Fletcher- Epidemiología clínica 6.ed

106

Epidemiología clínica

contribuyen de manera independiente a la variación glo- bal del resultado. El modelado también puede ordenar las variables de acuerdo con la fuerza de su contribución. Existen numerosos tipos de modelos prototípicos de acuerdo con el diseño y los datos en el estudio. Los estu- dios de cohortes y casos y controles en general dependen de la regresión logística , que se usa específicamente para resultados dicotómicos. El modelo de riesgo propor- cional de Cox se utiliza cuando el resultado es el tiempo esperado para que ocurra un acontecimiento, como en los análisis de supervivencia ( v. cap. 8). En los estudios observacionales, el análisis multiva- riable es el único método factible para controlar muchas variables simultáneas durante la fase de análisis del estu- dio. La aleatorización también controla muchas variables, pero durante las fases de diseño y desarrollo del estudio. El pareamiento puede controlar solo unas pocas variables a la vez y el análisis estratificado de múltiples variables corre el riesgo de tener muy pocos pacientes en algunos estra- tos. La desventaja del modelado es que para la mayoría de nosotros es una «caja negra», por lo que es difícil reco- nocer cuándo podría ser engañoso este método. Cuando se utiliza de forma adecuada, el modelado se utiliza en conjunto con, no en lugar de, el pareamiento y el análisis estratificado. Con excepción de la aleatorización, todas las formas para tratar con las diferencias entre las variables extrañas de los grupos comparten una limitación: son eficaces solo para las variables seleccionadas que fueron consideradas. No tratan con los factores de riesgo o pronóstico que no se conocen en el momento del estudio ni con las que se conocen, pero que no se tomaron en consideración. Por esta razón, además de las fortalezas y debilidades complementarias de varios métodos, no debemos depen- der solamente de uno u otro método para controlar los sesgos, sino usar varios métodos en conjunto, empalma- dos uno en el otro. Ejemplo En un estudio sobre la asociación de las contracciones ventriculares prematuras con una menor supervivencia en los años siguientes a un infarto agudo de miocardio, podríamos hacer frente a la confusión de la siguiente manera: ■■ Restringir el estudio a los pacientes que no son muy viejos o jóvenes y cuyo infarto no se debió a una causa inusual, como arteritis o aneurisma disecante. ■■ Parear de acuerdo con la edad, un factor fuertemen- te relacionado con el pronóstico pero extraño a la pregunta principal. ■■ Examinar los resultados separándolos por estratos con diferente gravedad clínica utilizando el análisis estr atific ado . Esto incluye la presencia o ausencia de Estrategia general para controlar la confusión

insuficiencia cardiaca congestiva u otras enferme- dades, como la enfermedad pulmonar obstructiva crónica. ■■ Utilizando el análisis multivariado , ajustar los resulta- dos crudos según los efectos de todas las variables además de la arritmia, que en conjunto podrían estar relacionadas con el pronóstico.

ESTUDIOS OBSERVACIONALES Y CAUSA

El resultado final de un estudio observacional cuidadoso, controlado para una gran cantidad de variables extrañas, es acercarse tanto como sea posible a describir un efecto independiente verdadero, uno separado del resto de las variables que confunden la exposición, la relación con la enfermedad. Sin embargo, siempre es posible que otras variables importantes no se hayan tomado en cuenta, ya sea porque no se conocía su importancia o porque no fueron o no podían ser medidas. La consecuencia de los factores de confusión no medidos es la confusión resi- dual . Por esta razón se debe considerar que un estudio único (y los investigadores deben describir sus resultados) establece «asociaciones independientes» y no necesaria- mente una causa. En el capítulo 12 se describe cómo de- sarrollar un estudio para encontrar la asociación causal. MODIFICACIÓN DEL EFECTO Una situación muy diferente de la confusión es si la pre- sencia o ausencia de una variable cambia el efecto de la exposición sobre la enfermedad, lo que se conoce como modificación del efecto . Como afirma Rothman (13), La diferencia más importante es que, mientras la confu­ sión es un sesgo que el investigador espera prevenir o, de ser necesario, eliminar de los datos, la modificación del efecto es una descripción detallada del propio efec- to. Por tanto, la modificación del efecto es un hallazgo que debe ser reportado en lugar de un sesgo que debe ser evitado. El análisis epidemiológico generalmente está destinado a eliminar la confusión y a descubrir y describir la modificación del efecto. Los estadísticos llaman interacción o heterogeneidad a la modificación del efecto, mientras que los biólogos la conocen como sinergia o antagonismo, dependiendo si este tercer factor aumenta o disminuye el efecto. Ejemplo

Se ha demostrado que la aspirina previene los episodios cardiovasculares. Su recomendación depende del ries- go de estos episodios en un paciente y de las compli- caciones de la aspirina, principalmente de la hemorragia gastrointestinal alta. La figur a 6-5 muestra que la tasa adicional de complicaciones gastrointestinales (inci- dencia atribuible a la aspirina) depende de otros dos factores, la edad y el antecedente de enfermedad ulce- SAMPLE