Confusión

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

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

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

4. Esperados Edad ASR/1,000 Muertes por cáncer Población en riesgo Población estándar* Joven 5 5,000 1.00 60,500 Maduro 10 25,000 0.40 140,300,000 56,120 Viejo 15,000 6.67 25,700,000 171,419 100 Total 115 XXXX 288,039 45,000 226,500,000 * 1980 Población de USA donde jóven= 0-18; maduro=19-64; viejo=+65 Tasa ajustada por edad = Suma de las esperadas/ Total en la población estándar = 1.27 / 1,000 Tasa cruda= Muertes totales/Población en riesgo =115 / 45,000 = 2.56 / 1,000 Edad es un confusor para mortalidad por cáncer Probando para confusión (cont.) 60,500,000

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

6. Controles para confusión (cont) • Estadio de análisis • Estratificación • Análisis multivariado – Regresión linear múltiple, Regresión logística, Modelo de Riesgos proporcionales

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

8. Efecto modificador (Interacción), cont. • Para evaluar interacción: • ¿Hay una asociación? • Si es así, ¿es debido a confusión? • Si no, ¿hay diferencias entre los estratos formados sobre las bases de una tercera variable? • Si es así, interacción o efecto modificador está presente • Si no, no hay interacción o efecto modificador

9. La prevalencia de osteoartritis es de 50% entre mujeres a la edad de 65. ¿Iniciar suplementos de calcio a los 50 años es de utilidad? No enfermas Enfermas Ca+ 50 450 500 Ca- 350 150 500 400 600 1000 RR=0.16 Aquellas con tratamiento tienen 84% menos enfermedad a los 65 años

10. ¿Tabaquismo confunde el tratamiento con calcio? Enfermedad No Enfermedad No fumadores Ca+ 20 320 340 Ca- 80 80 160 RR=0.12 100 400 500 Enfermedad No Enfermedad Ca+ 30 130 160 Fumadores Ca- 270 70 340 RR=0.24 300 200 500 El tratamiento con calcio de la osteoartritis es confundida por tabaquismo

11. ¿El tratamiento para fumadores fue modificado por alcohol? Enfermedad No Enfermedad Ca+ 25 75 100 Ca- 250 50 300 RR=0.30 275 125 400 Fumadores que beben Enfermedad No Enfermedad Ca+ 5 55 60 RR=0.17 Ca- 20 20 40 25 75 100 Fumadores que no beben El tratamiento con calcio de los fumadores fue modificado por alcohol

12. Evaluando la relación entre una causa posible y el resultado 2. ¿Podría ser debido a confusión o efecto modificador? 1. ¿Podría ser debido a sesgo de selección o de información? Asociación observada No No Probablemente no 3.¿Podría ser un resultado por el azar? 4. ¿Podría ser causal? Aplique guías y haga juicio

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

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

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

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

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

18. Ejemplos de probando hipótesis • Calculamos la tasas ajustadas por edad para San Francisco y San Jose y se compararon • Ho: AAR1 = AAR2 • Ha: Hay una diferencia estadísticamente significativa entre las tasas ajustadas por edad de San Francisco y San José

19. Probando hipótesis (cont.) • Calculamos razón de momios y riesgos relativos • Ho: OR = 1 (o RR = 1) • Ha: Hay una diferencia estadísticamente significativa entre casos y controles (o entre los expuestos y los no expuestos)

20. Probando hipótesis (cont.) • Calculamos la SMR para rancheros • Ho: SMR = 100% • Ha: Hay una diferencia estadísticamente significativa entre la población cohorte y la población control.

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

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

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

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

25. ¿Son estas tasas estadisticamente significativas diferentes entre ellas? Los intervalos de confianza al 95% lo dicen. AAR1 = 346.9 (ES 2.5) (344.4, 349.4) AAR2 = 327.8 (ES 14) (313.8, 341.8)

26. AAR1 fue estadísticamente significativa más alta que AAR2¿Qué acerca de estas? SMR = 112% (99, 125) RR = 3.4 (1.2, 5.6)

27. Cada vez que usamos estadística inferencial, estamos en riesgo de estar equivocados

28. Hipótesis nula H0: Tratamiento A = Tratamiento B Decisión sobre H0 Verdad No diferencia Falsa diferencia Fracaso para rechazar Correcto 1-a Error tipo II b Rechazar Error tipo I (Nivel de significancia) a Correcto (Poder) 1- b

29. Formas de estar equivocado • Error tipo I – rechazando la hipótesis nula cuando ella es verdad- no hay diferencia • Error tipo II – fracasando en rechazar la hipótesis nula cuando ella es falsa - hay una diferencia

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

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

32. Sujetos en el estudio • Más sujetos permiten determinar pequeñas diferencias • Más sujetos producen más pequeños intervalos de confianza • Más sujetos cuestan más dinero • Más sujetos incrementan la complejidad del proyecto • ¿Se necesitan más sujetos?

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

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

35. Finalmente, ¿puede tener muchos sujetos con el presupuesto, tiempo y limitaciones logísticas? Si no, el estudio es probablemente no útil realizarlo, a menos que se acepte un bajo poder o un alfa grande

36. H0 : Tratamiento A = Tratamiento B (Prueba de una cola vs dos colas, por la cual queremos probar el incremento o disminución de sobrevida con tratamiento B) Tamaño de muestra para un estudio clínico Tamaño de muestra requerido en cada grupo Nivel de significancia Sobrevida con tratamiento A Sobrevida con tratamiento B Poder .05 Una cola 10% incremento o disminución 30% .80 280 .05 Dos colas 30% .80 356 10% incremento o disminución .05 Una cola 30% .80 73 20% incremento o dimsinución .05 Dos colas 30% .80 92 20%incremento o disminución

37. H0 : Tratamiento A = Tratamiento B (prueba de una cola, variando el nivel de significancia, poder y diferencia que deseamos detectar) Tamaño de muestra para un estudio clínico Tamaño de muestra requerido para cada grupo Sobrevida con tratamiento A Sobrevida con tratamiento B Nivel de significancia Poder 280 10% de diferencia .05 30% .80 73 20% de diferencia 10% de diferencia .05 30% 388 .90 20% de diferencia 101 455 10% de diferencia .80 .01 30% 118 20% de diferencia 590 .01 .90 10% de diferencia 30% 153 20% de diferencia