Professional Documents
Culture Documents
1. Objetivos
Comprender el rol de la causalidad en estudios epidemiológicos.
Comprender el proceso de las inferencias causales basadas en resultados de
estudios epidemiológicos.
Conocer las fuentes más importantes de error en los estudios epidemiológicos y
cómo éstos se minimizan.
2. Términos Claves: Inferencia causal, error aleatorio, confusión, sesgo, modificación del
efecto
3. Desarrollo del módulo
3.1. Causalidad
Uno de los principales objetivos de la investigación epidemiológica es establecer las
causas del fenómeno de interés. Una “causa” de enfermedad desde el punto de vista
epidemiológico es un evento, condición, característica o una combinación de estos
factores que juegan un papel importante en el desarrollo de la enfermedad. La
epidemiología ocupacional, se orienta a la identificación de las causas de las
enfermedades y lesiones resultantes de las exposiciones ocurridas en el sitio de trabajo.
Son varios los modelos de causalidad propuestos, mencionaremos al “El Modelo de
Rothman”, como ejemplo y desarrollaremos a continuación.
Este modelo define como “causa suficiente” a un grupo de condiciones y acontecimientos
mínimos que, inevitablemente inician o producen la enfermedad. El modelo es
determinista, porque supone que la enfermedad puede tener una o más causas
suficientes (CS), cada una de las cuales determina la enfermedad, es decir diferentes
conjuntos de causas pueden interactuar y producir el mismo evento.
Dicho de otro modo, una causa es suficiente cuando la enfermedad es observada en los
individuos que presentan la causa, no obstante, la causa no se observa en todos los
individuos con la enfermedad porque existen otras causas para ella. Por ejemplo, el hábito
de fumar cigarrillos es una causa del cáncer de pulmón, pero éste también es causado por
la exposición a las fibras de asbesto o al gas radón.
Cada CS está compuesta por un grupo de causas componentes (CC). La presencia de una
CC aumenta la probabilidad de que la enfermedad se produzca, es decir la presencia de CC
equivale a la presencia de los factores de riesgo. Para este modelo una causa se denomina
“necesaria” (CN) cuando ésta siempre debe anteceder una enfermedad. Una causa es
necesaria cuando debe estar presente en los individuos para contraer la enfermedad, sin
embargo, su presencia no siempre conduce al desarrollo de enfermedad. Por ejemplo el
bacilo de la tuberculosis (Mycobacterium bacillus) debe estar presente para causar la
tuberculosis, pero, la aparición de la tuberculosis no siempre se observa en los individuos
portadores del bacilo.
1
Figura 1. La figura muestra una enfermedad que tiene 3 complejas causas suficientes, cada
una de 5 causas componentes. “A” es una causa necesaria ya que esta aparece como
miembro de cada causa suficiente. “B”, “C” y, “F” no son causas necesarias ya que ellas no
aparecen en todas las 3 causas suficientes.
2
atención médica y la nutrición son ejemplos de factores cuya ausencia podrían facilitar la
manifestación de las enfermedades y que apoyan la recuperación en su presencia.
Los errores en los estudios epidemiológicos conducen a un cálculo sesgado del estimador
de riesgo y a inferencias incorrectas acerca de la relación entre el factor de riesgo y la
enfermedad bajo investigación. Un estudio es válido cuando sus resultados corresponden
a la verdad. Al reducir al mínimo los errores, en las etapas de planificación y de ejecución
del estudio, el investigador tiene más fuerza para llegar a la conclusión de que los
resultados representan el valor verdadero.
Sólo los estudios con resultados válidos son útiles para el proceso de inferencia causal.
3
Una fuente principal de este tipo de error es el proceso de establecer la muestra de
estudio. Esta forma de error aleatorio también se conoce como error de muestreo. La
principal forma de reducir el error aleatorio es agrandar el tamaño muestral en estudio.
Esto aumentará la precisión del cálculo de riesgo y por consiguiente, del estudio.
2. El error sistemático es el resultado de los defectos en el método de selección de los
participantes en estudio o en los procedimientos de recolección de información
pertinente a la exposición o enfermedad. En consecuencia, los resultados observados del
estudio tenderán a ser diferentes de los resultados verdaderos. Esta tendencia hacia los
resultados erróneos es llamada sesgo.
Minimizar el sesgo aumentará la validez del cálculo de riesgo.
La Figura 2 muestra los efectos de los errores aleatorios y sistemáticos sobre los cálculos
de riesgo. El error aleatorio conduce a la imprecisión en el cálculo de riesgo. Puede
observarse que los cálculos de riesgo a menudo rodean la verdad (punto central) pero se
propagan aleatoriamente alrededor de ello. En contraste, el error sistemático no afecta la
precisión del cálculo de riesgo. Sin embargo, esto conduce a la generación de cálculos de
riesgo que sistemáticamente son diferentes de la verdad.
Figura 2. Validez y Precisión
4
3.2.2. Sesgos
Como se mencionó anteriormente, el sesgo es una desviación sistemática de los
resultados o las inferencias del valor verdadero. El sesgo en los estudios epidemiológicos
puede clasificarse en dos tipos principales: el sesgo de selección y de información.
El sesgo de selección ocurre cuando hay diferencias entre los que participan en el estudio
y aquellos que no participan, y esas diferencias tienen un efecto sobre el cálculo de riesgo,
desviándolo de su valor verdadero. Estas diferencias introducen un sesgo en el cálculo de
riesgo cuando sus características se relacionan sistemáticamente con la exposición o
enfermedad bajo estudio.
Al planificar un estudio epidemiológico, el investigador debe identificar si existe el
potencial para la ocurrencia de algún tipo de sesgo y encontrar las maneras de reducirlo.
Existen muchas maneras en que se puede introducir un sesgo de selección al estudio.
Algunos ejemplos son: 1) La percepción o el conocimiento del tema del estudio influye en
5
el deseo de participar de los sujetos (Ej.: el uso de las drogas o el alcohol); 2) Un deficiente
marco de muestreo que excluye sistemáticamente a un grupo de sujetos con
características similares (Ej.: realizar entrevistas por teléfono en un distrito donde aquellos
pertenecientes a los estratos socioeconómicos bajos no tienen teléfonos); 3) Los
voluntarios (Ej.: usualmente los voluntarios tienen una motivación especial para participar
en un estudios como una mayor percepción de riesgo o un alto nivel educacional).
Un caso especial de sesgo de selección en los estudios ocupacionales es el efecto del
trabajador saludable. Los trabajadores generalmente presentan tasas de mortalidad
general inferiores que la población en general, esto porque el enfermo grave y los
discapacitados crónicos son generalmente excluidos del empleo. Los trabajadores son más
saludables que la población en general, por tanto, las tasas de mortalidad de la población
general no son comparables con las tasas de la población laboral.
El sesgo de información es una falla en la medición de los factores de riesgo o los datos de
enfermedad que da lugar a una calidad diferente de la información entre los grupos de
comparación. Esto conduce a una medida de la variable de estudio que es diferente de su
valor verdadero y puede producir una clasificación errónea de los sujetos de estudio con
respecto a la exposición, la enfermedad o ambos. La presencia del sesgo de información
tiene un efecto en el cálculo de riesgo desviándolo de su valor verdadero.
Existen muchas maneras en que se puede incluir un sesgo de información al estudio.
Algunos ejemplos incluyen: 1) Cuando hay una medida incorrecta de la variable de estudio
(Ej.: El esfigmomanómetro no esta calibrado); 2) El entrevistador subconscientemente o
conscientemente busca y recolecta datos selectivamente (Ej.: sesgo del entrevistador); 3)
Los sujetos de estudio tienen una memoria inexacta o incompleta de los eventos o
experiencias pasadas relacionadas con la pregunta de estudio (Ej.: sesgo del memoria).
3.2.3. Confusión
La confusión es otra fuente de error en los estudios epidemiológicos. Ocurre cuando hay
un tercera variable que puede causar la enfermedad en estudio y que a su vez está
asociada con el factor de riesgo bajo investigación. A menos que sea posible ajustar el
efecto de confusión de esta tercera variable, sus efectos no pueden distinguirse de los del
factor de riesgo en estudio.
La figura 4 intenta explicar esta relación. El asbesto es un factor de riesgo conocido del
cáncer de pulmón. También el hábito de fumar cigarrillos es un factor de riesgo del cáncer
de pulmón. Tanto el hábito de fumar como la exposición al asbesto son factores de riesgo
del cáncer de pulmón, la confusión ocurrirá si la distribución del fumar en los sujetos de
estudio varia concurrentemente con la distribución de la exposición al asbesto. Por
ejemplo si los que fumaron son también aquellos que están más expuestos al asbesto.
Para calcular apropiadamente la magnitud de la asociación entre el asbesto y el cáncer de
pulmón es importante reducir el efecto de confusión introducido por el hábito de fumar. A
menudo, más de una variable puede introducir confusión. La confusión tiene el mismo
efecto sobre los cálculos de riesgo que el sesgo.
Produciendo una desviación de los cálculos de riesgo del verdadero valor, aunque no es
un sesgo.
Figura 4. Efecto de confusión del fumar cigarrillos en la relación entre la
6
exposición a asbestos y el cáncer de pulmón
7
Finalmente, los datos derivados de la investigación epidemiológica se usan para la toma
de decisiones. Por ejemplo, los organismos reguladores dependen de los datos
epidemiológicos cuando proponen los límites de exposición laboral. De ahí la importancia
de realizar estudios epidemiológicos que estén libres de sesgos y de comprender el
impacto de los retos que conlleva el proceso de inferencia causal.
8
información que los estudios epidemiológicos no pueden generar debido a su naturaleza
observacional.
4. Referencias Bibliograficas
- Armstrong BK, White E, Saracci R. Principles of exposure measurement in
epidemiology. Oxford Medical Publications. New York. 1992
- Beaglehole R, Bonita R, Kjellstrom T. Basic epidemiology. World Health
Organization. Geneva. 1993
- Gordis L. Epidemiology. WB Saunders Company. Philadelphia. 1996
- Last JM. A dictionary of epidemiology. Oxford University Press. New York.
2001
- Rothman KJ. Modern epidemiology. Little, Brown and Company.
Boston/Toronto, 1986.
- Szklo M, Nieto FJ. Epidemiology, beyond the basics. Aspen Publishers, Inc.
Maryland, 2000.
http://www.cepis.ops-oms.org/cursoepi/e/pdf/modulo3.pdf