1. Dr. José J. Hernández
Centro de Información de Medicamentos e Investigación
Escuela de Farmacia
Universidad de Puerto Rico
JJH_UASLP_2011 1

2. Epidemiologia
Definición: Estudio de la distribución y determinantes
de enfermedad, lesión, o cualquier otro asunto
relacionado a la salud en poblaciones de humanos
Componentes de la epidemiologia:
Epidemiologia descriptiva
Epidemiologia analítica
JJH_UASLP_2011 2

3. Epidemiologia
Descriptiva
Identifica y reporta el patrón y la frecuencia de eventos
relacionados a la salud en una población
Ayuda en la generación de hipótesis
Ayuda en la localización de recursos
Ayuda en la planificación y evaluación de programas de
salud
Analítica
Se centra en la búsqueda de los determinantes de
eventos relacionados a la salud en una población
JJH_UASLP_2011 3

4. Ciclo de análisis epidemiológicos
Formulación
Estudios de hipótesis y
descriptivos estructura de
modelos
Formulación
Estudios
de nuevas
analíticos
hipótesis o
para
nuevos
corroborar
estudios
hipótesis
descriptivos
Análisis de
resultados
JJH_UASLP_2011 4

5. Epidemiologia descriptiva
Caracteriza la distribución de eventos relacionados a la
salud a nivel de:
Persona (edad, raza, educación, etc.)
Lugar (localización geográfica, características de la
geografía, densidad poblacional)
Tiempo (1900 versus 2000 / mañana versus noche)
JJH_UASLP_2011 5

6. Epidemiologia descriptiva
• Ejemplo 1‐ Reporte:
• 200 casos de dengue en Puerto Rico en 2007
• 70 casos de dengue en Guadalupe en 2007
• Ejemplo 2‐ Comparación:
• En cual de los dos países el problema es mayor?
• Puerto Rico
• Guadalupe
JJH_UASLP_2011 6

7. Epidemiologia descriptiva
• Población en PR n=400,000
• 200 casos de dengue en PR en 2007
• Prevalencia de dengue en PR = 200/400000 = 0.5 casos
por cada 1,000 puertorriqueños
• Población en Guadalupe n=70,000
• 70 casos de dengue en Guadalupe en 2007
• Prevalencia de dengue en Guadalupe = 70/70000 = 1
caso por cada 1,000 guadalupeños
JJH_UASLP_2011 7

8. Definiciones importantes
Caso
Ratio
Proporción
Rate
Prevalencia
Incidencia
JJH_UASLP_2011 8

9. Caso
Es como definimos lo que buscamos medir
Se puede medir por medio de:
Sistemas de vigilancia
Encuestas estructuradas
Base de datos
La definición de casos es esencial
Ejemplo: ADRs por medio de reportes médicos,
encuestas a pacientes, análisis de sangre, etc.
JJH_UASLP_2011 9

10. Ratio, proporciones y rates
Ratio‐ División de cualquier numero entre otro
numero
Proporción‐ Es un ratio en donde los componentes del
numerador están incluidos en el denominador
Rate‐ Es un ratio en donde los componentes del
numerador están incluidos en el denominador, y los
componentes del denominador estan a riesgo de entrar
al numerador
JJH_UASLP_2011 10

11. Prevalencia
Prevalencia mide la proporción de individuos en la
población que tienen la variable de interés en un
tiempo definido
Ejemplo:
Personas de la clase farmacia 2014en el RCM que han tomando
APAP 500mg durante el mes de septiembre de 2008
JJH_UASLP_2011 11

12. Incidencia
Incidencia mide numero de casos nuevos en una
población a riesgo durante un tiempo definido
Tipos de incidencia:
Cumulative incidence
# de nuevos usuarios de ASA en PR durante 2007
# de IDs que no usan ASA en PR a principios de 2007
Incidence density
# de nuevos usuarios de ASA en PR durante 2007
# de “person‐time” a riesgo de tomar ASA durante 2007
JJH_UASLP_2011 12

13. Cumulative incidence and incidence density
Cuando son similares el “cumulative incidence” y el
“incidence density”?
La incidencia es baja
Periodo de observación es corto
Como se relacionan la prevalencia y la incidencia:
Prevalence = Incidencia x Duracion
JJH_UASLP_2011 13

14. JJH_UASLP_2011 14

15. Comparación de la incidencia de CHF
entre individuos diabéticos que usan o
no usan insulina
RESULTADO
(CHF)
+ --
EXPOSICION
(INSULIN)
88 68
+
62 82
--
JJH_UASLP_2011 15

16. Diferencia en Riesgo
RESULTADO (CHF)
+ --
EXPOSICION
(INSULIN) 88 68
+
62 82
--
Incidencia de CHF entre los usuarios de insulina = 88 / 156 = 0.56
Incidencia de CHF entre los no-usuarios de insulina = 62 / 144 = 0.43
Diferencia en riesgo= Exceso de riesgo entre un grupo expuesto y uno no expuesto
Diferencia en riesgo = 0.56 – 0.43 = 0.13
JJH_UASLP_2011 16

17. ¿El uso de Insulina en Pacientes Diabéticos esta asociado a
un Aumento en el Riesgo de Desarrollar CHF?
RESULTADO (CHF)
+ --
EXPOSICION
88 68
(INSULIN)
+
62 82
--
Riesgo Relativo (no-ajustado) = 1.30
JJH_UASLP_2011 17

18. Riesgo Relativo (RR)
RESULTADO
+ --
EXPOSICION
A B A / A+B
+
= RR
C D C / C+D
--
En estudios prospectivos, ya sean
estudios RCT o cohortes se debe usar
riesgo relativo como medida de
asociación
JJH_UASLP_2011 18

19. Odds Ratio (OR)
RESULTADO CHF
+ -- + --
EXPOSICION
A B 88 68
INSULINA
+
+
C D 62 82
--
A/C / B/D --
OR = 1.71
A*D / B*C = OR
En estudios caso‐control utilice
el “odds ratio”
JJH_UASLP_2011 19

20. ¿Cuando el RR y el OR son similares?
Cuando el resultado que se mide es poco común, ya que
A y C son pequeñas relativo a D y B.
RR= (A / (A+B)) / (C / (C+D))
En condiciones raras la ecuación para calcular RR se
reduce a RR = (A / B) / (C / D) o (A * D) / (B * C)
Esta formula es idéntica a la formula de los OR
Entonces cuando se estudian condiciones raras el OR es
una buena aproximación del RR
JJH_UASLP_2011 20

21. JJH_UASLP_2011 21

22. Características de Enfermedades que
Ameritan Pruebas de Cernimiento
Fase asintomática
Altamente prevalente
Alta severidad
Tratamiento para fase inicial disponible
JJH_UASLP_2011 22

23. Medidas Utilizadas para Describir
Pruebas de Cernimiento
Sensibilidad
Validez de la prueba
Especificidad
Valor predictivo positivo
Inferencias sobre la prueba
Valor predictivo negativo
JJH_UASLP_2011 23

24. Cálculos
ESTADO REAL
ENFERMEDAD NO ENFERMEDAD
+
PRUEBA
A B A + B
‐ C D C + D
A + C B + D
A/(A+B) = VPP A/(A+C)=Sensibilidad
D/(C+D) = VPN D/(D+B)=Especificidad
JJH_UASLP_2011 24

25. JJH_UASLP_2011 25

26. Outline
Why we perform epidemiologic studies?
Association versus causation
Bias
Confounding
Random Error
Validity
Conclusion
JJH_UASLP_2011 26

27. Types of error
Types of measurement errors in scientific studies:
Systematic error:
Bias
Selection bias
Information bias
Confounding
Third variable
Non‐systematic error:
Random error
Measurement
Sampling
JJH_UASLP_2011 27

28. Deriving Inferences from Epidemiologic Studies
Coffee Pancreatic Cancer
Clinical Observations
Available Data
Case-control studies
Cohort Studies
Randomized Trials
Estimate odds ratio
or relative risk
RR = 3.0
p < 0.05
JJH_UASLP_2011 28

29. Guidelines for judging whether and
association is causal
1. Temporal relationship
2. Strength of the association
3. Dose‐response relationship
4. Replication of the findings
5. Biological Plausibility
6. Consideration of alternative explanations
7. Cessation of exposure
8. Specificity of the association
9. Consistency with other knowledge
JJH_UASLP_2011 29

30. Bias
“Bias is a systematic error in the design, conduct or
analysis of a study that results in a mistaken estimate
of an exposure’s effect on the risk of disease”
J.J. Schlesselman‐1982
JJH_UASLP_2011 30

31. Types of Bias
Selection Bias
A higher or lower rate of the outcome is observed in the
exposure group because of the selection method
Information bias
A higher or lower rate of the outcome is observed in the
exposure group because of an inadequate way of
obtaining information about the subjects
JJH_UASLP_2011 31

32. Selection Bias
HRT ↓CHD
CHD CHD CHD
HRT‐Yes HRT 40 60 100
No CHD HRT 70 30 100
110 90 200
RR = 0.57
CHD
HRT‐No
P < 0.05
No CHD
JJH_UASLP_2011 32

33. Selection bias
• Healthy‐user bias occurs when individuals who
choose to use a treatment are healthier, more
affluent and better educated than those who
choose not to use the treatment
• Prevalent user bias occurs if the risk of events
change as function of time, and the investigator
does not take into account time of exposure
JJH_UASLP_2011 33

34. Information Bias
Drug A Teratogenic effect
Drug A
D D Baby with
malformation
E 15 30 45
No Drug A
Ē 5 30 35
20 60 80 Drug A
Baby with no
OR = 3.0
malformation
No Drug A
P < 0.05
JJH_UASLP_2011 34

35. Information bias
Recall bias occurs when individuals remember
better an exposure event given the outcome
Misclassification bias occurs when individuals are
erroneously classified as exposed or non‐exposed
or as cases or non‐cases
JJH_UASLP_2011 35

36. Confounding
In a study of whether factor A is a cause of disease B,
we say that a third factor, factor X, is a confounder if
the following are true:
Factor X is a known risk factor for disease B
Factor X is associated with factor A but is not a result of
factor A
JJH_UASLP_2011 36

37. Confounding
Factor A: Accutane
Factor B: ↑Suicide
A B
Factor X: Depression
X
Use of Accutane increase suicide rates?
Individuals taking Accutane are more likely to be
depressed and is depression what cause a higher
suicide rate
JJH_UASLP_2011 37

38. Confounding
Accutane
Accutane ↑Suicide
D D Suicide
OR = 2
E 10 10 20 No Accutane
Ē 4 10 14 D D
14 20 34 E 15 30 45
OR = 3.0
No Depression Ē 5 30 35 P < 0.05
D D 20 60 80
E 3 12 15 Accutane
OR = 2
Ē 3 28 31 No Suicide
6 40 46
No Accutane
JJH_UASLP_2011 38

39. Random error
“Leads to a false association between the exposure and
disease that arise from “chance” an uncontrollable
force that seems to have no assignable cause”
J.P. Pickett ‐ 2000
JJH_UASLP_2011 39

40. Random error
When p‐value < 0.05 random error is a unlikely
explanation of observed results
There is a 5% of reaching an erroneous conclusion by
chance
JJH_UASLP_2011 40

41. Validity
Bias
Population Study Sample Confounding
Random error
Internal Validity
JJH_UASLP_2011 41

42. Validity
Bias
S
Population Study Sample Confounding
Random error
Internal validity but no external validity
JJH_UASLP_2011 42

43. Validity
Bias
Population Study Sample Confounding
Random error
Internal validity and external validity
JJH_UASLP_2011 43

44. Conclusions
Methodology of epidemiological studies should always
be evaluated for potential bias and confounding
Bias should be minimized at the study design level
A researcher can always adjust for a potential
confounder
Random error is always present in epidemiological
studies
JJH_UASLP_2011 44

45. Conclusions
Internal validity increases with less bias and
confounding
External validity increases with sample representation
of the true population
Internal validity is necessary for external validity but
not sufficient
JJH_UASLP_2011 45

46. Preguntas?
JJH_UASLP_2011 46