha comenzado hace poco?. Como vemos, no siempre es fcil elegir los casos ms seguros para nuestro estudio. Los casos pueden ser individuos con la enfermedad o evento de inters obtenidos a partir de una poblacin definida elegible, por ejemplo un distrito o una ciudad, durante un perodo (base primaria), o bien pueden resultar un subconjunto de las personas con la enfermedad que han sido estudiadas en una institucin mdica en un perodo (base secundaria). Como se comprender, los casos obtenidos a partir de una base secundaria pueden estar afectados por sesgos de derivacin: es decir, segn el grado de complejidad del centro mdico en consideracin, la severidad y otras caractersticas de la enfermedad o evento en estudio. Es comn que en la literatura internacional veamos referirse a los estudios casos y controles como community-based o institution-based, y a la vez, que los casos hayan sido o no apareados (o emparejados) con los controles respecto de algunas variables potencialmente confusoras (matched o unmatched). Los controles. Debemos tener presente la importancia de una correcta clasificacin de lo que es un caso y de lo que entenderemos por control en el contexto de un estudio particular. Si por dificultades diagnsticas o de otro tipo, incluyramos dentro del

grupo control a sujetos que en realidad son casos, los resultados se sesgaran hacia la nulidad de la asociacin (efecto dilucin). Esto es muy posible cuando la enfermedad es frecuente, y el riesgo de este tipo de sesgo es menos comn cuando la entidad es rara. Por ello insistiremos una vez ms en la importancia de distinguir correctamente caso de control. Los grupos control no suelen ser grupos naturales, sino que resultan de un constructo necesario elaborado por el investigador. Ello suele ser fuente de sesgos que deben minimizarse. Un tipo particularmente interesante de estudio casos y controles es el llamado casos y controles anidado en una cohorte. Aqu, los casos son sujetos que han desarrollado el evento mientras eran seguidos en un estudio de cohortes, y los controles, una muestra de sujetos sin el evento provenientes del mismo estudio. Compartiendo la misma base, estos estudios suelen ofrecer menos tendencia a sesgos de seleccin. El apareamiento, emparejamiento o matching. Consiste en seleccionar uno o ms controles que se asemejen a un caso. Pretende equilibrar la proporcin de casos y controles por cada categora de cada una de las variables por las que se aparea. Pretende de este modo controlar la influencia de confusores. Sin embargo, desde luego, no podr estudiarse el efecto sobre la enfermedad de las variables por las cuales se aparea. Y puede producirse, en ocasiones, el llamado efecto de sobreapareamiento: debemos aparear slo por potenciales confusores, evitar el apareamiento excesivo. Algunos sesgos en estudios de casos y controles. Tres tipos de sesgos que afectan la determinacin de la frecuencia de exposicin deben tenerse especialmente en consideracin en los estudios de casos y controles:

1. Cuando signos o sntomas tempranos dan origen a intervenciones teraputicas, puede ser difcil registrar la frecuencia de exposicin, porque la misma puede haber sido modificada, en trminos de intensidad, por recomendacin del mdico. 2. Es por lo general ms fcil que el enfermo (caso) recuerde la exposicin a un determinado factor que su correspondiente control (sesgo de rememoracin o de recall). 3. En los casos, puede existir una tendencia exagerada hacia la bsqueda de la exposicin respecto de los controles. Como es natural, muchas veces forzamos la exploracin con mayor nfasis en aquellos sujetos a los que sabemos enfermos, respecto de quienes no lo estn. 5. El ensayo clnico. Como hemos adelantado en la sesin primera, el ensayo clnico es un experimento ticamente justificado llevado a cabo en seres humanos. En este experimento, la variable independiente de mayor relevancia es la exposicin a un agente cuya introduccin en el sistema resulta de la intervencin deliberada del observador. La o las variables dependientes pueden ser una o mltiples, de naturaleza cuali o cuantitativa. Como tambin hemos mencionado, tres principios rigen el ensayo clnico: 1. El principio de comparacin; 2. El principio de significacin, y, 3. El principio de causalidad. Desde el punto de vista de sus objetivos, los ensayos clnicos pueden ser clasificados de la siguiente forma:

a) Aquellos que procuran identificar una diferencia relevante entre categoras de la variable intervencin; b) Aquellos que procuran establecer la existencia de equivalencia entre las categoras de la intervencin. La bsqueda de diferencias relevantes entre las categoras de la variable independiente (por ejemplo, diferencia en la incidencia de infeccin entre vacunados una de las categoras de la variable independiente- y no vacunados la otra categora), define un objetivo tpico de numerosos ensayos clnicos llevados a cabo a lo largo de la historia. Conviene insistir aqu en un aspecto central de esta bsqueda de diferencias relevantes: no es lo mismo detectar una diferencia clnicamente relevante que una estadsticamente significativa. Idealmente, una diferencia es importante desde el punto de vista cientfico cuando asume las dos condiciones (esto es, relevancia clnica y significacin estadstica). Desde un punto de vista estadstico, y de manera puramente intuitiva, podramos hallar dos configuraciones para nuestra hiptesis en los estudios que procuran identificar diferencias entre las categoras de la intervencin: * Una hiptesis nula (H0), de la forma no existe diferencia entre las categoras de la intervencin; * Una hiptesis alterna (H1), de la forma existe diferencia entre las categoras de la intervencin. El proceso del ensayo clnico debiera perseguir el inters de rechazar o no la H0. En los estudios de equivalencia, siguiendo la teora desarrollada por Schuirmann y colaboradores, las hiptesis asumen las siguientes conformaciones: * H0 : Las categoras de la intervencin NO SON equivalentes (ejemplo: las dos drogas no son equivalentes).

* H1 : Las categoras de la intervencin SON equivalentes (ejemplo: las dos drogas son equivalentes). Supongamos que administramos dos agentes Entonces: * H0 : A - B < I A - B > S donde es la media poblacional, I es el lmite inferior y S el lmite superior del intervalo de la diferencia entre las medias en el que consideramos existe equivalencia. Dicho de otro modo, en los estudios que procuran determinar equivalencia, y cuando la variable resultado es cuantitativa y expresable a travs de la media, si la diferencia entre las medias de los dos tratamientos se halla por fuera del llamado intervalo de equivalencia, he de aceptar H0, es decir, no podr sostener que existe equivalencia entre ambos tratamientos. En nuestro ejemplo, si la reduccin media de la colesterolemia con A menos la reduccin media de la colesterolemia con B caen fuera del intervalo de equivalencia, no podr rechazar H0, que para el caso implica la inequivalencia. En cambio, * H1: I < A - B < S que indica intervencin). De manera anloga puede procederse para las proporciones, los riesgos relativos, odds ratios, etc. Por ejemplo; tenemos dos vacunas. Supongamos que intentamos explorar la diferencia entre ambas, entonces: H0: A = B que si la diferencia cae dentro del intervalo, debo aceptar la equivalencia entre los tratamientos (es decir, las diferentes categoras de la (A y B) capaces de reducir la

colesterolemia. Y procuramos establecer que ambos frmacos son equivalentes.

Donde es A es la proporcin de infectados entre los expuestos a A y B es la proporcin de infectados en los expuestos a B, y, H1: A B Si, en cambio, explorsemos la equivalencia, tendramos H0: A - B < I A - B > S, y H1: I < A - B < S En el consideracin de cualquier ensayo clnico, los siguientes aspectos muy relevantes: 1. Cul/es es/son la/s pregunta/s a responder?Son ellas suficientemente importantes?Son susceptibles de ser respondidas a travs de este tipo de investigacin?Estamos equivalencia? 2. Cmo se ha de estructurar el diseo del estudio?Cul es el plan? 3. Sujetos a estudiar: 3.1. Criterios de seleccin: de inclusin y de exclusin 3.2. Diseo y toma de la muestra 4. Variables a estudiar: 4.1. Variable predictora / Exposicin (tratamientos) 4.2. Outcomes o resultados (variable dependiente, de naturaleza cuali o cuantitativa) 4.3. Variables confusoras o confounding explorando la existencia de diferencias o de

5. Control de las fuentes de error: 5.1. Control del error aleatorio y clculo del tamao muestral 5.2. Control de sesgos Algunos de los sesgos comnmente cometidos en los ensayos clnicos se ubican entre los siguientes: * Seleccin * Procedimientos * Exclusin arbitraria postingreso * Prdida selectiva de datos * Sospecha diagnstica o de exposicin (sospecha de que el evento se desarrollar ms probablemente en el sujeto tratado menos intensivamente) * Adopcin de definiciones retroactivas El diseo del ensayo clnico, como el diseo de cualquier experimento clsico, implica: 1. El diseo de los tratamientos (categoras de la variable intervencin); 2. El diseo de los procedimientos para el control de errores; 3. El diseo de la muestra y de los procedimientos de observacin y recoleccin de resultados. Respecto del punto 1, es decir, del diseo de los tratamientos, la primera pregunta es: l o los tratamientos?. La respuesta no es sencilla. Por lo general, la respuesta debiera ser los tratamientos. Desde el inicio hemos sostenido la importancia del principio de comparacin. Es mi tratamiento igual o mejor que...?. Volveremos a este punto ms adelante. Sin embargo, debemos sealar que cuando se trata de fases iniciales del estudio de un frmaco (fase I de la Farmacologa Clnica) se admite la administracin a voluntarios sanos de un nico

tratamiento a efectos de explorar algunos aspectos muy especficos y relevantes (seguridad, cintica en voluntarios sanos, etc). La existencia de otros tratamientos, adems del que se halla bajo estudio, o de tratamiento y placebo si correspondiere- , es muy importante porque: a) Como hemos dicho, sostiene el principio de comparacin; b) Limita el error de inferencia atribuible a expectativas del paciente, de su familia o del mdico; los cambios introducidos por la evolucin espontnea de la enfermedad, el fenmeno de regresin a la media, etc. Adems del tratamiento activo bajo estudio, debemos considerar la constitucin como control de uno o ms de los siguientes grupos concurrentes: 1. Placebo. 2. No tratamiento. 3. Otro activo diferente del que se halla en estudio. 4. Dosis diferente o rgimen de administracin distinto del mismo activo bajo estudio. Respecto del control de errores, mltiples aspectos deben ser tenidos en consideracin. Uno de ellos, de enorme importancia, radica en la asignacin aleatoria de los sujetos a cada grupo (randomizacin). Este procedimiento: a) Limita los sesgos de seleccin promovidos por la subjetividad (prefiero a este paciente para ste tratamiento y no a aqul...) b) Tiende a equilibrar la distribucin e influencia de factores confusores desconocidos (aunque no subestimars la capacidad del azar para engendrar monstruos!!) c) La randomizacin estratificada o en bloques ayuda a equilibrar la distribucin de factores pronsticos distintos de la intervencin. Otro procedimiento vinculado al control de errores consiste en el establecimiento de ciegos. Las tcnicas de cegamiento (ciego simple, doble o triple), tienden a poner lmites a la subjetividad, a las expectativas de parte del paciente, su familia o del mdico y a los llamados assessment biases: recordemos que podemos

tender a evaluar de manera diferente a aquellos sujetos a los que sabemos expuestos a tratamientos clsicos o supuestamente menos efectivos. Existen diversos diseos de ensayos clnicos. Por su importancia, slo haremos referencia a tres de estos tipos de diseo, probablemente los ms frecuentemente empleados: diseo de grupos paralelos, diseo cruzado y ensayo clnico factorial. La teora sobre la que se fundamentan los dos primeros tipos de diseo (grupos paralelos y cruzados) es la del nesting o anidamiento. En efecto, se dice que en los diseos de grupos paralelos, los pacientes anidan dentro de cada grupo al que ha sido asignado; en cambio, se define a los diseos cruzados como nonnested. En el diseo de grupos paralelos, los pacientes son asignados a alguno de los mltiples tratamientos (al menos dos), donde son seguidos hasta la finalizacin del estudio. Los pacientes son aleatoriamente asignados a un tratamiento. En estos estudios, existen dos fuentes de variacin claramente identificables: la variacin interindividual (el nesting hace que podamos encontrar variaciones entre los grupos), y la variacin intraindividual (el paciente A, al recibir la droga X puede variar respecto de su estado previo). En los estudios cruzados, los pacientes son randomizados a una determinada secuencia; por ejemplo, algunos de ellos primero reciben la droga X y luego la Y, y otros, primero la Y y luego la X. Pero precisamente por ello, se elimina una fuente de variacin: la interindividual, dado que todos los sujetos han de recibir ambos tratamientos. Por ello se sostiene que requieren en principio un tamao muestral menor que el exigible para un estudio de grupos paralelos. Sin embargo, no carecen de problemas: a) los diseos cruzados no pueden ser empleados en enfermedades que pueden curar con la primera secuencia de tratamiento, o cuando su variabilidad es muy amplia;

b) puede verificarse el traslado del efecto de un tratamiento al siguiente perodo; por ejemplo, los efectos del tratamiento X podran extenderse al perodo en el que el sujeto es tratado con Y. Ello se conoce como carry-over effect y para limitarlo, suele disponerse entre ambos tratamientos un perodo de lavado o wash-out. Sin embargo, la duracin de este perodo es a veces difcil de estimar con seguridad. c) Cuando un paciente abandona el estudio en un perodo, su prdida tiene un efecto mayor al del abandono de un sujeto en un estudio de grupos paralelos; d) son ms largos que un estudio de grupos paralelos comparable; e) etctera. Los diseos factoriales exploran el efecto conjunto de ms de un tratamiento. Por ejemplo: Droga A Droga B NO Droga B N1 N3 NO Droga A N2 N4

Donde N es el nmero de pacientes en cada caso. Como vemos, los estudios factoriales permite estudiar el efecto de ambas drogas (A y B) aisladas, pero tambin administradas en forma conjunta, lo que permite estudiar un eventual sinergismo. 6. Asociacin y causalidad: una breve introduccin al problema. En la primera sesin hemos introducido la idea de que no toda asociacin es causal. Desafortunadamente, no existe un nmero, un indicador que establezca hasta qu punto una asociacin es causal. Por ello, para ayudarnos a decidir hasta qu punto podramos hablar de causalidad en una asociacin particular, se han definido una serie de criterios que nos acercan, que nos ayudan en nuestra evaluacin. Siempre la causalidad de una asociacin estar en discusin, por lo que tener presentes estos criterios nos ser siempre til.

Entre los criterios de causalidad figuran: 1. Plausibilidad biolgica: Si A es causa de B, a travs de qu mecanismos biolgicos A causa B?; 2. Consistencia: si la asociacin entre A y B es causal, debera reproducirse en diferentes grupos humanos y debiera ser comprobada por varios autores. 3. Temporalidad: Si A es causa de B, la operacin de A debe ser previa a la aparicin de B. Por ello, los estudios retrospectivos y los transversales difcilmente puedan probar una causa, dado que es difcil que puedan establecer claramente y ms all de toda duda la preexistencia de la causa. 4. Especificidad de la asociacin 5. Fuerza de la asociacin: aqu interesa no slo la fuerza (expresada, por ejemplo, a travs del RR, del OR, etc), sino la existencia o no de una relacin dosis/respuesta (a mayor intensidad del estmulo, mayor intensidad de la respuesta), el tipo de diseo empleado para el establecimiento de la asociacin, la reversibilidad del efecto cuando remite el efecto de la causa, etc. Siempre debe sealarse la enorme importancia de poder desarrollar ensayos clnicos en el camino de inferencia causal: el que la frecuencia de infarto de miocardio aumente a medida que se incrementa la colesterolemia no prueba ms all de toda duda la naturaleza causal de la asociacin entre colesterolemia e infarto. Se ha observado que el desarrollo de infarto de miocardio es ms frecuente en pacientes que presentan ciertas alteraciones del lbulo de la oreja; hasta aqu hay asociacin entre ambas variables, pero claramente esa asociacin (que es marcadora de riesgo) NO es causal. En efecto, la oreja no causa el infarto. Qu pasar si realizo una ciruga plstica de la oreja respecto del riesgo cardiovascular?. Nada en absoluto. En cambio, qu sucede sobre el riesgo cardiovascular cuando reduzco la colesterolemia?. Lo disminuyo. La observacin es absolutamente necesaria, pero insuficiente en la lnea de inferencia causal. El ensayo clnico nos ayudar, si puede llevarse a cabo, a ir ms all en esta lnea de pensamiento hacia la definicin de una potencial causalidad para una asociacin.

7. Una introduccin al concepto de metaanlisis. Como establece Elwood (1998), un metaanlisis es un mtodo que combina los resultados de un nmero de estudio de diseo similar (todos ellos ensayos clnicos, o todos ellos casos y controles, etc.), a efectos de proveer un estimador comn del efecto de una exposicin que incorpora la informacin de todos los estudios incluidos. Muchas veces nos apresuramos a tomar en cuenta el valor de este estimador comn del efecto, pero no tomamos en consideracin uno de los principales aspectos metodolgicos vinculados con el metaanlsis: la exploracin de la consistencia. Recordemos que uno de los criterios de causalidad radica en la verificacin de una cierta consistencia en los hallazgos: qu han visto otros autores, en otras geografas, en otras poblaciones, respecto de la asociacin entre A y B?. Aqu, es importante sealar que la exploracin de las diferencias entre estudios y el hallazgo de una explicacin para esas diferencias puede consistir en un aporte sustancial del metaanlisis a la investigacin en un rea especfica. El mismo Elwood establece los componentes del proceso metaanaltico: 1. Definir la pregunta 2. Definir los criterios de inclusin de estudios 3. Buscar los estudios elegibles 4. Estudiar en profundidad los mtodos y resultados de cada estudio individual 5. Resumir los resultados en un formato estndar 6. Aplicar los mtodos estadsticos destinados a obtener un estimador comn del efecto 7. Explorar la variacin entre estudios (heterogeneidad) 8. Interpretar los resultados y reportarlos. Un sesgo muy importante en los metaanlisis es el llamado sesgo de publicacin. No todo se publica. No siempre es fcil publicar informacin que no resulta estadsticamente significativa, ni aquella que va en contra del paradigma dominante. Sin embargo, an con todas sus limitaciones, el metaanlisis es el nico proceso desarrollado hasta el momento a efectos de explorar la consistencia

de la evidencia. El

mejoramiento de nuestras fuentes de informacin es un

desafo implcito en el logro de mejor evidencia, por lo que mucho esfuerzo es actualmente dirigido a limitar este sesgo de publicacin en la medida de lo posible. PARTE 4. FINALMENTE, QU ES UN FACTOR DE RIESGO? Hasta aqu, queda claro que un factor de riesgo: 1) Desde el punto de vista metodolgico es una variable independiente, exposicin o predictora; 2) Que esta variable independiente est asociada con el endpoint de inters (ej. Infarto, ACV, microangiopata, etc). 3) Que esta asociacin no es atribuible al azar (es decir, ha probado ser estadsticamente significativa), que no se debe a sesgos ni a confusin, 4) Que esta asociacin se nos aparece como razonablemente causal En efecto, el que una variable independiente sea catalogada como factor de riesgo exige, para algunos autores, cierta caracterizacin como potencialmente causal (con todas las limitaciones del caso). Una asociacin no causal, pero potencialmente predictora del destino o evolucin de los casos o de los pacientes puede ser llamada marcadora, y en ese caso, la variable independiente toma el nombre de marcador de riesgo.

Debe remarcarse que esta nomenclatura muestra enorme debilidad y ha sido frecuentemente discutida. Desde luego, siempre el factor de riesgo es una variable independiente asociada con un endpoint de inters sin influencia de la casualidad, luego de que se haya explorado la ausencia de sesgo. Pero la naturaleza causal

de la asociacin es siempre un asunto de gran complejidad e intensa discusin metodolgica. El estudio de la asociacin entre una variable independiente (exposicin) y un endpoint es una de las etapas mayores dentro de la investigacin de factores etiolgicos de una enfermedad. Por supuesto, este estudio tropezar con todos los errores que se han mencionado a lo largo de este mdulo, que limitarn nuestra capacidad de establecer la potencial causalidad de la asociacin. Estos son en definitiva, los lmites de la actividad cientfica. Casi siempre, el acceso a la verdad nos est restringido, y, a menudo, slo una aproximacin cautelosa, parsimoniosa, a lo largo de aos de estudio permiten poner algo de luz respecto de asociaciones de las cuales la vida o la calidad de vida de nuestros pacientes dependen.