Comandos metan:
- Estudios fijos: metan variables
- Estudios aleatorios: metan variables, random
** da el RR dafult
- Analisis de la sensibilidad: metan inf variables
Da el RR si hubieras eliminado un estudio at a time.
RAR (risk difference)= metan variables, rd
Regresión para calcular la confusión:
Se necesita calcular la confusión, y para ello necesitamos calcular OR crudo y OR ajustado.
- ORcrudo: sale de hacer regresión de la exposición sola con la enfermedad.
- Or ajustado: sale de calcular la exposición con la estratidicación.
Ensayos clínicos
Selección de población: Criterios de inclusión
- Naturalistico (pragmático): muestra heterogenea, relacionable a la población.
- Explicativa: grupo homogeneo.
ALEATORIZACIÓN: No evita los sesgos, sino que elimina todos los factores de confusión. Tiene que estar enmascarada.
**Estudio abierto=no enmascarado
Analisis de datos:
- Por protocolo: solo tienes en cuenta a aquellos que tomen el tratamiento rigurosamente.
- Por intencion de tratar: tienes en cuenta todos los participantes.
Ventajas: Mayor validez interna (menos sesgos)
Inconvenientes: caros, duran mucho tiempo, no valen para analizar factores de riesgo.
PRINCIPIOS ÉTICOS: recogidos en el protocolo consort
- Naturalistico (pragmático): muestra heterogenea, relacionable a la población.
- Explicativa: grupo homogeneo.
ALEATORIZACIÓN: No evita los sesgos, sino que elimina todos los factores de confusión. Tiene que estar enmascarada.
**Estudio abierto=no enmascarado
Analisis de datos:
- Por protocolo: solo tienes en cuenta a aquellos que tomen el tratamiento rigurosamente.
- Por intencion de tratar: tienes en cuenta todos los participantes.
Ventajas: Mayor validez interna (menos sesgos)
Inconvenientes: caros, duran mucho tiempo, no valen para analizar factores de riesgo.
PRINCIPIOS ÉTICOS: recogidos en el protocolo consort
- Beneficiencia: bienestar del paciente
- No maleficiencia: no administrar algo nocivo al paciente
- Justicia: probar el medicamento en personas que van a tomarlo despues
- Autonomía (del paciente)
Causalidad
- Causa necesaria: la exposición tiene que estar presente para que se de la enfermedad. Todo enfermo está expuesto (no hay c). No hay enfermos no expuestos.
- Causa suficiente: Exposición lleva a la enfermedad. No hay sanos expuestos (no hay b)
Para verificar la Causalidad es necesario:
- Causa suficiente: Exposición lleva a la enfermedad. No hay sanos expuestos (no hay b)
Para verificar la Causalidad es necesario:
- Cumplir los criterios de Causalidad de Hill
- Tener validez externa/Error Aleatorio => Ser significativo
- No hay confusión
- Tener validez interna/error sistemático => Minimizar los sesgos
Criterios de causalidad de Hill
- Temporalidad
- Fuerza de asociación
- Gradiente dosis-respuesta
- Consistencia/Repetición de los hallazgos
- Credibilidad biologica (coherencia)
- Explicaciones alternativas
- Experimentación o Cese de exposición
- Especificidad de asociación
- Coherencia con otro conocimiento
Regresión Logística o Análisis Multivariante
Cálculo de e^b., va a dar un OR o RR ajustado y sin confusión.
Ecuación:
Objetivos:
- Estimar la probabilidad de enfermar
- Detectar la interacción
- Estimar medidas de asociación libres de confusión.
Condiciones:
- Variable dependiente dicotómica.
- Es necesario medir todas las variables cuya confusión se quiere controlar (esto no es necesario en la aleatorizacion).
Ventajas:
- Permite controlar más de un factor a la vez.
- Permite controlar factores de confusión que sean variables cualitativas politómicas.
- Permite controlar factores de confusión que sean variables cuantitativas.
- Permite el calculo del OR ajustado por múltiples factores a la vez.
**Cálculo trampa:
No elimina la confusión de todos los factores, solo aquellos que han sido introducidos en el modelo (todos= aleatorización)
Interpretación:
- V. Cualitativa dicotómica: igual que las otras.
- V. Cuantitativa: cuanto aumenta el riesgo por cada 1 algo de la exposición (año, cigarro...)
- V. Cualitativa politómica: aumenta X veces mas si 1 que si 0.
Comandos:
Binary outcomes > Logitic regression (reporting odds ratio)
- _cons = valor "a"
Ecuación:
Objetivos:
- Estimar la probabilidad de enfermar
- Detectar la interacción
- Estimar medidas de asociación libres de confusión.
Condiciones:
- Variable dependiente dicotómica.
- Es necesario medir todas las variables cuya confusión se quiere controlar (esto no es necesario en la aleatorizacion).
Ventajas:
- Permite controlar más de un factor a la vez.
- Permite controlar factores de confusión que sean variables cualitativas politómicas.
- Permite controlar factores de confusión que sean variables cuantitativas.
- Permite el calculo del OR ajustado por múltiples factores a la vez.
**Cálculo trampa:
No elimina la confusión de todos los factores, solo aquellos que han sido introducidos en el modelo (todos= aleatorización)
Interpretación:
- V. Cualitativa dicotómica: igual que las otras.
- V. Cuantitativa: cuanto aumenta el riesgo por cada 1 algo de la exposición (año, cigarro...)
- V. Cualitativa politómica: aumenta X veces mas si 1 que si 0.
Comandos:
Binary outcomes > Logitic regression (reporting odds ratio)
- _cons = valor "a"
- Si alguna variable es politómica, hay que poner i. delante (ie, i. raza)
Confusión
Es aquel factor que está relacionado con la enfemedad y con otro factos de expsicion, haciendo que dicho factor de exposicion presente una relación ficticia con la enfermedad. Primero se intenta controlar la confusion en el diseño, y despues corregir en el analisis.
1) Evitar la confusión:
- Restricción
- Apareamiento
- Aleatorización: Elimina todos los posibles factores de confusión. No requiere que midamos aquellos factores de confusion que queremos controlar.
2) Corregir la confusión:
- Estandarización (ajuste de tasas)
- Estratificación
- Regresión Logística o Analisis multivariante
Estratificación
- Corrige la confusión mediante una medida de asociación ajustada (libre de confusión, M-H combined)
- Detecta y describe la interacción/modificación del efecto.
- Fases:
- Hay confusión si Crudo/ajustado >10% (1.1)
1) Evitar la confusión:
- Restricción
- Apareamiento
- Aleatorización: Elimina todos los posibles factores de confusión. No requiere que midamos aquellos factores de confusion que queremos controlar.
2) Corregir la confusión:
- Estandarización (ajuste de tasas)
- Estratificación
- Regresión Logística o Analisis multivariante
Estratificación
- Corrige la confusión mediante una medida de asociación ajustada (libre de confusión, M-H combined)
- Detecta y describe la interacción/modificación del efecto.
- Fases:
- Se calculan medidas de asociacion especificas para cada estrato.
- Contraste de hipotesis de homogeneidad (test de Barlett).
- si p<0,05 rechazamos H0/ No es homogeneo / Existe interaccion significativa y modificación de efecto. NO HAY QUE MIRAR LA CONFUSIÓN.
- si p>0,05 aceptamos H0 / No hay interaccion significativa / No hay modificación de efecto
- El factor que modifica siempre es el que estratifica.
- Sinergia (potenciación)
- Inhibición
- No se analiza la confusión.
- RAe significativo, se mira el intervalo de confianza en función a 0.
Confusión
- Cálculo de la medida de asociación cruda
- Medida de de asociación ajustada
- Hay confusión si Crudo/ajustado >10% (1.1)
Tipos de Estudios Epidemiologicos
1. DESCRIPTIVOS
1.1 Ecológico
- Fuente de informacion secundaria
- Incurre en la Falacia Ecológica: Por intentar generalizar conclusiones a partir de fuentes secuandarias.
1.2 De caso o serie de casos: ver como evolucionan enfermedades raras
1.3 De prevalencia/ transversal/ de corte: Medida de frecuencia es la prevalencia. Enfermedades crónicas.
2. ANALITICOS (intentan establecer relaciones causales)
2.1 Obervacional
1.1 Ecológico
- Fuente de informacion secundaria
- Incurre en la Falacia Ecológica: Por intentar generalizar conclusiones a partir de fuentes secuandarias.
1.2 De caso o serie de casos: ver como evolucionan enfermedades raras
1.3 De prevalencia/ transversal/ de corte: Medida de frecuencia es la prevalencia. Enfermedades crónicas.
2. ANALITICOS (intentan establecer relaciones causales)
2.1 Obervacional
- 2.1.1 Casos-control
- No todos son retrospectivos
- Se seleccionan dos grupos, uno sano (controles) y otro enfermo (casos).
- Cálculo del OR.
- Sesgos de memoria
- Enfermedades Raras
- Baratos
- Varias exposiciones
- Muchos sesgos
- Corta duración
- Mala evidencia causal
- Muchos sesgos
- Corta duración
- Mala evidencia causal
- 2.1.2 Cohorte
- Se comienza con dos grupos, uno de expuestos y otro de no expuestos (va de la exposición a la enfermedad).
- Cálculo del OR y RR (incidencias).
- Exposiciones raras (una sola exposición)
- Muchas enfermedades
- Caros
- Relacion temporal mejor determinada
Ajuste de Tasas
AJUSTE DIRECTO
Tasa estandarizada:
Sum. W(ref)*T(est)
W se calcula dividiendo el peso individual entre el peso total de la poblacion (misma columna)
T se calcula dividiendo casos entre controles.
Razon de tasas estandarizada
RTS= TS/Tref
por cada uno que enferma en A(denominador), hay x enfermos en B (arriba).
AJUSTE INDIRECTO
RME=O/E ==> la exposicion supone X veces mas el riesgo de enfermar
E=N(años-persona)*TS(ref)
O=casos
RA= O-E ==> hay X caasos mas por estar expuestos/ se viatrian X casos si se evitara la exposicion.
Tasa estandarizada:
Sum. W(ref)*T(est)
W se calcula dividiendo el peso individual entre el peso total de la poblacion (misma columna)
T se calcula dividiendo casos entre controles.
Razon de tasas estandarizada
RTS= TS/Tref
por cada uno que enferma en A(denominador), hay x enfermos en B (arriba).
AJUSTE INDIRECTO
RME=O/E ==> la exposicion supone X veces mas el riesgo de enfermar
E=N(años-persona)*TS(ref)
O=casos
RA= O-E ==> hay X caasos mas por estar expuestos/ se viatrian X casos si se evitara la exposicion.
Suscribirse a:
Comentarios (Atom)