Tema 7.2 Asociación y Causalidad - Salud Pública PDF

24/10/2024 Salud Pública (1729) Grado en Ciencia y Tecnología de los Alimentos Tema 7.2. Asociación y Causalidad Inferencias de los Estudios Epidemiológicos Eva Morales [email protected] 1...

24/10/2024 Salud Pública (1729) Grado en Ciencia y Tecnología de los Alimentos Tema 7.2. Asociación y Causalidad Inferencias de los Estudios Epidemiológicos Eva Morales [email protected] 1 ¿Qué es la causalidad en epidemiología? El estudio de la relación etiológica entre una exposición y la aparición de un efecto: – Enfermedad – Muerte – Complicación – Curación (tratamientos) – Protección (vacunas) – Resultado (uso de métodos, cambio de practicas, erradicación de una enfermedad, participación en un programa, etc.) 2 1  24/10/2024 ¿Por qué la búsqueda de las causas? Si entendemos la causa podemos generar cambios Estudiar la causa es aprender sobre los mecanismos El conocimiento de los mecanismos causales sirve como base para generar nuevas hipótesis y para planear intervenciones que modifiquen los efectos 3 Modelos de representación Representación de la relación entre una presunta causa y su efecto: El modelo de Koch-Henle Los postulados de Evans El modelo de Rothman Los criterios de Badford-Hill 4 2  24/10/2024 Modelo de Koch-Henle (1887): modelo determinista Propuesto para el estudio de enfermedades infecto-contagiosas. La influencia de un microorganismo debe: – Encontrarse siempre en los casos de enfermedad – Poder ser aislado en cultivo, demostrando ser una estructura viva y distinta de otras que pueden encontrase en otras enfermedades – Distribuirse de acuerdo con las lesiones y ellas deben explicar las manifestaciones de la enfermedad – Ser capaz de producir la enfermedad en el animal de experimentación al ser cultivado 5 Los postulados de Evans (1976) 1. La proporción de individuos enfermos debería ser significativamente mayor entre aquellos expuestos a la supuesta causa, en comparación con aquellos que no lo están 2. La exposición a la supuesta causa debería ser mas frecuente entre aquellos individuos que padecen la enfermedad que en aquellos que no la padecen 3. El número de casos nuevos de la enfermedad debería ser significativamente mayor en los individuos expuestos a la supuesta causa en comparación con los no expuestos 6 3  24/10/2024 Los postulados de Evans (1976) 4. De forma transitoria, la enfermedad debería mostrar tras la exposición a la supuesta causa, una distribución de los periodos de incubación representada por una curva en forma de campana 5. Tras la exposición a la supuesta causa debería aparecer un amplio abanico de respuestas por parte del huésped, desde leves hasta graves, a lo largo de un gradiente biológico lógico 7 Los postulados de Evans (1976) 7. Previniendo o modificando la respuesta del huésped, debe disminuir o eliminarse la presentación de la enfermedad 8. La reproducción experimental de la enfermedad debería tener lugar con mayor frecuencia en animales o personas expuestas adecuadamente a la supuesta causa, en comparación con aquellos no expuestos; esta exposición puede ser deliberada en voluntarios, inducida de forma experimental o demostrada mediante la modificación controlada de la exposición natural 8 4  24/10/2024 El modelo de Rothman (1976) Contempla las relaciones multicausales Desarrollado en el ámbito de la epidemiología Más adaptado a los métodos estadísticos multivariantes Causa: todo acontecimiento, condición o característica que juega un papel esencial en producir un efecto: – Causa componente: causa que contribuye a formar un conglomerado que constituirá una causa suficiente – Causa suficiente: si el factor (causa) está presente, el efecto (enfermedad) siempre ocurre – Causa necesaria: si el factor (causa) está ausente, el efecto (enfermedad) no puede ocurrir 9 Los criterios de Bradford Hill De validez interna De coherencia (propios del estudio): científica: Fuerza de asociación Consistencia Secuencia temporal Plausibilidad biológica Gradiente biológico Coherencia (efecto dosis- Especificidad y respuesta) analogía Evidencia experimental 10 5  24/10/2024 1. Fuerza de asociación Cuanto más fuerte la asociación menor la posibilidad de que esté simplemente reflejando la influencia de algún otro factor etiológico Este criterio incluye la Ej.: Fumar y riesgo de cáncer de pulmón consideración de la precisión estadística (influencia mínima del azar) y el rigor metodológico de los estudios existentes con respecto al sesgo (de selección, de información y confusión) 11 2. Secuencia temporal Primero la exposición, luego la enfermedad A veces es difícil documentar la secuencia: – período largo entre la exposición y la enfermedad – enfermedad subclínica – exposición (p.ej., tratamiento) desencadenada por una manifestación temprana de la enfermedad 12 6  24/10/2024 3. Gradiente biológico La verificación de una relación dosis-respuesta consistente con el modelo conceptual hipotético 13 4. Consistencia La asociación ha sido “repetidamente observada por diferentes personas, en diferentes lugares, circunstancias y momentos” La consistencia ayuda a cuidarse de asociaciones que surgen por error o artefacto Pero los resultados consistentemente observados no están necesariamente libres de sesgo (pequeño número de estudios), y los resultados en diferentes poblaciones pueden ser distintos si las relaciones causales son influidas por la presencia de variables modificadoras 14 7  24/10/2024 5. Plausibilidad biológica ¿La asociación tiene sentido desde el punto de vista biológico? Estamos mucho más dispuestos a aceptar una relación que es consistente con nuestros conocimientos generales y creencias. Obviamente esta tendencia tiene escollos, pero a menudo nos sirve nuestro sentido común Ejs., estrógenos y cáncer de endometrio, estrógenos y cáncer de mama, anticonceptivos orales y cáncer de mama 15 6. Coherencia ¿La interpretación causal concuerda con los hechos conocidos de la historia natural y la biología de la enfermedad, incluyendo el conocimiento sobre las distribuciones de la exposición y la enfermedad (por lugar, persona y tiempo) y los resultados de experimentos de laboratorio? ¿Entran todas las piezas en su lugar? 16 8  24/10/2024 7. Especificidad y analogía Existe una relación inherente entre la especificidad y la fuerza en el sentido que cuanto más precisamente estén definidas la enfermedad y la exposición, más fuerte debería ser la relación observada. Pero el hecho de que un agente contribuye a múltiples enfermedades no es evidencia en contra de su participación en ninguna enfermedad en particular Analogía: ¿ha habido situaciones similares en el pasado? 17 8. Evidencia experimental Ciertos tipos de diseños de estudio pueden presentar evidencia más convincente que otros tipos de diseños de estudio Estudios de intervención dan mayor apoyo, especialmente cuando la exposición puede ser asignada al azar. Dado que no es ético y/o práctico asignar muchas de las exposiciones que los epidemiólogos estudian, una posible alternativa es quitar la exposición y ver si la enfermedad disminuye, salvo que el proceso causal sea considerada irreversible 18 9  24/10/2024 Asociación estadística y significación Componente para poder establecer inferencias El considerar el término significativo implica utilizar términos comparativos de dos hipótesis Los test de hipótesis son test de significación estadística que cuantifican hasta que punto la variabilidad de la muestra puede ser responsable de los resultados de un estudio en particular: – La Ho (hipótesis nula) representa la afirmación de que no hay asociación entre las dos variables estudiadas – La Ha (hipótesis alternativa) afirma que hay algún grado de relación o asociación entre las dos variables 19 El p valor: interpretación El proceso de aceptación o rechazo de la hipótesis lleva implícito un riesgo que se cuantifica con el valor de la "p", que es la probabilidad de aceptar la hipótesis alternativa como cierta, cuando la cierta podría ser la hipótesis nula El valor de "p" que indica que la asociación es estadísticamente significativa ha sido arbitrariamente seleccionado y por consenso se considera en 0.05 Una seguridad del 95% lleva implícito una p < de 0.05 y una seguridad del 99% lleva implícita una p < 0.01. 20 10  24/10/2024 El p valor: interpretación Si la p 0.05: – decimos que el azar no puede ser excluido como explicación de dicho hallazgo y no rechazamos la Ho (hipótesis nula) que afirma que ambas variables no están asociadas o correlacionadas 21 La significación estadística entre dos variables, depende de: La magnitud de la a diferencia a testar: – Cuanto más grande sea la diferencia entre las dos variables, más fácil es demostrar que la diferencia es significativa. Por el contrario si la diferencia entre ambas variables es pequeña, las posibilidades de detectar diferencias entre las mismas se dificulta. El tamaño muestral: – Cuanto más grande sea dicho tamaño muestral más fácil es detectar diferencias entre las mismas. Pequeñas diferencias se pueden detectar con grandes tamaños muestrales y grandes diferencias entre variables necesitan muchos menos pacientes o individuos a ser estudiados. Cualquier diferencia puede ser estadísticamente significativa si se dispone del suficiente número de pacientes. 22 11  24/10/2024 Riesgo alfa (α) y riesgo beta (β) El riesgo α (cuantificado como el valor de p) indica la probabilidad de cometer un error de tipo I (análogo a un «falso positivo»). Cuanto más pequeño sea el valor de p, mayor será la certeza de que la conclusión del ensayo coincide con la «verdad» El riesgo de cometer un error de tipo II se conoce como riesgo β (y es análogo a un «falso negativo») El objetivo de cualquier estudio es llegar a una conclusión verdaderamente positiva o verdaderamente negativa 23 Error de tipo I y error de tipo II 24 12  24/10/2024 Recomendaciones para disminuir el error de tipo I Disponer de una teoría que guíe la investigación, evitando el "salir de pesca" con el ordenador buscando asociaciones entre variables Disminuir el número de test estadísticos llevados a cabo en el estudio. Depurar la base de datos para evitar errores de valores extremos que puedan producir hallazgos significativos. Utilizar valores de alfa más reducidos (0.01 ó 0.001). Reproducir el estudio. Si al reproducir el estudio se obtienen resultados similares, estaremos más seguros de no estar cometiendo el error de tipo I. 25 Recomendaciones para disminuir el error de tipo II Incrementar el tamaño de la muestra. Estimar el poder estadístico del estudio. Incrementar el tamaño del efecto a detectar. Incrementar el valor de alfa. Utilizar test paramétricos (más potentes) en lugar de test no paramétricos 26 13  24/10/2024 Potencia o poder estadístico (1-β) La probabilidad de que la conclusión del estudio coincida con la «verdad»= 1 – beta Potencia o poder estadístico: la probabilidad de evitar concluir que no existe un efecto cuando en realidad existe o, lo que es lo mismo, la probabilidad de detectar un efecto si éste existe en verdad El valor para el riesgo beta suele establecerse en el 20 % o, lo que es igual, un poder estadístico del 80 % (1 – 0,20) 27 ¿Estadísticamente significativo o clínicamente importante? Nunca se debe dar por supuesto que una prueba de significación estadística implica automáticamente la existencia de significación clínica Por significación clínica se entiende la importancia o relevancia práctica que determinados resultados tienen para el cuidado de los pacientes 28 14  24/10/2024 Lo significativo de lo significativo Aunque p sea «pequeña» (p. ej., p < 0,01), la diferencia hallada puede ser demasiado pequeña para tener importancia clínica Deben distinguirse claramente las hipótesis formuladas antes del inicio del estudio y puestas a prueba en el transcurso de éste (hipótesis a priori) de aquellas que se hayan generado después de haber aplicado ya algunas pruebas estadísticas (hipótesis a posteriori) Las pruebas de significación estadística no deben suplantar jamás al juicio clínico o sanitario (sólo responden la siguiente pregunta: ¿cuál es la probabilidad de que la diferencia observada se deba al azar?) Cualquier resultado, incluso el de mayor trascendencia práctica, puede perder su significación estadística si se divide a los pacientes en subgrupos Los datos analizados son válidos (no sesgos). La estadística no puede corregir las insuficiencias del diseño. Un estudio con errores sistemáticos, o cuyos datos clínicos son erróneos, o que no tiene en cuenta posibles factores de confusión, no mejora mediante p significativas Fuente: Porta Serra y Fernández Muñoz 29 15