Diseo de estudios casoscontroles

1
Diseño de estudios casos-controles

• Dos grupos son seleccionados, uno de personas con
  la enfermedad (casos), y el otro de personas con
  las mismas características generales pero sin la
  enfermedad (controles)
• Compare la exposición en ambos grupos

2
Diseño de estudio de casos-controles
Expuesto
Enfermos (Casos)
No Expuesto
Población objetivo
Expuesto
No Enfermos (Controles)
No Expuesto
3
Diseño de estudio de casos-controles

• Limitantes
• No se puede obtener tasas de incidencia debido a
  que los sujetos son seleccionados en base a el
  resultado
• Una estimado de la razón de tasas de incidencia
  o riesgos(RR) es obtenido por el cálculo de razón
  de momios (OR)

4
Cálculo de la Razón de Momios (OR)
Resultado
Casos
Controles
Exposición
B
A
Expuestos
No expuestos
D
C
A / C
Probabilidad de exposición para casos
Razón de momios
B / D
Probabilidad de exposición para controles
(estima el riesgo relativo)
5
Comparando OR y RR
Resultado
Controles
Casos
Exposición
370
300
70
Exposed
Not Exposed
730
700
30
1100
1000
100
RR Ie/In 4.41
OR AD/BC 5.44
6
Señalando los resultados

• OR 5.44
• Aquellos con la enfermedad son 5.44 veces más
  probable que tengan la exposición que aquellos
  sin la enfermedad
• RR 4.41
• Aquellos con la exposición son 4.41 veces más
  probable que desarrollen la enfermedad que
  aquellos sin la exposición

7
Resúmen de fuerzas y limitaciones de los estudios
cohorte prospectivos y casos controles
Caso-Control
Cohorte prospectivo

• Fuerzas
• Util para enfermedades raras
• Relativamente barato
• Relativamente resultados rápidos

• Fuerzas
• Oportunidad para medir factores de riesgo antes
  de que la enfermedad ocurra. Produce tasas de
  incidencia y estimaciones del riesgo relativo

• Limitaciones
• Sesgos posibles en medición factores de riesgo
  después de que la enfermedad ha ocurrido
• Sesgo posible en la selección el grupo control
• Identificar casos pueden no representar
  exposición de todos los casos

• Limitaciones
• Poco útil para enfermedades raras
• Relativamdente caro
• Relativamente resultados lentos

8
Estudios Clínicos Aleatorizados(RCT)
El estándar dorado Estudio Cohorte
9
Esquema de un estudio clínico
Población del estudio
No participantes
Participantes
Aleatorización
Tratamiento
Control
Intervención onuevo tratamiento
Control
Mejoría
No mejoría
Mejoría
No mejoría
10
Diseño cruzado

• Sujetos son aleatorizados para una secuencia de
  dos o más tratamientos
• Cada sujeto sirve como su propio control

11
Diseño factorial

• Dos o más tratamientos son evaluados
  simultáneamente en el mismo grupo de sujetos
  usando diferentes combinaciones de tratamientos

Aleatorización
Tratamiento A
Placebo
Tratamiento B
Placebo
Placebo
Tratamiento B
12
Cómo evaluamos si estudios de cáncer son válidos?

• Entendiendo sesgo y confusores

13
Probando para una verdadera asociación

• Examine la metodología para sesgos
• Examine el análisis para confusores
• Examine los resultados para significancia
  estadística

14
Examine el diseño del estudio para sesgos

• Sesgo de selección
• Errores en el proceso de identificación de la
  poblacjón del estudio y en la selección de los
  sujetos
• Sesgo de información/del observador
• Errores en las mediciones de la exposición o
  status de la enfermedad

15
Confusores

• Confusión es una aparente asociación entre
  enfermedad y exposición causado por un tercer
  factor no tomado en consideración

16
Ejemplos de confusores

• Estudio A encontró una asociación entre juego y
  cáncer de pulmón. El resultado puede estar
  confundido por tabaquismo.
• Estudio B encontró una mayor tasa cruda de
  mortalidad en Florida que en Alaska. La tasa
  puede estar confundida por diferencias en la
  estructura etárea de la población.

17
Proibando para confusores

• Calcule la tasa cruda
• Calcule una tasa ajustada para la variable
  confusora
• Compare las dos mediciones
• Las dos mediciones serán diferentes si la
  variables es un confusor (en la práctica, cuando
  las mediciones cruda y ajustada difieren por al
  menos 10)

18
Esperado N de muertes
Población estándar EUA 1980
Población en riesgo
ASR
Muertes por cáncer
Edad
(3) x (4) (5)
(1) / (2) (3)
(4)
(2)
(1)
60,500
60,500,000
1.00 por 1000
5,000
5
0-18
0.40 por 1000
56,120
140,300,000
25,000
10
19-64
171,419
25,700,000
6.67 por 1000
15,000
100
65
288,039
xxx
45,000
115
Total
226,500,000
Tasa cruda (115 / 45,000) x 1000 2.56 por 1,000
Tasa ajustada por edad (288,039 / 226,500,000) x
1000 1.27 por 1,000
No igual
Edad es un confusor para muerte por cáncer
19
Evaluando significancia estadística

• La probabilidad de que obtengas tus resultados
  como resultado sólo del azar es el valor de p
• Un valor de p bajo ( lt 0.05 ) dice que el azar no
  es la probable explicación de tus resultados
• El intervalo del confianza al 95 (CI) es el
  rango de valores donde el verdadero valor será
  localizado 95 de las veces
• Grandes tamaños de muestra producirán intervalos
  de confianza estrechos
• Pequeño tamaño de muestra producirán amplios
  intervalos de confianza

20
Evaluando resultados

• RR 1 No hay diferencia de la enfermedad entre
  los grupos expuestos y no expuestos
• OR 1 No hay diferencia de exposición entre
  casos y controles

• Ejemplos
• RR 1.8 (1.6, 2.0) es estadísticamente
  significativo
• RR 1.8 (0.8, 2.9) no es estadísticamente
  significativo
• OR 0.7 (0.6, 0.8) es estadísticamente
  significativo
• OR 0.7 (0.4, 1.2) no es estadísticamente
  significativo

21
Cómo evaluamos si asociaciones entre cáncer y
factores de riesgo son causales?

• Entender criterios de causalidad

22
Mostrar causa

• Enfermedad crónica y condiciones complejas
  requieren que usemos los postulados de Hill

• Fuerza de asociación
• Consistencia de la asociación
• Especificidad de la asociación
• Temporalidad
• Gradiente biológico

• Plausibilidad
• Coherencia
• Experimentación
• Analogía

23
Cuánto de la morbi-mortalidad por cáncer puede
ser prevenida por algúna intervención?

• Entienda el impacto de la educación y de los
  programas de monitoreo

24
Principios de monitoreo

• Validez
• Sensibilidad correctamente identificar aquellos
  con la enfermedad
• Especificidad correctamente identificar aquellos
  sin la enfermedad
• Valor predictivo proporción de prueba
  verdaderas positivas
• Valor predictivo - proporción de pruebas
  correctamente negativas
• Confiabilidad habilidad de la prueba para dar
  resultados consistentes
• Producción cantidad de enfermedad no reconocida
  bajo tratamiento por el monitoreo

25
Calculando mediciones de validez
Diagnóstico verdadero
Resultado de la prueba
No enfermo
Total
Enfermo
ab
b
a
Positivo
c
cd
d
Negativo
abcd
bd
ac
Total
Valor predictivo positivo a/(ab) Valor
predictivo negativo d/(cd)
Sensibilidad a/(ac) Especificidad d/(bd)
26
Ejemplo monitoreo de cáncer de mama
Resultados de mamografía
Total
No enfermo
Enfermo
1,115
983
132
Positivo
63,695
63,650
45
Negativo
64,810
64,633
177
Total
Sensibilidad 132/177 74.6 Especificidad
63,650/64,633 98.5 Valor predictivo positivo
132/1,115 11.8 Valor predictivo negativo
63,650/63,695 99.9
27
Claves para monitoreo

• Sensibilidad detectar un suficiente número de
  casos preclínicos par ser de utilidad
• Prevalencia monitoreo de poblaciones de alto
  riesgo
• Frecuencia monitoreo de una vez no permite
  conocer diferencias en riesgo individual o
  diferencias en ataque
• Participación pruebas inaceptables para la
  población objetivo no serán utilizadas
• Seguimiento aquellos con pruebas positivas
  necesitar ser provistos con un plan de acción

28
Consejos para la lectura de la literatura

• Identifique el diseño del estudio
• Entienda cómo los sujetos fueron seleccionados
• Entienda como es definida la exposición
• Evalúe sesgos y confusores potenciales
• Determine si la evaluacióne estadística es
  apropiada
• Haga decisiones acerca de si la medición del
  resultado son estadísticamente significativas y/o
  clínicamente importantes
• Uso de buen juicio

29
Fin