Lectura critica de un articulo sobre pronostico(share)
1. Lectura crítica de un artículo sobre pronóstico Rafael Bravo Toledo* y Beatriz Flores Anton ** *área 10 de atención primaria, Getafe. ** Servicio de Pediatría. Hospital Universitario de Fuenlabrada SERMAS. Madrid
6. La pregunta clínica O utcomes Resultado de interés I ntervención o factores de riesgo C omparación P aciente 28/04/10 cc Rafael Bravo y Beatriz Flores
26. 2) ¿Fue completo el seguimiento de los pacientes? Respuesta: SI NO parcialmente No sabe 28/04/10 cc Rafael Bravo y Beatriz Flores
27. 3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? 3.1. Evaluación objetiva 28/04/10 cc Rafael Bravo y Beatriz Flores
28. 3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? 3.1. Evaluación objetiva 3.2. Evaluación enmascarada 28/04/10 cc Rafael Bravo y Beatriz Flores
29. 3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? Respuesta: SI NO parcialmente No sabe 28/04/10 cc Rafael Bravo y Beatriz Flores
30.
31.
32.
33. B. ¿CUÁLES SON LOS RESULTADOS? 28/04/10 cc Rafael Bravo y Beatriz Flores
42. Odds ratio OR = 20/180 / 15/85 = 20 * 85 / 15 * 180 = 0,63 V. Abraira Revista SEMERGEN 2001; 27 (8) : 418 - 420 RR = 20/200 / 15/100 = 20 * 100 / 15 * 200 = 0,66 28/04/10 cc Rafael Bravo y Beatriz Flores
43. Odds ratio En un estudios de cohorte , la OR es el cociente entre la oportunidad de enfermedad del grupo expuesto y la oportunidad de enfermedad del grupo no expuesto 28/04/10 cc Rafael Bravo y Beatriz Flores
44.
45.
46.
47. C ) ¿Son aplicables estos resultados? 28/04/10 cc Rafael Bravo y Beatriz Flores
48.
49.
50.
Notas del editor
Go back to the three questions you wrote down about our patient. Are they “background” or “foreground” questions? Do your “background” questions specify the two components (root with verb and condition) Do your “foreground” questions contain three or four components (patient/problem, intervention, comparison, and outcome)? If not, try rewriting them to include these components, and consider whether these revised questions are clearer.
Pon Lee el artículo y contesta a las siguientes preguntas: 1. ¿Es la eosinofilia un factor pronóstico de desarrollo de asma en pacientes con bronquiolitis? 2. ¿Crees que tu paciente tiene un riesgo aumentado de asma, por la presencia de eosinofilia? er ejemplo a elegir
¿
Adolescent Adult Age Distribution Age Factors Asthma/blood Asthma/diagnosis Asthma/etiology* Asthma/physiopathology Bronchiolitis/blood Bronchiolitis/complications* Bronchiolitis/physiopathology Bronchiolitis, Viral/blood Bronchiolitis, Viral/complications* Bronchiolitis, Viral/physiopathology Bronchiolitis, Viral/virology Child Child, Preschool Eosinophilia/blood Eosinophilia/complications* Eosinophilia/physiopathology* Eosinophilia/virology Follow-Up Studies Humans Infant Leukocyte Count Logistic Models Odds Ratio Predictive Value of Tests Prospective Studies Recurrence Respiratory Sounds/etiology* Respiratory Syncytial Virus, Human* Risk Assessment Risk Factors Time Factors
Adolescent Adult Age Distribution Age Factors Asthma/blood Asthma/diagnosis Asthma/etiology* Asthma/physiopathology Bronchiolitis/blood Bronchiolitis/complications* Bronchiolitis/physiopathology Bronchiolitis, Viral/blood Bronchiolitis, Viral/complications* Bronchiolitis, Viral/physiopathology Bronchiolitis, Viral/virology Child Child, Preschool Eosinophilia/blood Eosinophilia/complications* Eosinophilia/physiopathology* Eosinophilia/virology Follow-Up Studies Humans Infant Leukocyte Count Logistic Models Odds Ratio Predictive Value of Tests Prospective Studies Recurrence Respiratory Sounds/etiology* Respiratory Syncytial Virus, Human* Risk Assessment Risk Factors Time Factors
¿ qué tipo de estudios proporciona la mejor información sobre el pronóstico de un grupo de individuos o población con un problema de salud determinado o un factor de riesgo? Una revisión sistemática que combinara los resultados de todos los estudios sobre pronóstico de una determinada condición sería sin duda la mejor fuente de información. Sin embargo este tipo de artículos de revisión son escasos en la literatura Hay que recurrir a estudios individuales como los estudios de cohortes que consisten en la selección de una población con ciertas características con un seguimiento en el tiempo y monitorización del evento de interés, y que representan el paradigma de los estudios de pronóstico. Los ensayos clínicos, en particular si el grupo control no recibe tratamiento activo, también pueden proporcionar información sobre el pronóstico de determinada condición, aunque en estos casos los criterios de inclusión suelen ser restrictivos, lo que reduce la validez externa de los resultados. Los estudios de casos y controles en los que se mide la exposición a un factor de forma retrospectiva, una vez ocurrido el evento de interés, son especialmente útiles en los casos en los que el evento ocurre de forma infrecuente o requiere un largo tiempo de seguimiento. Sin embargo la fuerza de la evidencia derivada de este tipo de estudios se encuentra limitada por los potenciales sesgos de selección y de medida inherentes a este tipo de diseño.
salud pública de méxico / vol.42, no.3, mayo-junio de 2000 Los estudios de cohorte histórica reconstruyen la experiencia de la cohorte en el tiempo, por esta razón dependen de la disponibilidad de registros para establecer exposición y resultado. Una aplicación frecuente de una cohorte histórica son los estudios de exposición ocupacional, donde se reconstruye la exposición y frecuencia de eventos en un grupo ocupacional o empresa durante un periodo determinado. La validez del estudio dependerá en gran medida de la calidad de los registros utilizados. En contraste, en las cohortes prospectivas es el investigador quien documenta la ocurrencia del evento en tiempo venidero en la población en estudio, por lo que la exposición y resultado se valoran de manera concurrente, y la calidad de las mediciones puede ser controlada por los investigadores. Sesgos de selección 1. Sesgo de Neymann (de prevalencia o incidencia): Se produce cuando la condición en estudio determina pérdida prematura por fallecimiento de los sujetos afectados por ella. Ejemplo: Supongamos un grupo de 1.000 personas portadoras de hipertensión arterial (factor de riesgo de accidente vascular cerebral (AVC)) y 1.000 no hipertensas, que son seguidas a lo largo del tiempo en un estudio prospectivo de 10 años, el que intenta establecer el grado de asociación entre estas dos condiciones. Se tiene lo siguiente después de 10 años (tabla 1): Tabla 1. Accidentes vasculares cerebrales detectados en un seguimiento de 10 años, según presencia de hipertensión arterial Accidente vascular Cerebral HTA No Fatal fatal No sufren AVE Total + 50 250 700 1000 - 80 20 900 1000 130 270 1600 2000 De este cuadro se desprende la intensa asociación entre hipertensión y eventos cerebrovasculares, tanto en muertes como en episodios no mortales. Si a partir de los pacientes que han experimentado episodios de AVE, se desea establecer retrospectivamente el grado de asociación de esta complicación con la hipertensión, entre quienes sobreviven, se tiene la siguiente situación (Tabla 2): Tabla 2. Frecuencia de hipertensión arterial según antecedente de accidente vascular cerebral Pacientes vivos después de 10 años FactorCasos Controles Total HTA +50 700 750 HTA -80 900 980 130 1600 1730 En este caso, la medida epidemiológica de asociación (odds ratio) arroja un valor de 0,80, vale decir, el factor de "riesgo" hipertensión aparece reduciendo el riesgo de presentar un accidente vasculares encefálico. Este hallazgo deriva de la no incorporación en el análisis de los sujetos que fallecen prematuramente por enfermedad cerebrovascular en el lapso de observación señalado 3 . 2. Sesgo de Berkson (de admisión). Este sesgo, conocido como "falacia de Berkson", fue descrito en 1946 a partir de la existencia de asociación negativa entre cáncer (variable dependiente) y tuberculosis pulmonar. En este estudio, los pacientes casos correspondieron a pacientes con cáncer y sus controles fueron obtenidos a partir de pacientes hospitalizados por otras causas. El estudio reportó baja frecuencia de pacientes cancerosos con antecedente de tuberculosis, comparados con los sujetos controles, con un valor de odds ratio inferior a uno, señalando la paradójica conclusión acerca de la tuberculosis como factor de protección para el cáncer. La dificultad en interpretar este hallazgo derivaba de la baja frecuencia de tuberculosis entre los hospitalizados por cáncer, lo que no significa que entre estos enfermos la frecuencia de la enfermedad fuera menor. 3) Sesgo de no respuesta o efecto del voluntario. El grado de interés o motivación que pueda tener un individuo que participa voluntariamente en una investigación puede diferir sensiblemente en relación con otros sujetos. En el primer caso puede existir por ejemplo un mayor compromiso o motivación con respecto a la información solicitada. Igualmente, la negativa de algunos sujetos para ser incluidos en un estudio puede estar dada por motivaciones sistemáticas experimentadas por ellos. Por ejemplo, si un cuestionario indaga por hábito tabáquico en el contexto de una exploración acerca de enfermedad pulmonar, pueden rechazar su participación individuos que presentan problemas respiratorios y se automarginan para no ser sancionados socialmente o bien, pueden excluirse sujetos fumadores que se sienten sanos y no desean ser evaluados. 4) Sesgo de membresía (o de pertenencia) Se produce cuando entre los sujetos evaluados se presentan subgrupos de sujetos que comparten algún atributo en particular, relacionado positiva o negativamente con la variable en estudio. Por ejemplo, el perfil de hábitos y costumbres de vida de los médicos puede diferir sensiblemente al de la población general, de tal manera que incorporar una gran cantidad de sujetos con esta profesión en un estudio puede determinar hallazgos condicionados por este factor 4 . 5) Sesgo del procedimiento de selección Puede observarse en diseños de investigación experimentales (ensayos clínicos controlados), en los cuales no se respeta el principio de aleatoriedad en la asignación a los grupos de experimentación y de estudio.
1) ¿Se reunió una muestra adecuada de pacientes? 1.1. Definición del problema. En primer lugar, debe quedar claramente establecido y delimitado el problema objeto de estudio, se deben definir de forma explícita y estandarizada los criterios de diagnóstico de la patología o la enfermedad objeto del estudio pronóstico. 1.2. Diseño del estudio pronóstico. Se debe comprobar que el tipo de diseño es el más adecuado para responder a la pregunta planteada. Como se indicó arriba, los estudios de cohorte y los ensayos clínicos son los diseños más adecuados. 1.3. Selección de la muestra. Se debe valorar si la selección de la muestra de la población con la condición particular que se estudia es representativa, para no incurrir en sesgos de selección, lo que invalidaría, o al menos limitaría, la validez de los resultados. Esto significa que la muestra debería incluir todo el espectro de gravedad de la enfermedad en un momento dado, con objeto de que la muestra sea lo más representativa del conjunto de pacientes que padecen la enfermedad. Además, los distintos criterios de gravedad deberían estar claramente diferenciados y definidos. 1.4. Momento del inicio del seguimiento. Se debe valorar si los miembros de la cohorte afectos se encuentran en el mismo tiempo de evolución del proceso: por ejemplo, los resultados pueden ser muy dispares si la selección incluye tanto a pacientes incidentes como a prevalentes para una determinada condición. Por ejemplo, si el seguimiento incluye a pacientes prevalentes, puede ocurrir que algunos pacientes hayan fallecido o que otros se hayan recuperado antes de poder ser incluidos en el estudio. Por tanto, se debe comprobar que se incluyeron los pacientes del estudio en un momento uniformemente precoz de la enfermedad o de la situación objeto del estudio, idealmente desde el principio. Ejemplos de ello sería la fecha del trasplante renal en pacientes trasplantados o la fecha de inicio de tratamiento renal sustitutivo en pacientes con insuficiencia renal terminal.
1) ¿Se reunió una muestra adecuada de pacientes? 1.1. Definición del problema. En primer lugar, debe quedar claramente establecido y delimitado el problema objeto de estudio, se deben definir de forma explícita y estandarizada los criterios de diagnóstico de la patología o la enfermedad objeto del estudio pronóstico. 1.2. Diseño del estudio pronóstico. Se debe comprobar que el tipo de diseño es el más adecuado para responder a la pregunta planteada. Como se indicó arriba, los estudios de cohorte y los ensayos clínicos son los diseños más adecuados. 1.3. Selección de la muestra. Se debe valorar si la selección de la muestra de la población con la condición particular que se estudia es representativa, para no incurrir en sesgos de selección, lo que invalidaría, o al menos limitaría, la validez de los resultados. Esto significa que la muestra debería incluir todo el espectro de gravedad de la enfermedad en un momento dado, con objeto de que la muestra sea lo más representativa del conjunto de pacientes que padecen la enfermedad. Además, los distintos criterios de gravedad deberían estar claramente diferenciados y definidos. 1.4. Momento del inicio del seguimiento. Se debe valorar si los miembros de la cohorte afectos se encuentran en el mismo tiempo de evolución del proceso: por ejemplo, los resultados pueden ser muy dispares si la selección incluye tanto a pacientes incidentes como a prevalentes para una determinada condición. Por ejemplo, si el seguimiento incluye a pacientes prevalentes, puede ocurrir que algunos pacientes hayan fallecido o que otros se hayan recuperado antes de poder ser incluidos en el estudio. Por tanto, se debe comprobar que se incluyeron los pacientes del estudio en un momento uniformemente precoz de la enfermedad o de la situación objeto del estudio, idealmente desde el principio. Ejemplos de ello sería la fecha del trasplante renal en pacientes trasplantados o la fecha de inicio de tratamiento renal sustitutivo en pacientes con insuficiencia renal terminal.
1) ¿Se reunió una muestra adecuada de pacientes? 1.1. Definición del problema. En primer lugar, debe quedar claramente establecido y delimitado el problema objeto de estudio, se deben definir de forma explícita y estandarizada los criterios de diagnóstico de la patología o la enfermedad objeto del estudio pronóstico. 1.2. Diseño del estudio pronóstico. Se debe comprobar que el tipo de diseño es el más adecuado para responder a la pregunta planteada. Como se indicó arriba, los estudios de cohorte y los ensayos clínicos son los diseños más adecuados. 1.3. Selección de la muestra. Se debe valorar si la selección de la muestra de la población con la condición particular que se estudia es representativa, para no incurrir en sesgos de selección, lo que invalidaría, o al menos limitaría, la validez de los resultados. Esto significa que la muestra debería incluir todo el espectro de gravedad de la enfermedad en un momento dado, con objeto de que la muestra sea lo más representativa del conjunto de pacientes que padecen la enfermedad. Además, los distintos criterios de gravedad deberían estar claramente diferenciados y definidos. 1.4. Momento del inicio del seguimiento. Se debe valorar si los miembros de la cohorte afectos se encuentran en el mismo tiempo de evolución del proceso: por ejemplo, los resultados pueden ser muy dispares si la selección incluye tanto a pacientes incidentes como a prevalentes para una determinada condición. Por ejemplo, si el seguimiento incluye a pacientes prevalentes, puede ocurrir que algunos pacientes hayan fallecido o que otros se hayan recuperado antes de poder ser incluidos en el estudio. Por tanto, se debe comprobar que se incluyeron los pacientes del estudio en un momento uniformemente precoz de la enfermedad o de la situación objeto del estudio, idealmente desde el principio. Ejemplos de ello sería la fecha del trasplante renal en pacientes trasplantados o la fecha de inicio de tratamiento renal sustitutivo en pacientes con insuficiencia renal terminal.
1) ¿Se reunió una muestra adecuada de pacientes? 1.1. Definición del problema. En primer lugar, debe quedar claramente establecido y delimitado el problema objeto de estudio, se deben definir de forma explícita y estandarizada los criterios de diagnóstico de la patología o la enfermedad objeto del estudio pronóstico. 1.2. Diseño del estudio pronóstico. Se debe comprobar que el tipo de diseño es el más adecuado para responder a la pregunta planteada. Como se indicó arriba, los estudios de cohorte y los ensayos clínicos son los diseños más adecuados. 1.3. Selección de la muestra. Se debe valorar si la selección de la muestra de la población con la condición particular que se estudia es representativa, para no incurrir en sesgos de selección, lo que invalidaría, o al menos limitaría, la validez de los resultados. Esto significa que la muestra debería incluir todo el espectro de gravedad de la enfermedad en un momento dado, con objeto de que la muestra sea lo más representativa del conjunto de pacientes que padecen la enfermedad. Además, los distintos criterios de gravedad deberían estar claramente diferenciados y definidos. 1.4. Momento del inicio del seguimiento. Se debe valorar si los miembros de la cohorte afectos se encuentran en el mismo tiempo de evolución del proceso: por ejemplo, los resultados pueden ser muy dispares si la selección incluye tanto a pacientes incidentes como a prevalentes para una determinada condición. Por ejemplo, si el seguimiento incluye a pacientes prevalentes, puede ocurrir que algunos pacientes hayan fallecido o que otros se hayan recuperado antes de poder ser incluidos en el estudio. Por tanto, se debe comprobar que se incluyeron los pacientes del estudio en un momento uniformemente precoz de la enfermedad o de la situación objeto del estudio, idealmente desde el principio. Ejemplos de ello sería la fecha del trasplante renal en pacientes trasplantados o la fecha de inicio de tratamiento renal sustitutivo en pacientes con insuficiencia renal terminal.
1) ¿Se reunió una muestra adecuada de pacientes? 1.1. Definición del problema. En primer lugar, debe quedar claramente establecido y delimitado el problema objeto de estudio, se deben definir de forma explícita y estandarizada los criterios de diagnóstico de la patología o la enfermedad objeto del estudio pronóstico. 1.2. Diseño del estudio pronóstico. Se debe comprobar que el tipo de diseño es el más adecuado para responder a la pregunta planteada. Como se indicó arriba, los estudios de cohorte y los ensayos clínicos son los diseños más adecuados. 1.3. Selección de la muestra. Se debe valorar si la selección de la muestra de la población con la condición particular que se estudia es representativa, para no incurrir en sesgos de selección, lo que invalidaría, o al menos limitaría, la validez de los resultados. Esto significa que la muestra debería incluir todo el espectro de gravedad de la enfermedad en un momento dado, con objeto de que la muestra sea lo más representativa del conjunto de pacientes que padecen la enfermedad. Además, los distintos criterios de gravedad deberían estar claramente diferenciados y definidos. 1.4. Momento del inicio del seguimiento. Se debe valorar si los miembros de la cohorte afectos se encuentran en el mismo tiempo de evolución del proceso: por ejemplo, los resultados pueden ser muy dispares si la selección incluye tanto a pacientes incidentes como a prevalentes para una determinada condición. Por ejemplo, si el seguimiento incluye a pacientes prevalentes, puede ocurrir que algunos pacientes hayan fallecido o que otros se hayan recuperado antes de poder ser incluidos en el estudio. Por tanto, se debe comprobar que se incluyeron los pacientes del estudio en un momento uniformemente precoz de la enfermedad o de la situación objeto del estudio, idealmente desde el principio. Ejemplos de ello sería la fecha del trasplante renal en pacientes trasplantados o la fecha de inicio de tratamiento renal sustitutivo en pacientes con insuficiencia renal terminal.
2) ¿Fue completo el seguimiento del paciente? 2.1. Duración del seguimiento. Se debe comprobar que el tiempo de seguimiento es suficientemente largo como para que ocurra el evento de interés. En caso contrario pueden quedar inadvertidos los efectos de determinadas exposiciones o factores de riesgo. Por el contrario, es muy valiosa la información si tras un tiempo de seguimiento muy prolongado apenas se han producido eventos. 2.2. Exhaustividad del seguimiento. Se debe comprobar que las pérdidas de seguimiento son pequeñas, o que al menos no tienen relación con el evento de interés. Habitualmente se acepta como cifra óptima de pérdidas de seguimiento un nivel inferior al 5% mientras que cifras superiores al 20% se consideran inaceptables. El problema surge cuando el motivo del abandono del seguimiento tiene que ver con el pronóstico, por ejemplo si el paciente muere, en cuyo caso se infringirían las premisas que subyacen a todos los análisis estadísticos de supervivencia, con la consecuencia de resultados sesgados. Por tanto, si el número de pérdidas de seguimiento es importante, se puede indagar si existen diferencias en algún factor pronóstico importante entre los que abandonan o se pierden de seguimiento, aunque esto sólo será posible si está documentada esta característica al inicio del seguimiento. Otra forma de ajustar consiste en realizar un análisis de sensibilidad suponiendo los escenarios más desfavorables (con el supuesto del «peor de los casos») y viendo en qué sentido y grado estos supuestos modifican la estimación de los resultados. Por ejemplo, en estos análisis se toman los casos perdidos en el seguimiento como fallecidos y se comparan sus resultados con los del análisis principal: si discrepan se pone en entredicho el resultado principal; si concuerdan, lo refuerzan.
2) ¿Fue completo el seguimiento del paciente? 2.1. Duración del seguimiento. Se debe comprobar que el tiempo de seguimiento es suficientemente largo como para que ocurra el evento de interés. En caso contrario pueden quedar inadvertidos los efectos de determinadas exposiciones o factores de riesgo. Por el contrario, es muy valiosa la información si tras un tiempo de seguimiento muy prolongado apenas se han producido eventos. 2.2. Exhaustividad del seguimiento. Se debe comprobar que las pérdidas de seguimiento son pequeñas, o que al menos no tienen relación con el evento de interés. Habitualmente se acepta como cifra óptima de pérdidas de seguimiento un nivel inferior al 5% mientras que cifras superiores al 20% se consideran inaceptables. El problema surge cuando el motivo del abandono del seguimiento tiene que ver con el pronóstico, por ejemplo si el paciente muere, en cuyo caso se infringirían las premisas que subyacen a todos los análisis estadísticos de supervivencia, con la consecuencia de resultados sesgados. Por tanto, si el número de pérdidas de seguimiento es importante, se puede indagar si existen diferencias en algún factor pronóstico importante entre los que abandonan o se pierden de seguimiento, aunque esto sólo será posible si está documentada esta característica al inicio del seguimiento. Otra forma de ajustar consiste en realizar un análisis de sensibilidad suponiendo los escenarios más desfavorables (con el supuesto del «peor de los casos») y viendo en qué sentido y grado estos supuestos modifican la estimación de los resultados. Por ejemplo, en estos análisis se toman los casos perdidos en el seguimiento como fallecidos y se comparan sus resultados con los del análisis principal: si discrepan se pone en entredicho el resultado principal; si concuerdan, lo refuerzan.
2) ¿Fue completo el seguimiento del paciente? 2.1. Duración del seguimiento. Se debe comprobar que el tiempo de seguimiento es suficientemente largo como para que ocurra el evento de interés. En caso contrario pueden quedar inadvertidos los efectos de determinadas exposiciones o factores de riesgo. Por el contrario, es muy valiosa la información si tras un tiempo de seguimiento muy prolongado apenas se han producido eventos. 2.2. Exhaustividad del seguimiento. Se debe comprobar que las pérdidas de seguimiento son pequeñas, o que al menos no tienen relación con el evento de interés. Habitualmente se acepta como cifra óptima de pérdidas de seguimiento un nivel inferior al 5% mientras que cifras superiores al 20% se consideran inaceptables. El problema surge cuando el motivo del abandono del seguimiento tiene que ver con el pronóstico, por ejemplo si el paciente muere, en cuyo caso se infringirían las premisas que subyacen a todos los análisis estadísticos de supervivencia, con la consecuencia de resultados sesgados. Por tanto, si el número de pérdidas de seguimiento es importante, se puede indagar si existen diferencias en algún factor pronóstico importante entre los que abandonan o se pierden de seguimiento, aunque esto sólo será posible si está documentada esta característica al inicio del seguimiento. Otra forma de ajustar consiste en realizar un análisis de sensibilidad suponiendo los escenarios más desfavorables (con el supuesto del «peor de los casos») y viendo en qué sentido y grado estos supuestos modifican la estimación de los resultados. Por ejemplo, en estos análisis se toman los casos perdidos en el seguimiento como fallecidos y se comparan sus resultados con los del análisis principal: si discrepan se pone en entredicho el resultado principal; si concuerdan, lo refuerzan.
3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? 3.1. Evaluación objetiva. Pocas veces el diagnóstico del evento es tan claro como en el caso de la muerte. En la mayoría de las ocasiones (como las causas de muerte, el rechazo agudo del injerto, las complicaciones cardiovasculares) los diagnósticos están sometidos a sesgos de medida y de clasificación y son necesarios criterios diagnósticos específicos, definidos de antemano. 3.2. Evaluación enmascarada. La evaluación del desenlace, de manera ideal, la deberían practicar clínicos que fueran desconocedores de las características de los pacientes y de sus factores pronósticos posibles. Por ejemplo, un patólogo que leyera una biopsia de un injerto renal para buscar criterios de rechazo agudo en un protocolo de investigación pronóstica debería estar enmascarado a los síntomas y determinaciones analíticas del paciente.
3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? 3.1. Evaluación objetiva. Pocas veces el diagnóstico del evento es tan claro como en el caso de la muerte. En la mayoría de las ocasiones (como las causas de muerte, el rechazo agudo del injerto, las complicaciones cardiovasculares) los diagnósticos están sometidos a sesgos de medida y de clasificación y son necesarios criterios diagnósticos específicos, definidos de antemano. 3.2. Evaluación enmascarada. La evaluación del desenlace, de manera ideal, la deberían practicar clínicos que fueran desconocedores de las características de los pacientes y de sus factores pronósticos posibles. Por ejemplo, un patólogo que leyera una biopsia de un injerto renal para buscar criterios de rechazo agudo en un protocolo de investigación pronóstica debería estar enmascarado a los síntomas y determinaciones analíticas del paciente.
3) ¿Se evaluaron los desenlaces de modo objetivo y enmascarado? 3.1. Evaluación objetiva. Pocas veces el diagnóstico del evento es tan claro como en el caso de la muerte. En la mayoría de las ocasiones (como las causas de muerte, el rechazo agudo del injerto, las complicaciones cardiovasculares) los diagnósticos están sometidos a sesgos de medida y de clasificación y son necesarios criterios diagnósticos específicos, definidos de antemano. 3.2. Evaluación enmascarada. La evaluación del desenlace, de manera ideal, la deberían practicar clínicos que fueran desconocedores de las características de los pacientes y de sus factores pronósticos posibles. Por ejemplo, un patólogo que leyera una biopsia de un injerto renal para buscar criterios de rechazo agudo en un protocolo de investigación pronóstica debería estar enmascarado a los síntomas y determinaciones analíticas del paciente.
4) ¿Se tuvieron en cuenta en el análisis estadístico todos los factores pronósticos importantes? 4.1. Ajuste estadístico. El inconveniente principal de los estudios de cohortes es que los distintos grupos pueden diferir en variables distintas a las que determinan las características pronósticas que se estudian, las que dividen a los grupos en grupo de exposición y grupo control. Por tanto, el análisis estadístico no puede limitarse a comparar la frecuencia o las tasas de casos que desarrollan el evento en el grupo exposición y en el grupo control sino que tiene que tener en cuenta la presencia de otras variables de confusión, asociadas a la presencia de exposición y al evento, que pueden alterar la asociación entre la exposición y el evento. En el análisis estadístico, se debe ajustar, mediante análisis estratificados, análisis multivariantes o técnicas especiales (como la probabilidad de similitud – propensity score - entre los grupos), los factores pronósticos o de confusión, aunque en muchas ocasiones estos no tengan relación casual con el evento de interés, para ver cómo se modifican los resultados globales. 4.2. Desarrollo y validación en los modelos de predicción clínica. Cuando el propósito del estudio pronóstico es el establecimiento de un modelo de predicción clínica, se pretende conocer qué factores se asocian con el pronóstico, al margen de su relación causal o no con el desenlace. En esos casos, el hallazgo de una asociación puede ser debido al juego del azar, de modo que ese hallazgo debería validarse en un grupo independiente de pacientes con la misma enfermedad objeto de estudio para confirmar el poder predictivo y la reproducibilidad de los resultados. La primera cohorte sería la población de desarrollo del modelo pronóstico y la segunda cohorte sería la población de validación. .
4) ¿Se tuvieron en cuenta en el análisis estadístico todos los factores pronósticos importantes? 4.1. Ajuste estadístico. El inconveniente principal de los estudios de cohortes es que los distintos grupos pueden diferir en variables distintas a las que determinan las características pronósticas que se estudian, las que dividen a los grupos en grupo de exposición y grupo control. Por tanto, el análisis estadístico no puede limitarse a comparar la frecuencia o las tasas de casos que desarrollan el evento en el grupo exposición y en el grupo control sino que tiene que tener en cuenta la presencia de otras variables de confusión, asociadas a la presencia de exposición y al evento, que pueden alterar la asociación entre la exposición y el evento. En el análisis estadístico, se debe ajustar, mediante análisis estratificados, análisis multivariantes o técnicas especiales (como la probabilidad de similitud – propensity score - entre los grupos), los factores pronósticos o de confusión, aunque en muchas ocasiones estos no tengan relación casual con el evento de interés, para ver cómo se modifican los resultados globales. 4.2. Desarrollo y validación en los modelos de predicción clínica. Cuando el propósito del estudio pronóstico es el establecimiento de un modelo de predicción clínica, se pretende conocer qué factores se asocian con el pronóstico, al margen de su relación causal o no con el desenlace. En esos casos, el hallazgo de una asociación puede ser debido al juego del azar, de modo que ese hallazgo debería validarse en un grupo independiente de pacientes con la misma enfermedad objeto de estudio para confirmar el poder predictivo y la reproducibilidad de los resultados. La primera cohorte sería la población de desarrollo del modelo pronóstico y la segunda cohorte sería la población de validación. .
4) ¿Se tuvieron en cuenta en el análisis estadístico todos los factores pronósticos importantes? 4.1. Ajuste estadístico. El inconveniente principal de los estudios de cohortes es que los distintos grupos pueden diferir en variables distintas a las que determinan las características pronósticas que se estudian, las que dividen a los grupos en grupo de exposición y grupo control. Por tanto, el análisis estadístico no puede limitarse a comparar la frecuencia o las tasas de casos que desarrollan el evento en el grupo exposición y en el grupo control sino que tiene que tener en cuenta la presencia de otras variables de confusión, asociadas a la presencia de exposición y al evento, que pueden alterar la asociación entre la exposición y el evento. En el análisis estadístico, se debe ajustar, mediante análisis estratificados, análisis multivariantes o técnicas especiales (como la probabilidad de similitud – propensity score - entre los grupos), los factores pronósticos o de confusión, aunque en muchas ocasiones estos no tengan relación casual con el evento de interés, para ver cómo se modifican los resultados globales. 4.2. Desarrollo y validación en los modelos de predicción clínica. Cuando el propósito del estudio pronóstico es el establecimiento de un modelo de predicción clínica, se pretende conocer qué factores se asocian con el pronóstico, al margen de su relación causal o no con el desenlace. En esos casos, el hallazgo de una asociación puede ser debido al juego del azar, de modo que ese hallazgo debería validarse en un grupo independiente de pacientes con la misma enfermedad objeto de estudio para confirmar el poder predictivo y la reproducibilidad de los resultados. La primera cohorte sería la población de desarrollo del modelo pronóstico y la segunda cohorte sería la población de validación. .
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronóstica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos. 6) ¿Fueron precisos los resultados? 6.1. Intervalos de confianza. Para expresar la incertidumbre del resultado, se emplea el intervalo de confianza al 95%, que representa el rango de valores en que se encontrarían los resultados si se efectuaran 100 estudios iguales pero en muestras diferentes. Cuanto más estrecho sea el intervalo de confianza, mayor será la precisión de la estimación. Señalar que en las curvas de supervivencia los periodos de seguimiento iniciales son más precisos al incluir un mayor número de pacientes en seguimiento. Las medidas de efecto deben acompañarse siempre de sus intervalos de confianza correspondientes.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
Medidas del efecto de un tratamiento (II): odds ratio y número necesario para tratar V. Abraira Revista SEMERGEN Sábado 1 Septiembre 2001. Volumen 27 - Número 08 p. 418 - 420 Sin embargo, hay otra manera de representar la probabilidad, que proviene del mundo del juego. Por ejemplo, la probabilidad de que al tirar un dado salga un dos es 1/6: el dado tiene seis caras, todas con igual probabilidad de salir, y sólo una de ellas tiene el dos; obviamente la probabilidad de que no salga es 5/6, en consecuencia el dos saldrá en una proporción de (1/6)/(5/6) = 1/5 o, dicho de otra manera, la probabilidad de que salga un dos es 1/5 de la probabilidad de que no salga. Cuando los apostadores de las películas dicen, por ejemplo, que las apuestas a tal caballo están 1 a 5 se refieren a este cociente (quieren decir que una sexta parte de los jugadores apuestan por ese caballo mientras que las otras cinco sextas partes no apuestan por él), que en inglés se denomina odds y para el que no hay una traducción española comúnmente aceptada; aunque los apostadores en el juego de la pelota lo llaman momio, el diccionario de la RAE no recoge esta acepción que, además, es casi desconocida fuera de los frontones
Medidas del efecto de un tratamiento (II): odds ratio y número necesario para tratar V. Abraira Revista SEMERGEN Sábado 1 Septiembre 2001. Volumen 27 - Número 08 p. 418 - 420 Sin embargo, hay otra manera de representar la probabilidad, que proviene del mundo del juego. Por ejemplo, la probabilidad de que al tirar un dado salga un dos es 1/6: el dado tiene seis caras, todas con igual probabilidad de salir, y sólo una de ellas tiene el dos; obviamente la probabilidad de que no salga es 5/6, en consecuencia el dos saldrá en una proporción de (1/6)/(5/6) = 1/5 o, dicho de otra manera, la probabilidad de que salga un dos es 1/5 de la probabilidad de que no salga.
Medidas del efecto de un tratamiento (II): odds ratio y número necesario para tratar V. Abraira Revista SEMERGEN Sábado 1 Septiembre 2001. Volumen 27 - Número 08 p. 418 - 420 Cuando los apostadores de las películas dicen, por ejemplo, que las apuestas a tal caballo están 1 a 5 se refieren a este cociente (quieren decir que una sexta parte de los jugadores apuestan por ese caballo mientras que las otras cinco sextas partes no apuestan por él), que en inglés se denomina odds y para el que no hay una traducción española comúnmente aceptada; aunque los apostadores en el juego de la pelota lo llaman momio, el diccionario de la RAE no recoge esta acepción que, además, es casi desconocida fuera de los frontones. Es decir, el odds es el cociente entre la probabilidad de que el episodio de interés ocurra y la probabilidad de que no ocurra y habitualmente se estima por el cociente entre el número de veces que ha ocurrido el acontecimiento y el número de veces que no ha ocurrido
. Es decir, el odds es el cociente entre la probabilidad de que el episodio de interés ocurra y la probabilidad de que no ocurra y habitualmente se estima por el cociente entre el número de veces que ha ocurrido el acontecimiento y el número de veces que no ha ocurrido
A partir de la tabla, podemos estimar la probabilidad de que un paciente del grupo tratado muera por el cociente 20/200 = 0,10 (10%) y el odds correspondiente por el cociente 20/180. Del mismo modo, la probabilidad de que un paciente del grupo control muera se puede estimar por el cociente 15/100 = 0,15 (15%) y el odds por 15/85. Si queremos comparar ambos grupos (tratado y control), lo podemos hacer con el cociente entre ambas probabilidades, o riesgo relativo (RR) (RR = 0,10/0,15 = 0,667), o por el cociente entre ambos odds , u odds ratio Hay tres motivos para ello, en primer lugar el OR se puede estimar también en los estudios de casos y controles en los que no es posible estimar el RR, en segundo lugar, el OR permite, mediante la regresión logística5 , ajustar la relación en estudio por el efecto de otras variables (ésta es la razón por la que Sánchez-Seco et al4 lo usan) y, en último lugar, en aquellas situaciones, muy frecuentes en epidemiología comunitaria pero bastante menos en epidemiología clínica, en las que el riesgo es muy pequeño en ambos grupos, el OR y el RR son muy parecidos Odds ratio En estadística la odds (término en inglés de traducción discutida; se ha traducido como disparidad, razón de posibilidades, razón de oportunidades, oportunidad, razón de momios, razón de probabilidades ) es el cociente entre la probabilidad de que un evento suceda y la probabilidad de que no suceda.Es una medida de tamaño de efecto Por ejemplo, en la siguiente tabla CasosControlesTotal Expuestosaba+bNo expuestoscdc+dTotala+cb+dN El cociente a/c es la Odds de exposición observada en el grupo de casos. El cociente b/d es la Odds de exposición en el grupo control La Odds ratio (OR, también término de traducción discutida; se ha traducido como oportunidad relativa, razón de ventaja ) es una medida epidemiológica utilizada en los estudios epidemiológicos , (sobre todo en los estudios de cohorte y en los de casos-controles ) y en los metaanálisis . En un estudio de casos y controles , es el cociente entre la Odds de exposición observada en los casos (enfermos) y la Odds de exposición del grupo control. En el ejemplo de la tabla, sería : En un estudios de cohorte , la OR es el cociente entre la oportunidad de enfermedad del grupo expuesto (o en el grupo tratado) y la oportunidad de enfermedad del grupo no expuesto (o no tratado). En el ejemplo de la tabla (los casos serían los enfermos al final del estudio y los controles los no enfermos), sería : Tanto la fórmula de la OR de un estudios de cohorte como la de uno de casos y controles puede leerse como: Lo que en definitiva no es más que una forma de expresar la proporción de veces que un suceso ocurra frente a que no ocurra. De tal manera que un OR = 2,5 debemos leerlo como 2,5:1 , mejor aún dado que un efecto aparece ante la presencia de otra variable es de 2,5 veces más que si esta variable no está presente. Si se piensa que el OR = 1 , esto significa que la cantidad de veces que el evento ocurra ante la presencia de otra variable , vs. las veces que ocurra en ausencia de esa variable, o sea 1:1. Lo que es lo mismo que decir que aparecerá tantas veces cuando la variable esté presente como cuando la variable no se presente. Pensado esto así, no siempre es fácil traducirlo en probabilidades, una forma mucho más fácil de entender para quienes hablamos el castellano. De modo tal que podemos transformar el OR en probabilidades a partir de la fórmula: En este caso si el OR fue de 2,5 entonces aplicando la fórmula la probabilidad es de 0,714, o lo que es igual del 71,4%. Mientras que en el caso del OR = 1, la probabilidad es del 50%, es decir que existen en éste último caso las mismas probabilidades que el evento ocurra estando o no la otra variable en estudio presente. Existe cierta confusión al homologarlo con el Riesgo relativo , que se usa en estudios prospectivos o de cohorte, el cual en realidad está comparando dos tasas de incidencia (o probabilidades acumuladas), una con el factor de exposición presente y otra con el factor de exposición ausente.
A partir de la tabla, podemos estimar la probabilidad de que un paciente del grupo tratado muera por el cociente 20/200 = 0,10 (10%) y el odds correspondiente por el cociente 20/180. Del mismo modo, la probabilidad de que un paciente del grupo control muera se puede estimar por el cociente 15/100 = 0,15 (15%) y el odds por 15/85. Si queremos comparar ambos grupos (tratado y control), lo podemos hacer con el cociente entre ambas probabilidades, o riesgo relativo (RR) (RR = 0,10/0,15 = 0,667), o por el cociente entre ambos odds , u odds ratio Hay tres motivos para ello, en primer lugar el OR se puede estimar también en los estudios de casos y controles en los que no es posible estimar el RR, en segundo lugar, el OR permite, mediante la regresión logística5 , ajustar la relación en estudio por el efecto de otras variables (ésta es la razón por la que Sánchez-Seco et al4 lo usan) y, en último lugar, en aquellas situaciones, muy frecuentes en epidemiología comunitaria pero bastante menos en epidemiología clínica, en las que el riesgo es muy pequeño en ambos grupos, el OR y el RR son muy parecidos Odds ratio En estadística la odds (término en inglés de traducción discutida; se ha traducido como disparidad, razón de posibilidades, razón de oportunidades, oportunidad, razón de momios, razón de probabilidades ) es el cociente entre la probabilidad de que un evento suceda y la probabilidad de que no suceda.Es una medida de tamaño de efecto Por ejemplo, en la siguiente tabla CasosControlesTotal Expuestosaba+bNo expuestoscdc+dTotala+cb+dN El cociente a/c es la Odds de exposición observada en el grupo de casos. El cociente b/d es la Odds de exposición en el grupo control La Odds ratio (OR, también término de traducción discutida; se ha traducido como oportunidad relativa, razón de ventaja ) es una medida epidemiológica utilizada en los estudios epidemiológicos , (sobre todo en los estudios de cohorte y en los de casos-controles ) y en los metaanálisis . En un estudio de casos y controles , es el cociente entre la Odds de exposición observada en los casos (enfermos) y la Odds de exposición del grupo control. En el ejemplo de la tabla, sería : En un estudios de cohorte, la OR es el cociente entre la oportunidad de enfermedad del grupo expuesto (o en el grupo tratado) y la oportunidad de enfermedad del grupo no expuesto (o no tratado). En el ejemplo de la tabla (los casos serían los enfermos al final del estudio y los controles los no enfermos), sería : Tanto la fórmula de la OR de un estudios de cohorte como la de uno de casos y controles puede leerse como: Lo que en definitiva no es más que una forma de expresar la proporción de veces que un suceso ocurra frente a que no ocurra. De tal manera que un OR = 2,5 debemos leerlo como 2,5:1 , mejor aún dado que un efecto aparece ante la presencia de otra variable es de 2,5 veces más que si esta variable no está presente. Si se piensa que el OR = 1 , esto significa que la cantidad de veces que el evento ocurra ante la presencia de otra variable , vs. las veces que ocurra en ausencia de esa variable, o sea 1:1. Lo que es lo mismo que decir que aparecerá tantas veces cuando la variable esté presente como cuando la variable no se presente. Pensado esto así, no siempre es fácil traducirlo en probabilidades, una forma mucho más fácil de entender para quienes hablamos el castellano. De modo tal que podemos transformar el OR en probabilidades a partir de la fórmula: En este caso si el OR fue de 2,5 entonces aplicando la fórmula la probabilidad es de 0,714, o lo que es igual del 71,4%. Mientras que en el caso del OR = 1, la probabilidad es del 50%, es decir que existen en éste último caso las mismas probabilidades que el evento ocurra estando o no la otra variable en estudio presente. Existe cierta confusión al homologarlo con el Riesgo relativo, que se usa en estudios prospectivos o de cohorte, el cual en realidad está comparando dos tasas de incidencia (o probabilidades acumuladas), una con el factor de exposición presente y otra con el factor de exposición ausente.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
B. ¿CUÁLES SON LOS RESULTADOS? 5. ¿Cuál es la probabilidad de los resultados a lo largo del tiempo? 5.1. Frecuencia de ocurrencia del desenlace. Habitualmente, los resultados de un estudio de pronóstico se expresan como porcentaje de supervivencia a un tiempo dado, como mediana de supervivencia o bien como curva de supervivencia de Kaplan-Meier, está última siendo la más completa y aconsejable ya que muestran en curso evolutivo a lo largo del tiempo. Por ejemplo, esta información se puede aplicar para estimar la mediana de supervivencia de un paciente diabético anciano que inicia diálisis (el tiempo en que sobrevive el 50% de la muestra) o la probabilidad de supervivencia del injerto de un paciente de 60 años que recibe un trasplante renal. 5.2. Diagrama de flujo del estudio. Siempre es útil conocer el número de participantes que se incluyeron en el estudio, los que se mantuvieron hasta el final o hasta el desarrollo del desenlace, y los que abandonaron o se perdieron en el seguimiento, con sus motivos. La representación gráfica mediante un diagrama de flujo ilustra este proceso. 5.3. Tasas de incidencia. Otra forma alternativa de expresar los resultados es mediante una densidad de incidencia, es decir, mediante tasas por unidad de tiempo (por ejemplo, número de muertos por años-paciente, infecciones peritoneales por meses-paciente o número de hipotensiones intradiálisis por horas-paciente). 5.4. Medidas de efecto. La comparación entre los resultados entre el grupo con la variable pronostica de interés y el grupo control se debe expresar mediante medidas de efecto. Las medidas de efecto más frecuentes son la razón de riesgos proporcionales ( hazard ratio ), la razón de riesgos, la razón de tasas, la diferencia de riesgos y la diferencia de tasas. Como los valores de probabilidad, valores de P, transmiten menos información que las medidas de efecto y son muy sensibles al tamaño de la muestra, idealmente no deben describirse cuando se comparan unos grupos con otros, o al menos no deben constituir la base de la comparación. 5.5. Análisis de sensibilidad. Como se indicó arriba, cuando el número de perdidos en el seguimiento es alto se suelen efectuar análisis de sensibilidad con «el peor de los casos» para evaluar la consistencia de los resultados principales. 5.6. Análisis de subgrupos. Cuando hay subgrupos que difieren en sus características pronósticas es importante conocer si la frecuencia de ocurrencia del desenlace o sus medidas de efecto difieren entre ellos. Como en los análisis de subgrupos de otros diseños, estos análisis deberían programarse de antemano y no estar condicionados por los datos.
Finalmente, estaremos en condiciones de evaluar la relevancia y potencial aplicación a nuestro medio y a cada caso particular de los resultados obtenidos en el estudio de pronóstico de una enfermedad determinada. En este apartado, son tres los aspectos a considerar. 7) ¿Se pueden aplicar estos resultados en nuestro medio? 7.1. Tipo de pacientes y ámbito del estudio pronóstico. Se debe comprobar si las características demográficas y clínicas de nuestro paciente particular coinciden con las de la población utilizada para establecer el pronóstico, es decir si nuestro paciente hubiera podido ser incluido en el estudio. Siempre existirán algunas diferencias, y lo que se debe calibrar es su importancia y potencial impacto en el resultado. 8) ¿Se tuvieron en cuenta todos los desenlaces de importancia clínica? 8.1. Desenlaces de importancia clínica. Es importante evaluar si se analizan todos los desenlaces de importancia, no sólo aquellos más llamativos, sino también otros que afectan directamente al paciente, como su calidad de vida relacionada con la salud u otros aspectos como la hospitalización o las cargas económicas. 9) ¿Son útiles los resultados para tranquilizar o aconsejar a los pacientes? 9.1. Información importante para la toma de decisiones médicas. Finalmente, habría que considerar si esta nueva información sobre el pronóstico va a tener alguna relevancia sobre decisiones importantes en el manejo clínico del paciente, por ejemplo a la hora de indicar monitorización de su estado y progresión con alguna prueba diagnóstica o bien en la decisión de iniciar o indicar un tratamiento. 9.2. Información pronóstica que no influye en la toma de decisiones médicas. Incluso si el conocimiento del pronóstico no es útil para tomar decisiones que alteren el curso de la evolución del paciente, sí puede serlo para tranquilizar o aconsejar al paciente o a su familia
8.1. Desenlaces de importancia clínica. Es importante evaluar si se analizan todos los desenlaces de importancia, no sólo aquellos más llamativos, sino también otros que afectan directamente al paciente, como su calidad de vida relacionada con la salud u otros aspectos como la hospitalización o las cargas económicas. 9) ¿Son útiles los resultados para tranquilizar o aconsejar a los pacientes? 9.1. Información importante para la toma de decisiones médicas. Finalmente, habría que considerar si esta nueva información sobre el pronóstico va a tener alguna relevancia sobre decisiones importantes en el manejo clínico del paciente, por ejemplo a la hora de indicar monitorización de su estado y progresión con alguna prueba diagnóstica o bien en la decisión de iniciar o indicar un tratamiento. 9.2. Información pronóstica que no influye en la toma de decisiones médicas. Incluso si el conocimiento del pronóstico no es útil para tomar decisiones que alteren el curso de la evolución del paciente, sí puede serlo para tranquilizar o aconsejar al paciente o a su familia
8) ¿Se tuvieron en cuenta todos los desenlaces de importancia clínica? 8.1. Desenlaces de importancia clínica. Es importante evaluar si se analizan todos los desenlaces de importancia, no sólo aquellos más llamativos, sino también otros que afectan directamente al paciente, como su calidad de vida relacionada con la salud u otros aspectos como la hospitalización o las cargas económicas.
9) ¿Son útiles los resultados para tranquilizar o aconsejar a los pacientes? 9.1. Información importante para la toma de decisiones médicas. Finalmente, habría que considerar si esta nueva información sobre el pronóstico va a tener alguna relevancia sobre decisiones importantes en el manejo clínico del paciente, por ejemplo a la hora de indicar monitorización de su estado y progresión con alguna prueba diagnóstica o bien en la decisión de iniciar o indicar un tratamiento. 9.2. Información pronóstica que no influye en la toma de decisiones médicas. Incluso si el conocimiento del pronóstico no es útil para tomar decisiones que alteren el curso de la evolución del paciente, sí puede serlo para tranquilizar o aconsejar al paciente o a su familia