¡Descarga educacion salud y más Apuntes en PDF de Salud Pública solo en Docsity!
EPIDEMIOLOGÍA GENERAL (temas 2 a 6)
TEMA 2. Concepto de epidemiología. El método epidemiológico. Poblaciones y variables de los estudios epidemiológicos. TEMA 3. Medidas de frecuencia: Proporciones y odds. Prevalencia e Incidencia. Estudios transversales y ecológicos. TEMA 4. Causalidad en epidemiología. Modelos determinista, probabilístico y determinista modificado. TEMA 5. Introducción al diseño en epidemiología analítica: Estudios experimentales. TEMA 6. Estudios de cohortes y de casos y controles.
TEMA 2. CONCEPTO DE EPIDEMIOLOGÍA. EL MÉTODO EPIDEMIOLÓGICO. POBLACIONES Y VARIABLES DE LOS ESTUDIOS EPIDEMIOLÓGICOS
La epidemiología es la ciencia que estudia la frecuencia y distribución de los fenómenos relacionados con la salud en las poblaciones humanas, así como las causas que los producen. La primera parte de la definición ( frecuencia y distribución de los fenómenos de salud y enfermedad en las poblaciones humanas ) es el ámbito de estudio de la epidemiología descriptiva ; la segunda parte ( las causas que los producen ), lo es de la epidemiología analítica.
El método epidemiológico es aquel mediante el que la epidemiología trata de alcanzar los objetivos especificados en su definición. No es más que una aplicación particular del método científico general. De forma resumida, este último consta de tres etapas: Observación – Planteamiento de Hipótesis – Verificación o Refutación de la hipótesis mediante un experimento. En el método epidemiológico, la observación es el ámbito de la epidemiología descriptiva. A partir de ella, el epidemiólogo formula una hipótesis causal. Esta será, por tanto, el último paso de la epidemiología descriptiva. Finalmente, la verificación o refutación de la hipótesis causal es el ámbito de la epidemiología analítica. La principal diferencia entre el método científico general y el método epidemiológico reside en la dificultad de este último para realizar experimentos, dado que su sustrato de estudio (los seres humanos), impone estrictas limitaciones éticas a la experimentación, lo que no ocurre en otras disciplinas.
Para realizar un estudio epidemiológico cualquiera, ya sea descriptivo o analítico, es necesario tener en cuenta los siguientes elementos, en la siguiente secuencia: 1. Definir la población sobre la que se pretende realizar el estudio. 2. Definir y medir los fenómenos que se pretenden caracterizar. 3. Construcción de variables a partir de las mediciones efectuadas. 4. Estimar la frecuencia de presentación de esas variables en esa población.
2.1. DEFINICIÓN DE LA POBLACIÓN OBJETO DE ESTUDIO
En un sentido amplio, una población es un conjunto de individuos que, por presentar al menos una característica común a todos ellos (su lugar de residencia, el año de su nacimiento, su ocupación), suscitan nuestro interés y justifican el que pretendamos cuantificar y caracterizar en ellos uno o varios fenómenos relacionados con su salud. Definida una población, lo ideal sería poder estudiar a todos los sujetos que la componen, pero ello es rara vez factible. Por eso es necesario profundizar en los siguientes conceptos:
2.1.1. POBLACIÓN DIANA (o de REFERENCIA): Es la población que nos gustaría estudiar en su totalidad, o a la que se pretenden extrapolar los resultados del estudio. Hay que definirla de la forma más precisa posible. La población diana suele ser de un tamaño excesivamente grande como para poder ser estudiada en su totalidad y, además, por múltiples razones, no está a nuestro alcance, no es accesible. Para resolver este último problema, es necesario definir una población de muestreo.
2.1.2. POBLACIÓN DE MUESTREO (o ELEGIBLE o POTENCIALMENTE ACCESIBLE): Aquella fracción de la población diana que, siendo representativa de ésta, sí es accesible a nuestra observación. Por ejemplo, si queremos conocer, mediante una encuesta telefónica, el grado de satisfacción que muestran los residentes de la ciudad de Granada mayores de 18 años con respecto a la atención sanitaria que reciben, la población diana serían todos los residentes de la ciudad de Granada mayores de 18 años, pero la población potencialmente accesible sólo sería aquella parte de la población diana que tenga teléfono y cuyo número salga en la guía.
Una vez que se han definido las poblaciones diana y de muestreo, la pregunta que ha de hacerse es la siguiente: ¿en qué medida la población de muestreo representa bien a toda la población diana? En el ejemplo anterior: ¿en qué medida los residentes de Granada que tienen teléfono representan bien a todos los residentes de Granada? Muchas veces la respuesta a esta pregunta no es fácil y se basa en un ejercicio de razonamiento sin datos. Hay veces en que la respuesta es clara: por ejemplo, con toda seguridad, los enfermos de Alzheimer que viven en la residencia de ancianos de Armilla no representan, en absoluto, a todos los enfermos de Alzheimer de Andalucía. En este caso quedan dos soluciones: o redefinir de forma menos ambiciosa la población diana, o abandonar el estudio, si no se encuentra otra población potencialmente accesible que la represente mejor.
En la mayor parte de los casos no se puede estudiar a toda la población de muestreo, debido principalmente a que sigue siendo muy numerosa, por lo que no es factible estudiar a todos los sujetos que la componen. Por ello es necesario definir el concepto de muestra.
2.1.3. MUESTRA: Es la fracción de la población de muestreo sobre la que finalmente se mide el fenómeno de interés. Debe reunir dos características: ser representativa de la población de muestreo y tener un tamaño adecuado, que haga factible el estudio. Para disponer de una buena muestra, por tanto, hay que responder a dos preguntas esenciales:
- ¿Qué número de sujetos de la población potencialmente accesible es suficiente para obtener unas estimaciones fiables de aquello que pretendemos medir?: Supongamos que en Granada hay 100. números de teléfono en la guía. Estamos estimando la satisfacción mediante una escala que va de 0 (nula), hasta 10 (máxima). En las primeras 10 llamadas de teléfono obtenemos una satisfacción media de 7,5. ¿Podemos, a partir de ese dato, extrapolar que, si hubiéramos realizado las 100.000 llamadas, habríamos obtenido igualmente una satisfacción media de 7,5 (o un valor razonablemente próximo)? Probablemente no. Entonces, ¿qué número de llamadas debemos realizar para que la respuesta sea que sí? Es el llamado problema del cálculo del tamaño muestral. La estadística es una ciencia que permite dar soluciones a este problema, partiendo de un conjunto de premisas establecidas de antemano. En cualquier caso, es necesario siempre tener en cuenta que el tamaño de muestra estimado debe tener en cuenta la posibilidad de que parte de la población potencialmente accesible no sea realmente accesible ( por ejemplo, en el caso, anterior, sujetos que no contestan al teléfono o que no quieren participar en el estudio ). Por eso, el cálculo del tamaño muestral debe hacerse teniendo en cuenta un exceso sobre el número estimado, para compensar estas posibles pérdidas de sujetos.
- Una vez determinado el tamaño muestral, ¿cómo elegir a los sujetos del total de la población potencialmente accesible para que la muestra resultante sea representativa de ésta? En el ejemplo anterior, imaginemos que el tamaño muestral preestablecido sea de 3480 números de teléfono. ¿a qué 3480 números de teléfono llamamos? La estadística también proporciona soluciones a este problema: las técnicas de muestreo. Hay muchas, pero, en última instancia, todas se basan en un premisa: dejar que sea el azar el qué decida a quién seleccionar y a quién no. Es lo que se llama el muestreo aleatorio.
Idealmente, la muestra debe ser representativa de la población de muestreo (y, con ello, de la población diana) y tener un tamaño adecuado: lo suficientemente pequeño como para que el estudio sea factible y, a la vez, lo suficientemente grande para garantizar una buena precisión de las estimaciones obtenidas en ella.
2.3.2. EL SUSTRATO PARA EL QUE TOMAN VALORES: Cuando las variables toman valores para cada individuo se habla de variables individuales. Por ejemplo, el sexo, la talla, el consumo de grasas saturadas, la presencia o no de una cierta enfermedad, etc. Cuando las variables toman valores para entidades que no son individuos o para conjuntos de individuos, se habla de variables ecológicas o agregadas. Por ejemplo, la renta per capit a (para países); la densidad de población (para provincias), el número de camas (para hospitales), etc. En muchas ocasiones, un mismo fenómeno puede medirse como una variable individual o como una variable agregada. Por ejemplo, el consumo de grasas saturadas puede medirse como una variable individual si a cada individuo se le estima su consumo diario de grasas saturadas; pero también puede medirse de forma agregada si se estima el consumo medio de grasas saturadas para cada uno de los países de una muestra de países. Los estudios en los que se utilizan variables ecológicas se llaman, obviamente, estudios ecológicos o agregados.
2.4. MEDICION DE LA FRECUENCIA DE PRESENTACIÓN DEL FENÓMENO OBJETO DE ESTUDIO. Ya hemos visto que, dada una muestra de sujetos, hay distintas variables que pueden ser cuantificadas en ella. En este apartado nos referiremos específicamente a la medición de variables individuales (toman valores para cada uno de los individuos de una muestra) y dicotómicas (sólo toman dos valores), que son, con mucho, las más utilizadas en epidemiología. En general, a los sujetos que presentan el fenómeno bajo estudio se les denomina casos. En el tema siguiente se describen las principales medidas de frecuencia en epidemiología.
TEMA 3. MEDIDAS DE FRECUENCIA: PROPORCIONES Y ODDS. PREVALENCIA E INCIDENCIA. ESTUDIOS
TRANSVERSALES Y ECOLÓGICOS.
3.1. MEDIDAS DE FRECUENCIA
3.1.1. CONSIDERACIONES PREVIAS
a). Medición absoluta frente a medición relativa: Imaginemos una muestra de 140 sujetos (muestra A), en los que vamos a medir la variable "enfermedad X": Se trata de una variable dicotómica con las categorías presente (1) y ausente (0). La pregunta que nos hacemos ahora es: ¿cuántos individuos de esa muestra tienen la enfermedad X? Supongamos que 28 individuos la presentan. Esa es una medición absoluta de la frecuencia de la enfermedad X. Imaginemos ahora que en otra muestra de 420 sujetos (muestra B), 84 presentan la enfermedad X. ¿En cual de las dos muestras es más frecuente la enfermedad X? Es evidente que no podemos comparar las dos mediciones absolutas (28 frente a 84), porque ambas proceden de muestras con tamaños diferentes. La comparación de dos frecuencias exige el empleo de mediciones relativas, que nos permitan decir qué es mayor: 28 de 140 frente a 84 de 420. La forma de obtener medidas de frecuencia relativas es construir cocientes. Hay dos tipos de cocientes que pueden emplearse:
- Proporciones: Ponen en relación el número de personas que presentan el fenómeno estudiado (numerador), con el total de la población estudiada (denominador). En el ejemplo anterior: la proporción de sujetos con la enfermedad en la muestra A es de 28/140=0,20; y en la muestra B: 84/420=0,20. Al dividir el número de casos entre la población total, ambos valores sí son comparables, por lo que se puede afirmar que la enfermedad X se presenta con igual frecuencia en ambas muestras. El valor mínimo de una proporción es 0 (cuando ningún sujeto presenta el fenómeno bajo estudio), y el máximo es 1 (cuando todos lo presentan). Por eso, el valor complementario de una proporción es 1-p, que se interpretaría como la proporción de sujetos que NO presentan el fenómeno bajo estudio (en nuestro ejemplo, en la muestra A, 1- 0,20 = 0,80 = (140-28)/140 ). Las proporciones no tienen unidades. Es habitual multiplicar su valor por un múltiplo de 10 (generalmente 100), para expresar el valor en números enteros: en el ejemplo anterior, p = 20%. De esta forma, una proporción se interpreta como el número de sujetos que presentan una condición respecto a un total fijo: 20 de cada 100 presentan la enfermedad X.
- Odds: Ponen en relación el número de personas que presentan el fenómeno bajo estudio (numerador), con el número de personas que no lo presentan (denominador), que es el número complementario, ya que estamos trabajando con variables dicotómicas. En nuestro caso, la odds de la enfermedad X en la muestra A sería 28/(140-28) = 0,25; valor idéntico al de la muestra B: 84/(420-84)=0,25. Los valores de una odds oscilan entre 0 (ningún sujeto con el fenómeno bajo estudio) e infinito (si todos los sujetos de la muestra presentan el fenómeno, hay 0 sujetos, en el denominador, que no lo presentan). El valor de una odds también se puede multiplicar por un múltiplo de 10 para convertirlo en entero: por ejemplo, una odds de 0,25 equivale a una odds de 25 a 100, y su interpretación es la siguiente: por cada 25 sujetos de la muestra que SI presentan el fenómeno, hay 100 que NO lo presentan.
La proporción y la odds son dos formas equivalentes, e igualmente válidas, de medir la frecuencia de presentación de un fenómeno. A cada valor de una proporción le corresponde un determinado valor de odds, y viceversa: a una proporción de 0,20 siempre le corresponde una odds de 0,25. ¿Cuál es la fórmula para convertir proporciones en odds?: En el ejemplo anterior, la odds de la enfermedad X en la muestra A era 28/112. Si dividimos numerador y denominador por el total de la muestra (140) quedaría: (28/140)/(112/140), o lo que es lo mismo p / (1-p). Así, odds = p / (1-p). Si de esta fórmula despejamos p, tenemos la ecuación complementaria: p = odds / (1+odds).
De lo dicho hasta ahora se desprende que cualquier medición relativa de la frecuencia de un fenómeno en una población requiere de dos fuentes de información: la del numerador y la del denominador. De nada sirve saber que en Granada se han diagnosticado 58 casos nuevos de tuberculosis en un año si no se conoce el tamaño de la población de Granada.
b). Medición estática frente a medición dinámica: No es lo mismo hacer una fotografía de un sujeto que filmarlo en video. De igual forma, no es lo mismo medir un fenómeno en un sujeto en un instante del tiempo o a lo largo de un período de tiempo. Imaginemos la situación más frecuente: la medición de la presencia de una enfermedad en un sujeto. Si observamos a ese sujeto en un instante del tiempo (fotografía), lo único que podemos saber es si, en dicho instante, la enfermedad está presente o no. Si observamos a ese sujeto a lo largo de un período de tiempo (vídeo), podemos saber si durante ese período de observación el individuo ha enfermado o no; y, en caso afirmativo, cuándo se inició la enfermedad y cuánto duró. La primera es una medición estática de la enfermedad; la segunda, una medición dinámica, mucho más informativa, pero también más costosa de obtener.
3.1.2. MEDICIÓN ESTÁTICA: MEDIDAS DE PREVALENCIA: Si disponemos de una muestra de sujetos y en todos ellos valoramos la presencia o no del fenómeno X en un instante de tiempo, podemos medir la prevalencia de punto (el punto se refiere al instante de tiempo) del fenómeno X en esa muestra, de dos formas:
- proporción de prevalencia de punto = sujetos que presentan el fenómeno X / todos los sujetos
- odds de prevalencia de punto = sujetos que presentan el fenómeno X / sujetos que no presentan el fenómeno X
La prevalencia de punto es una medición estática de la frecuencia de un fenómeno en una muestra. Los estudios cuyo objetivo es medir prevalencias de punto se llaman estudios de prevalencia, transversales o de corte.
3.1.3. MEDICIÓN DINÁMICA: MEDIDAS DE INCIDENCIA: Supongamos que tenemos una muestra de sujetos que son susceptibles (tienen alguna probabilidad) de desarrollar un determinado fenómeno (por ejemplo, el padecimiento de una enfermedad) en algún momento del futuro. Si observamos a cada uno de esos sujetos durante un período de tiempo podremos saber, al final de dicho período, cuántos han desarrollado
estudio leyendo su enunciado (lo que es fundamental para resolver adecuadamente los problemas de epidemiología). Una clasificación complementaria a esta es la que clasifica los estudios epidemiológicos según su objetivo, es decir, en estudios descriptivos y analíticos.
3.2.1. ESTUDIOS DESCRIPTIVOS: Tratan de caracterizar la presentación de una enfermedad, o de cualquier otro fenómeno relacionado con la salud, en una población. Ello se hace con tres fines fundamentales:
- Identificar problemas sanitarios susceptibles de control, y los subgrupos de población más afectados.
- Evaluar la eficacia de las intervenciones aplicadas.
- Servir de sustrato para la formulación de hipótesis causales. Como se verá más adelante, dadas sus características, los estudios descriptivos sólo permiten plantear hipótesis de causalidad a nivel individual, pero nunca verificar dichas hipótesis. Para esto último es necesario recurrir a los estudios analíticos.
Los estudios descriptivos son siempre observacionales (no hay manipulación de los sujetos estudiados). En función de que las variables de interés se midan de forma individual o agregada, se habla de estudios descriptivos individuales o ecológicos, respectivamente. Los estudios descriptivos individuales más frecuentemente empleados son los llamados estudios transversales, de corte o de prevalencia. Como su propio nombre indica, consisten en tomar una muestra representativa de una población diana previamente definida y medir, en dicha muestra, la prevalencia de punto de uno o más fenómenos de interés. Para ello, basta con medir, para cada sujeto de la muestra, la presencia o no de cada fenómeno (por ejemplo, una enfermedad), en un instante del tiempo. Por eso se dice que son estudios transversales o sin seguimiento (los sujetos no son seguidos a lo largo de un período de tiempo). La ausencia de seguimiento facilita la realización de estos estudios. Por el contrario, el principal inconveniente a la hora de llevarlos a cabo reside, fundamentalmente, en la dificultad de obtener muestras que realmente sean representativas de la población diana de interés.
Los estudios ecológicos, en los que las variables toman valores para entidades no individuales (por ejemplo, países o regiones) permiten identificar asociaciones entre variables ecológicas (por ejemplo, demostrar que, en los países de la UE, existe una asociación entre la proporción de población obesa de cada país y las tasas de mortalidad por cáncer de colon). Sin embargo, el que estas asociaciones existan a nivel ecológico no implica el que también deban existir a nivel individual (por ejemplo, decir que los países con mayor proporción de obesos son aquellos con mayores tasas de mortalidad por cáncer de colon, y viceversa, no equivale a decir que las personas obesas tienen un mayor riesgo de morir a consecuencia de un cáncer de colon, con respecto a las personas delgadas. Hacerlo así sería cometer un error, conocido como falacia ecológica. Por eso, los estudios ecológicos sólo sirven para plantear hipótesis causales individuales, pero nunca para verificarlas.
En los estudios descriptivos, una vez calculada la frecuencia del fenómeno de interés en la muestra, es útil, y se hace prácticamente siempre, estudiar dicha frecuencia de forma separada en distintos subgrupos dentro de la muestra. Esto es lo que se conoce como el estudio de la distribución de los fenómenos relacionados con la salud. Esto permite definir cuáles son los subgrupos más afectados, orientar las estrategias de control y, por supuesto, arrojar pistas sobre la posible causa de los fenómenos bajo estudio. En general, los subgrupos se definen en función de tres tipos de variables: a). De Lugar: Una unidad espacial mayor (por ejemplo España) puede subdividirse en unidades menores (por ejemplo: provincias), y así sucesivamente, hasta llegar a las unidades más pequeñas posibles: las que se asignan a cada individuo (la vivienda que habita, la cama que ocupa en el Hospital, etc.). b). De Tiempo: Dentro de una población, es interesante establecer períodos de tiempo (por ejemplo, años, meses, semanas, etc.), y comparar la frecuencia con que se presentan los fenómenos de interés entre ellos. Esto es útil, por ejemplo, para saber si un fenómeno se está presentando de forma epidémica (con una frecuencia superior a la esperada en función de lo ocurrido en períodos anteriores) o no. En este caso se calcula el índice epidémico : el cociente entre los casos observados durante un cierto período de tiempo, y la
mediana de los casos observados en períodos de tiempo similares de los cinco años anteriores. Cocientes superiores a 1 (generalmente, se considera a partir de 1,25), son indicativos de una situación epidémica. c). De Persona: Las variables que definen a los individuos pueden utilizarse para clasificarlos y definir así subgrupos de personas. Las dos más importantes son la edad y el sexo, pero hay otras muchas que pueden utilizarse, dependiendo del fenómeno que se esté investigando: raza, religión, profesión, tipo de dieta, hábitos tóxicos, etc.
3.2.2. ESTUDIOS ANALÍTICOS: Son aquellos cuyo objetivo es verificar hipótesis causales a nivel individual. Lógicamente, sólo pueden llevarse a cabo a partir de una hipótesis causal planteada de antemano, generalmente como consecuencia de un estudio descriptivo previo. Para alcanzar el objetivo anterior, los estudios analíticos deben reunir dos requisitos:
- Ser individuales, es decir, medir las variables del estudio persona a persona.
- Ser longitudinales, es decir, tener seguimiento: El seguimiento (la observación de los individuos durante un periodo de tiempo), permite situar cronológicamente los fenómenos bajo estudio en la secuencia en la que les ocurren a los sujetos estudiados a lo largo de su vida. Como se verá en el siguiente apartado, esto es fundamental en la investigación de la causalidad. Hay dos grandes tipos de estudios analíticos:
- Estudios experimentales: En ellos el investigador manipula a todos o a parte de los sujetos participantes en el estudio. Como se verá más adelante, su realización está condicionada por el cumplimiento de estrictos principios éticos.
- Estudios observacionales longitudinales: En ellos el investigador observa los fenómenos tal y como ocurren espontáneamente, sin influir en su aparición. Eso evita los problemas éticos propios de los estudios experimentales, pero a la vez limita de forma considerable la validez de los resultados obtenidos.
Para comprender cómo el diseño de un estudio analítico permite verificar las hipótesis de causalidad en epidemiología, es esencial entender el concepto de causa desde la perspectiva epidemiológica, así como su evolución a lo largo del desarrollo de esta disciplina. A ello dedicaremos el siguiente tema.
TEMA 4. CAUSALIDAD EN EPIDEMIOLOGÍA. MODELOS DETERMINISTA, PROBABILÍSTICO Y DETERMINISTA MODIFICADO.
4.1. EL MODELO DETERMINISTA DE CAUSALIDAD: En los albores de la epidemiología el concepto de causa era simple, y se basaba en un razonamiento similar al aplicado en la vida cotidiana: se trataba de identificar como causa de cada enfermedad a un fenómeno característico que la precediera siempre en el tiempo y, de acuerdo con los conocimientos científicos del momento, la explicara. Es lo que se llama el modelo determinista de la causalidad , y se vio fuertemente apoyado a finales del siglo XIX, cuando los microbiólogos comenzaron a identificar microorganismos patógenos. Por ejemplo, la causa de la tuberculosis es Mycobacterium tuberculosis, porque se demostró que para que un sujeto desarrollara esta enfermedad era necesario que previamente estuviera infectado por este microorganismo. Para establecer si un microorganismo dado era o no causa de una enfermedad dada, Koch propuso que tal microorganismo debía cumplir una serie de condiciones que, básicamente, se pueden resumir en dos:
- Que el microorganismo pudiera identificarse siempre en el organismo de los sujetos enfermos.
- Que una vez identificado y aislado, produjera siempre la enfermedad si se inoculaba a un animal de experimentación. La idea en que se basan los postulados de Koch es que para cada enfermedad existe una única causa que la determina y que es, a la vez , necesaria y suficiente: - Causa necesaria : Aquélla cuya presencia es obligada para que aparezca la enfermedad: todos los enfermos la tienen (la presencia de M tuberculosis es necesaria para que aparezca la tuberculosis); los sanos pueden tenerla o no. - Causa suficiente : Aquélla cuya sola presencia basta que aparezca la enfermedad: ningún sano la tiene ( si M tuberculosis está presente, la persona debe enfermar); los enfermos pueden tenerla o no.
- Tiene un potente soporte metodológico que lo sustenta, algunos de cuyos fundamentos se verán en los siguientes temas.
4.3. EL MODELO DE CAUSALIDAD DETERMINISTA MODIFICADO: El modelo probabilístico de causalidad tiene un grave inconveniente: al no admitir causas necesarias ni suficientes, no permite predecir el futuro a nivel individual. Conociendo el perfil de riesgo de un sujeto, lo más que podemos, aplicando el modelo probabilístico, es asignarle un cierto valor de riesgo en relación con una enfermedad, pero no podemos decirle si, con certeza, enfermará o no. Esta incertidumbre condiciona en gran manera la actitud de los sujetos ante las estrategias de prevención, así como el planteamiento y la efectividad de dichas estrategias. Para obviar este problema y, de alguna forma, conjugar las ventajas del modelo probabilístico con las del modelo determinista puro, obviando sus inconvenientes, Rothman propuso hace ya algunos años un nuevo modelo de causalidad: el modelo determinista modificado. Este modelo se basa en aceptar dos principios:
- Cualquier enfermedad está causada por una o más causas suficientes.
- Cada causa suficiente está constituida por un conjunto mínimo de causas contribuyentes o componentes.
Veamos ambos principios ilustrados con un ejemplo: Supongamos que una cierta enfermedad se origina a partir de tres causas suficientes (I, II, y III). Cada una de estas causas suficientes puede entenderse como un camino que, inexorablemente y de forma independiente a las otras causas suficientes, conduce a la aparición de la enfermedad. De forma inversa, la enfermedad sólo puede contraerse si el sujeto recorre alguno de estos tres "caminos causales". Así, cada uno de ellos será responsable de una proporción de casos de enfermedad, y la suma de dichas proporciones dará el 100% de los casos. En el ejemplo anterior, supongamos que la causa I es responsable del 25% de los casos, la II del 40% y la III del 35%. Pero, a su vez, cada camino se forma por la combinación de un conjunto de causas llamadas causas componentes o contribuyentes. Así, para formar la causa suficiente I se han de combinar forzosamente las causas componentes A, B y C; para formar la causa suficiente II se han de combinar las causas componentes A, B, D y F, y para formar la causa suficiente III se han de combinar las causas componentes C, D y G. Como vemos en este ejemplo, es posible (y así ocurre con mucha frecuencia) que una cierta causa componente esté presente en más de una causa suficiente. Si se diera el caso de que una causa componente estuviera presente en todas las causas suficientes, estaríamos hablando de una causa necesaria.
El modelo anterior es un modelo determinista (pues admite los conceptos de causa necesaria y suficiente), y multicausal. Al ser determinista, permite hacer predicciones individuales sobre el desarrollo futuro de la enfermedad en un sujeto. Por ejemplo, si conociéramos el modelo anterior, a un sujeto concreto que presentara las causas componentes A, B, D, y G podríamos decirle que su probabilidad de enfermar es 0, pues con esa combinación de causas componentes no puede formar ninguna de las tres causas suficientes. Ahora bien, también podríamos advertirle de que, en caso de que se expusiera a C o a F, su riesgo pasaría a ser del 100%. En este modelo también es posible encajar los conceptos del modelo probabilístico: los factores de riesgo no serían sino causas componentes de algunas, pero no todas, las causas suficientes. Por eso no todos los expuestos a un cierto factor de riesgo acaban enfermando, ni todos los enfermos están siempre expuestos a dicho factor.
Si en una población retiráramos una determinada causa componente, evitaríamos todos los casos de enfermedad que se hubieran producido por las causas suficientes que la contuvieran. Siguiendo con el ejemplo anterior, retirando la causa A se evitaría el 65% de los casos de enfermedad. Dado que las causas suficientes suelen estar formadas por más de una causa componente, y dado que una causa componente puede formar parte de más de una causa suficiente, es evidente que la suma de la proporción de casos atribuibles a todas las causas componentes siempre será muy superior al 100% (en el ejemplo anterior es del 340%). Este hecho, aparentemente paradójico, que se observa en la realidad (por ejemplo, es bien sabido que la suma de la proporción de casos de cáncer atribuible a cada uno de sus factores de riesgo conocidos excede del 100%), es fácil de explicar desde la perspectiva del modelo determinista modificado.
El principal inconveniente del modelo determinista modificado es que se trata de un constructo teórico, cuya validez real permanece desconocida. En el momento actual, son muy pocas las enfermedades cuya causalidad puede ser completamente explicada a través de este modelo. Tomemos el ejemplo del tabaco y el cáncer del pulmón. De acuerdo con el modelo, el tabaco sería una causa componente de algunas, pero no todas, las causas suficientes del cáncer de pulmón. Si el modelo es cierto, la causa de que muchos fumadores nunca acaben desarrollando un cáncer de pulmón se debe a que en estos sujetos no están presentes una o varias de las restantes causas componentes que, unidas al tabaco, forman la correspondiente causa suficiente. Por desgracia, nuestro estado actual de conocimientos es insuficiente: no sabemos cuáles son esas otras causas componentes, aunque todo apunta a que muchas de ellas no son sino factores constitucionales, genéticamente determinados. Pero si el modelo es cierto, esa ignorancia sería provisional: en un futuro será posible saber a ciencia cierta qué fumadores desarrollarán cáncer con total seguridad y cuáles no lo harán.
Como se dijo anteriormente, los estudios analíticos se diseñan, de acuerdo con el modelo probabilístico, para permitir la verificación de los criterios de causalidad y, especialmente, de los dos primeros (la secuencia cronológica correcta y la fuerza de asociación). A continuación veremos las alternativas para alcanzar dicha verificación.
TEMA 5. INTRODUCCIÓN AL DISEÑO EN EPIDEMIOLOGÍA ANALÍTICA: ESTUDIOS EXPERIMENTALES.
5.1. EL IDEAL CONTRAFÁCTICO: Imaginemos un grupo de sujetos al que sometemos a una exposición a un cierto factor durante un período de tiempo; al final de éste, algunos de ellos (C1) desarrollan una enfermedad. Imaginemos que pudiéramos dar marcha atrás en el tiempo y volver a observar a esos mismos sujetos en el mismo período de tiempo que antes, pero ahora sin someterlos a ese factor; al cabo del mismo período de tiempo aparecerían también algunos casos de la enfermedad (C2). Si C1 es mayor que C podríamos afirmar sin ninguna duda que el factor de exposición es un factor de riesgo de la enfermedad, pues cumple los dos criterios de causalidad fundamentales (secuencia cronológica y fuerza de asociación). Este estudio, ideal para identificar factores de riesgo, no puede hacerse en la vida real, sino en lo que se ha dado en llamar universo contrafáctico, que no es más que la expresión formal de una pregunta que nos hacemos todos los días: ¿qué hubiera pasado si...? Lo que debemos hacer es diseñar un estudio que se parezca lo más posible al que haríamos en el universo contrafáctico, pero que se pueda hacer en el universo real.
5.2. ESTUDIOS EXPERIMENTALES: Son los que más se parecen al estudio anterior, con la ventaja de que pueden hacerse en el universo real. Imaginemos la siguiente hipótesis causal: la exposición a elevados niveles de aluminio es un FR para la enfermedad de Alzheimer. El estudio experimental se haría así: Tomemos una población de sujetos sanos (sin la enfermedad de Alzheimer) y dividámosla al azar en dos grupos: a uno de ellos lo vamos a llamar el grupo expuesto al FR, porque vamos a exponerlo a altas concentraciones de aluminio (por ejemplo, en comprimidos diarios); al otro, que vamos a llamar grupo no expuesto, no lo vamos a someter a tal exposición. Vamos a observar a ambos grupos durante un período de tiempo suficiente (por ejemplo, 40 años), para medir, al final de ese período, la incidencia de enfermedad de Alzheimer en ellos. Si la incidencia en el grupo de sujetos altamente expuestos al aluminio es mayor que en el otro grupo podemos concluir que el aluminio es un FR de la enfermedad de Alzheimer, pues cumple los dos requisitos fundamentales:
- Fuerza de asociación: La probabilidad (incidencia) de desarrollar la Enf. de Alzheimer es mayor en el grupo expuesto al aluminio que en el grupo no expuesto.
- Secuencia cronológica correcta: La exposición al aluminio precedió en el tiempo al desarrollo de la enfermedad (al principio del estudio todos los sujetos estaban sanos).
- Que los participantes en el estudio hayan dado su consentimiento en participar, por escrito, tras ser adecuadamente informados sobre las características del estudio y los posibles riesgos sobre su salud derivados de su participación.
Un punto de especial interés en los estudios experimentales es la forma en que la población de estudio es subdividida en los dos grupos: el de intervención y el control. ¿En función de qué criterio asignamos a los sujetos participantes a uno u otro grupo? En el ejemplo anterior, dejábamos que fuera exclusivamente el azar el responsable de la asignación (por ejemplo, mediante el lanzamiento de una moneda al aire). Cuando se hace así, se dice que el estudio es experimental puro. No obstante, en ocasiones no es posible hacer la asignación exclusivamente al azar, sino en función de otros factores. Entonces el estudio se llama semiexperimental o cuasiexperimental. ¿Por qué es mejor que la asignación dependa exclusivamente del azar?: Porque es la mejor manera de obtener dos grupos (intervención y control), que sean comparables entre sí. Un símil para entender la efectividad de la asignación aleatoria sería tomar 1000 cartas y repartirlas al azar en dos grupos de 500. Lo más probable es que el valor de los dos grupos de cartas finalmente formados sea similar. Sin embargo, si en lugar de repartir 1000 cartas repartiéramos sólo 10 cartas al azar en dos grupos de 5, es posible que, por azar, uno de los dos grupos de 5 cartas tuviera más valor que el otro. Este ejemplo nos permite ilustrar dos hechos:
- La asignación aleatoria es el mejor procedimiento conocido para distribuir un grupo de sujetos en dos o más subgrupos con características similares, pero no garantiza la perfecta comparabilidad de los grupos.
- La eficacia del azar a la hora de garantizar la comparabilidad de los subgrupos aumenta a medida que lo hace el número de sujetos a repartir.
Cualquier otro procedimiento que no sea el azar es peor, a la hora de alcanzar la comparabilidad de los subgrupos de estudio. Imaginemos que tratamos de demostrar que un nuevo fármaco (N), es mejor que otro convencional (C) para el tratamiento de la cefalea. Para ello debemos tomar a una población de pacientes con cefalea y distribuirla en dos grupos: el de intervención, al que daremos el fármaco N; y el control, que consumirá el fármaco C. Si dejamos que cada sujeto decida qué fármaco prefiere tomar, es más que probable que los sujetos con cefaleas más graves y resistentes al tratamiento convencional opten por el fármaco N, mientras que los sujetos con cefaleas más moderadas prefieran seguir tomando el C. Ello hará que, finalmente, se disponga de dos grupos no comparables, pues la gravedad de las cefaleas en el grupo de intervención será, por término medio, mayor que la del grupo control. Por lo general, los estudios semiexperimentales se llevan a cabo cuando no es posible asignar de forma aleatoria cada sujeto a los grupos de intervención o control. Esta situación es frecuente cuando la intervención no puede aplicarse aisladamente a individuos, sino a grupos de individuos. Por ejemplo, imaginemos que la hipótesis es que la fluoración del agua de bebida reduce la incidencia de caries dental. Se trata de una intervención comunitaria, cuya aplicación afecta a municipios enteros, no a individuos particulares: dentro de un municipio, no se puede dejar que sea el azar el que decida qué sujetos van a recibir agua fluorada y qué sujetos no la van a recibir. Para valorar el efecto beneficioso hay que elegir dos municipios comparables: uno es el municipio de intervención (al que se fluora su agua de consumo), y el otro es el municipio control (al que no se fluora su agua de consumo). Este tipo de estudios, intrínsecamente semiexperimentales, se llaman ensayos comunitarios o estudios de intervención en la comunidad.
En los estudios experimentales hay que tener en cuenta el llamado efecto placebo : el beneficio que experimentan en su salud los enfermos por la sensación psicológica de sentirse tratados, independientemente de las propiedades farmacológicas de la sustancia que está siendo ensayada. Supongamos que se ha desarrollado un nuevo fármaco para una enfermedad que hasta ahora no tenía tratamiento. Para comprobar su eficacia debemos suministrarlo a un grupo de enfermos (grupo de intervención), y comprobar sus efectos en comparación con los de otro grupo de enfermos (grupo control), a los que no les hemos suministrado medicación alguna (no hay ninguna alternativa). Si en el grupo de intervención se advierte alguna mejoría, es posible que parte de ella dependa simplemente del efecto
placebo. Para conocer cuál es la mejoría que depende exclusivamente de las propiedades farmacológicas de la nueva sustancia, es necesario que al grupo control se le administre un placebo (un preparado sin propiedad farmacológica alguna, de igual aspecto y propiedades organolépticas que la sustancia de intervención). No obstante, y de acuerdo con el principio ético de equilibrio, el uso de placebos como única estrategia aplicada al grupo control está restringido a aquellas situaciones en las que no se dispone de ninguna otra estrategia eficaz frente a la que comparar la intervención bajo estudio.
Por otra parte, y con independencia de que se pueda usar o no un placebo, sería deseable que todos los estudios experimentales se hicieran con cegamiento , al máximo nivel posible. El cegamiento simple consiste en que los sujetos del estudio no saben a qué grupo pertenecen (si al de intervención o al control), lo que hace que la percepción subjetiva de su estado de salud (si se notan mejorar o no), no dependa del conocimiento que tienen sobre el tipo de tratamiento que están recibiendo. Pero además, puesto que el investigador, en la valoración de los efectos de salud en los sujetos del estudio, también puede verse influenciado por el conocimiento previo que tenga sobre el tipo de tratamiento que recibe cada sujeto, es deseable que éste no le sea revelado hasta el final del estudio. Es lo que se llama el doble cegamiento : ni el propio sujeto participante ni el investigador saben a qué grupo de estudio pertenece cada sujeto.
TEMA 6. ESTUDIOS DE COHORTES Y DE CASOS Y CONTROLES
6.1. ESTUDIOS DE COHORTES
Si no se pueden utilizar los estudios experimentales para verificar la asociación causal entre un FR y una enfermedad, ¿cuál es la alternativa? Supongamos que queremos saber si el consumo de tabaco es FR para el cáncer de colon. No podemos intervenir: el tabaco es nocivo para la salud. La solución es tomar una población de sujetos sanos (sin cáncer de colon), y clasificarla en dos grupos: fumadores (expuestos) y no fumadores (no expuestos). Observemos a los dos grupos de sujetos durante un período de tiempo (por ejemplo, 20 años), y midamos al final del mismo la incidencia de cáncer de colon en ambos grupos. Si la incidencia es mayor en el grupo de expuestos al tabaco, concluiremos que el tabaco es, efectivamente, FR del cáncer de colon, pues, en ausencia de errores, se cumplen los dos principales criterios de causalidad:
- Fuerza de asociación: La probabilidad (incidencia) de desarrollar el cáncer de colon es mayor en el grupo expuesto al tabaco que en el grupo no expuesto.
- Secuencia cronológica correcta: La exposición al tabaco precedió en el tiempo al desarrollo de la enfermedad (al principio del estudio todos los sujetos, fumadores y no fumadores, estaban sanos). ¿Cuál es la diferencia entre este diseño y el experimental?: En el diseño experimental había una intervención, en éste no la hay: el investigador no influye en el hábito de fumar de cada sujeto, no decide quién va a estar expuesto y quién no. Por eso, este estudio es observacional: el investigador se limita a observar lo que ocurre en la población de forma espontánea. Si él no estuviera haciendo el estudio, las cosas ocurrirían exactamente igual. Por lo demás, todo es similar al diseño experimental. Sin embargo, el hecho de que un estudio sea de cohortes y no experimental es una gran desventaja, porque ya no es posible efectuar una asignación aleatoria de los sujetos a los grupos expuesto y no expuesto: eso hace que la comparabilidad de ambos grupos pueda quedar seriamente comprometida: ¿tendrán fumadores y no fumadores la misma edad, beberán la misma cantidad de alcohol, tendrán dietas similares, etc.? La falta de comparabilidad entre los grupos se debe a la existencia de factores de confusión, y conduce a un error llamado sesgo de confusión. Una desventaja adicional es que la intensidad de exposición ya no se puede estandarizar, aplicándola de forma homogénea a todos los sujetos de los grupos expuesto y no expuesto: cada cuál fuma lo que quiere, cuánto quiere, cómo quiere y dónde quiere. Esto introduce un incremento en la variabilidad de la intensidad y características de la exposición dentro de cada grupo, que repercute negativamente sobre la precisión de las estimaciones.
