INFORMACION

CARRERA DE ENFERMERIA
1 YOELMA GARAYAR COELLO TIC
UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA
FACULTAD DE CIENCIA DE LA SALUD
ESCUELA PROFESIONAL DE ENFERMERIA
TEMA: INFORMACION Y VIGILANCIA EPIDEMIOLOGICA
CURSO: LAS TICS Y LOS SISTEMAS DE INFORMACION EN SALUD
ALUMNA: YOELMA GARAYAR COELLO
TURNO: MAÑANA
CICLO: VI

DEDICATORIA
A DIOS, POR BRINDARNOS LA DICHA
DE LA SALUD Y BIENESTAR FISICO
Y ESPIRITUAL.

INDICE
Contenido
INTRODUCION...............................................................................................................................................4
Bibliografía..................................................................................................................................................18

INTRODUCION
La epidemiología es el estudio de la distribución y los determinantes de estados o
eventos (en particular de enfermedades) relacionados con la salud y la aplicación de
esos estudios al control de enfermedades y otros problemas de salud. Hay diversos
métodos para llevar a cabo investigaciones epidemiológicas: la vigilancia y los estudios
descriptivos se pueden utilizar para analizar la distribución, y los estudios analíticos
permiten analizar los factores determinantes.

1.HISTORIA DE LA EPIDEMIOLOGIA
El interés del hombre sobre la salud ha existido desde épocas antiguas. Ya para el año
400 antes de Cristo, Hipócrates mostró preocupación por documentar las diferencias en
la distribución de las enfermedades según las estaciones, la edad de los afectados, los
diferentes climas, los hábitos que las personas tuvieran o la constitución física de ellas.
Incluso acuñó el término "epidemion", que significa enfermedad que visita la
comunidad, y del cual se origina la palabra Epidemiología.
Hoy en día la Epidemiología tiene aún el mismo interés: el conocimiento de las causas
y la distribución de las enfermedades en las poblaciones y la evaluación de medidas de
control para disminuir su presencia. La Epidemiología como disciplina organizada es
relativamente reciente en la historia de la humanidad. Fue tan sólo a finales del Siglo
XVIII, con el impulso que el Renacimiento le dio al conocimiento humano, que se
comenzó a realizar una actividad sistemática para reconocer las causas de la
enfermedad en las comunidades, y a llevar registros sistemáticos de las causas de las
enfermedades y las razones por las cuales la gente moría. De las épocas iniciales de la
Epidemiología pueden mencionarse ejemplos notables, como la actuación de John
Snow en Londres hacia 1850 sobre la aparición del cólera, observaciones y acciones
que apoyaron el desarrollo de la teoría de la contagiosidad de las enfermedades.
Esta demostración de que la enfermedad se propagaba mediante la existencia de una
materia mórbida (hoy claramente identificado como el Vibrio Cólera), apoyó la
importancia de un agente causal y orientó el desarrollo de la Epidemiología hacia la
importancia de la observación sistemática de los fenómenos para comprender el
desarrollo de los mismos. La interrupción de un brote de cólera mediante la aplicación
de una medida de intervención, como fue el retirar la manija de la bomba de agua en
una fuente pública, llevó a la demostración empírica de la eficacia de las intervenciones
de la Salud Pública.
La preocupación sobre la salud, más que la enfermedad, reconociendo en la primera
una condición más extensa que simplemente la ausencia de la segunda, hace que hoy
se defina la Epidemiología como "el estudio de la distribución y de los determinantes de
los estados o acontecimientos relacionados con la salud en poblaciones específicas y
la aplicación de este estudio al control de los problemas sanitarios (Last, Diccionario de
Epidemiología, Oxford University Press, 1988). El campo de conocimiento de la
Epidemiología cubre todos los aspectos que tengan que ver con la salud humana, ya
sea como factor causal o como efecto o resultado de la combinación de esos factores
causales.

2.INFORMACION Y VIGILANCIA EPIDEMIOLOGICA
ESTADÍSTICAS QUE DESCRIBEN CÓMO SE DISTRIBUYEN LOS DATOS
Medidas de tendencia central : tres medidas de tendencia central se usan con
mayor frecuencia para describir datos:
●Mean es igual a la suma de observaciones dividido por el número de
observaciones.
● Lamediana es igual a la observación en el medio cuando todas las
observaciones se ordenan de menor a mayor; cuando hay un número par de
observaciones, la mediana se define como la media de los dos puntos de datos
medios.
● Elmodo es igual a la observación que ocurre con mayor frecuencia.
Medidas de dispersión : la dispersión se refiere al grado en que los datos se
encuentran dispersos alrededor de un valor específico (como la media). Las medidas
de dispersión más comúnmente utilizadas son:
●Rango: el rango es igual a la diferencia entre la observación más grande y la más
pequeña.
●Desviación estándar: la desviación estándar mide la variabilidad de los datos en
torno a la media. Proporciona información sobre cuánta variabilidad se puede
esperar entre los individuos dentro de una población. En las muestras que siguen
una distribución "normal" (es decir, gaussiana), el 68 y el 95 por ciento de los
valores caen dentro de una y dos desviaciones estándar de la media,
respectivamente.
●Error estándar de la media: la desviación estándar de la media (para una
población de muestra) debe distinguirse del error estándar de la media, que
describe cuánta variabilidad se puede esperar al medir la media de varias
muestras diferentes.
●Porcentil: el percentil equivale al porcentaje de una distribución que está por
debajo de un valor específico. Como ejemplo, un niño está en el percentil 90 para
el peso si solo el 10 por ciento de los niños de la misma edad pesan más que ella.
●Rango intercuartílico: el rango intercuartil se refiere a los valores superior e
inferior que definen el 50 por ciento central de las observaciones. Los límites son
iguales a las observaciones que representan los percentiles 25 y 75. El rango
intercuartílico se representa en una gráfica de caja y bigotes

3.TÉRMINOS UTILIZADOS PARA DESCRIBIR LA FRECUENCIA DE UN EVENTO -
La incidencia y la prevalencia son los dos términos principales utilizados para describir
la frecuencia de un evento.
3.1 Incidencia: la incidencia representa el número de eventos nuevos que se han
producido en un intervalo de tiempo específico dividido por la población en riesgo al
comienzo del intervalo de tiempo. El resultado da la posibilidad de desarrollar un evento
en ese intervalo de tiempo.
3.2 Prevalencia: la prevalencia se refiere a la cantidad de individuos con una
enfermedad determinada en un punto dado en el tiempo dividido por la población en
riesgo en ese momento. La prevalencia se ha definido además como "punto" o
"período". La prevalencia puntual se refiere a la proporción de individuos con una
afección en un punto específico en el tiempo, mientras que la prevalencia de período se
refiere a la proporción de individuos con una condición durante un intervalo específico
(por ejemplo, un año).
3.3 Persona-años: años de persona se refiere a la cantidad total de años que cada
miembro de una población de estudio ha estado bajo observación o tratamiento. Se
obtiene multiplicando el número de años por el número de miembros de una población
de muestra que han tenido una determinada afección o se han sometido a un
tratamiento en particular.
4.TÉRMINOS UTILIZADOS PARA DESCRIBIR LA MAGNITUD DE UN EFECTO –
Los tipos de descriptores utilizados para definir la relación entre las variables de interés
en un conjunto de datos y el efecto de una variable sobre otro dependen del tipo de
datos. Ejemplos importantes son el riesgo relativo y el odds ratio, que son expresiones
comunes que describen la relación entre las características nominales (es decir, las
variables que se agrupan como categorías únicas)
4.1 El riesgo relativo - El riesgo relativo (o razón de riesgo) es igual a la incidencia en
los individuos expuestos dividido por la incidencia en individuos no expuestos. El riesgo
relativo se puede calcular a partir de estudios en los que se conoce la proporción de
pacientes expuestos y no expuestos a un riesgo, como un estudio de cohorte.
El riesgo relativo y la odds ratio se interpretan en relación con el número uno. Una odds
ratio de 0,6, por ejemplo, sugiere que los pacientes expuestos a una variable de interés
tenían un 40 por ciento menos de probabilidad de desarrollar un resultado específico en
comparación con el grupo de control. De manera similar, una razón de probabilidad de
1.5 sugiere que el riesgo se incrementó en un 50 por ciento.
4.2 El riesgo absoluto - La relación cociente de riesgos y las probabilidades
proporcionar una comprensión de la magnitud de riesgo en comparación con un

estándar. Sin embargo, con mayor frecuencia es deseable conocer la información
sobre el riesgo absoluto (también conocida como diferencia de riesgo). Como ejemplo,
un aumento del 40 por ciento en la mortalidad debido a una exposición particular no
proporciona una idea directa de la probabilidad de que la exposición en un paciente
individual conduzca a la mortalidad. En algunos casos, una gran reducción del riesgo
relativo puede no ser clínicamente importante. Una reducción del 50 por ciento en un
resultado, por ejemplo, es mucho más impresionante si la tasa de referencia del
resultado es del 25 por ciento en comparación con el 1 por ciento.
El "riesgo atribuible" representa la diferencia en la tasa de una enfermedad en una
población expuesta, en comparación con una no expuesta. Refleja la incidencia
adicional de enfermedades relacionadas con una exposición teniendo en cuenta la tasa
de fondo de la enfermedad. El riesgo atribuible se calcula restando la incidencia de una
enfermedad en personas no expuestas de la incidencia de la enfermedad en personas
expuestas.
Un término relacionado, el "riesgo atribuible de la población" se usa para describir la
contribución que una exposición tiene sobre la incidencia de una enfermedad
específica en una población. Se calcula multiplicando el riesgo atribuible por la
prevalencia de la exposición a un factor de riesgo en una población. El riesgo atribuible
a la población es particularmente importante cuando se consideran medidas de salud
pública y la asignación de recursos destinados a reducir la incidencia de una
enfermedad.
4.3 Número necesario para tratar: el beneficio de una intervención se puede
expresar mediante el "número necesario para tratar" (NNT). El NNT es el recíproco de
la reducción absoluta del riesgo (la tasa absoluta de eventos adversos para el placebo
menos la tasa absoluta de eventos adversos para los pacientes tratados). Su
interpretación puede ilustrarse con la siguiente oración: "Este estudio sugiere que
tendría que tratar a cinco pacientes con un medicamento para evitar una muerte".
Como ejemplo, considere un ensayo controlado con placebo que involucra a 100
pacientes. Treinta pacientes murieron durante el período de estudio (10 recibieron
fármaco activo y 20 recibieron placebo) dando una tasa de mortalidad del 20 por ciento
con fármaco activo (10 dividido por [10 +40]) versus 40 por ciento (20 dividido por [20 +
30]) con placebo como se muestra en el panel izquierdo La diferencia entre estas dos
tasas, la "diferencia de riesgo", se usa para calcular el NNT.
●40 por ciento menos 20 por ciento = 20 por ciento = 0.2
●1 dividido por 0.2 = 5
Por lo tanto, este estudio sugiere que solo cinco pacientes deben tratarse con el
medicamento (en comparación con el placebo) para prevenir una muerte.

Debido a que es intuitivo, el NNT se ha convertido en una expresión cada vez más
popular de beneficio o riesgo absoluto, que potencialmente permite la comparación del
beneficio relativo (o daño) de diferentes intervenciones. Sin embargo, el NNT puede ser
engañoso:
●Implica que la opción es tratar o no tratar en lugar de tratar o cambiar a otro
tratamiento más efectivo [ 1 ].
●Existen variaciones sobre cómo se determina NNT; Los NNT de diferentes
estudios no se pueden comparar a menos que los métodos utilizados para
determinarlos sean idénticos [ 2 ]. Esto puede ser una consideración particular
cuando se calculan los NNT para el tratamiento de enfermedades crónicas en las
que los resultados (como la mortalidad) no se agrupan a tiempo.
● El cálculo del NNT depende de la tasa de control (es decir, la tasa de eventos en
el brazo de control). La tasa de control puede ser variable (particularmente en
ensayos controlados pequeños, que son más vulnerables a los efectos
aleatorios). Como resultado, el NNT puede no reflejar con precisión el beneficio de
una intervención si los eventos ocurrieron en el brazo de control más o menos de
lo que se esperaría en base a la biología de la enfermedad. Este efecto puede ser
particularmente problemático cuando se comparan los NNT entre los ensayos
controlados con placebo.
Cuando el resultado es un daño en lugar de un beneficio, un número necesario para
dañar (NND) se puede calcular de manera similar. Como ejemplo, si la terapia con
estatinas causa mialgias en el 5 por ciento de los pacientes, se esperaría que el
tratamiento de 20 pacientes con estatinas cause un caso de mialgia, para un NNH de
20. Otras variaciones que a veces aparecen en la literatura médica incluyen el número
necesario para prevenir y número necesario para diagnosticar.
5. TÉRMINOS UTILIZADOS PARA DESCRIBIR LA CALIDAD DE LAS
5.1 MEDICIONES: las medidas más comúnmente utilizadas para describir la calidad
de una observación son la confiabilidad y la validez.
5.2 Confiabilidad: la fiabilidad se refiere a la medida en que las medidas repetidas de
un fenómeno relativamente estable se encuentran estrechamente entre sí. Se pueden
medir varios tipos diferentes de confiabilidad, como la confiabilidad inter e
intraobservador y la confiabilidad test-retest.
Como ejemplo, la estadística kappa es una medida del acuerdo entre dos observadores
que miden de forma independiente los mismos datos. Puede ir de -1.0 a +1.0. Si hay un
acuerdo perfecto, el valor es 1.0, mientras que, si el acuerdo observado es lo que se
esperaría solo por casualidad, el valor es cero. Si el grado de acuerdo es peor de lo

que se esperaría por casualidad, el valor kappa será negativo, con un desacuerdo
completo que resultará en un valor de -1.0. Las estadísticas Kappa a menudo se
interpretan como:
●Excelente acuerdo - 0.8 a 1.0
●Buen acuerdo - 0.6 a 0.8
●Acuerdo moderado - 0.4 a 0.6
●Acuerdo justo - 0.2 a 0.4
●Acuerdo deficiente: menos de 0.2
5.3 Validez : la validez se refiere a la medida en que una observación refleja la
"verdad" del fenómeno que se mide. Se pueden medir varios tipos. En estudios que
involucran el desarrollo de cuestionarios, por ejemplo, los tipos de validez incluyen el
contenido (el grado en que la medida refleja las dimensiones de un problema
particular), el constructo (el grado en que una medida se afirma mediante un indicador
externo establecido) y la validez del criterio (la medida en que una medida puede
predecir un fenómeno observable). Estos tipos de validez son útiles ya que la "verdad"
puede no ser físicamente verificable.
6. MEDIDAS DEL RENDIMIENTO DE LA PRUEBA DE DIAGNÓSTICO: los términos
más comunes utilizados para describir el rendimiento de una prueba de diagnóstico son
la sensibilidad y la especificidad.
6.1 Sensibilidad: el número de pacientes con una prueba positiva que tienen una
enfermedad dividida entre todos los pacientes que tienen la enfermedad. Una prueba
con alta sensibilidad no se perderá muchos pacientes que tienen la enfermedad (es
decir, pocos resultados falsos negativos).
6.2 Especificidad : el número de pacientes que tienen una prueba negativa y no
tienen la enfermedad dividida por el número de pacientes que no tienen la
enfermedad. Una prueba con alta especificidad con poca frecuencia identificará
pacientes que tienen una enfermedad cuando no la tienen (es decir, pocos resultados
positivos falsos).
La sensibilidad y la especificidad son propiedades de las pruebas que se deben
considerar cuando se obtienen las pruebas. Además, la sensibilidad y la especificidad
son interdependientes. Por lo tanto, para una prueba dada, un aumento en la
sensibilidad va acompañado de una disminución en la especificidad y viceversa. Esto
se puede ilustrar con el siguiente ejemplo. Considere dos poblaciones de pacientes:
una tiene hepatitis crónica definida por un estándar de referencia, como una biopsia
hepática, y la otra no. La prueba de diagnóstico que se utiliza para evaluar la hepatitis

crónica es la concentración de alanina aminotransferasa (ALT) en suero. La
sensibilidad y la especificidad de la ALT dependen del valor elegido como punto de
corte La interdependencia de sensibilidad y especificidad se puede representar
gráficamente utilizando una curva de característica operativa del receptor (ROC). La
curva ROC traza la sensibilidad en el eje Y y la especificidad 1 (que es la tasa de falso
positivo) en el eje X. El área bajo las curvas ROC (el área a la derecha y debajo de la
curva) proporciona una estimación de la precisión de una prueba. Una prueba ideal
tendría un valor de corte que discriminaba perfectamente a aquellos con enfermedad, y
tendría un área bajo la curva ROC de 1.00 La curva ROC se puede adaptar al análisis
multivariado (como la regresión logística) en el que proporciona una estimación de la
precisión del modelo estadístico (es decir, qué tan bien predice un resultado).
6.3 Valores predictivos : además de la sensibilidad y la especificidad, los valores
predictivos de una prueba de diagnóstico deben tenerse en cuenta al interpretar los
resultados de una prueba El valor predictivo positivo de una prueba representa la
probabilidad de que un paciente con una prueba positiva tenga la enfermedad. Por el
contrario, el valor predictivo negativo representa la probabilidad de que un paciente que
tiene una prueba negativa no tenga la enfermedad .
Los valores predictivos (y la proporción de evaluaciones positivas y negativas que
pueden esperarse) dependen de la prevalencia de una enfermedad dentro de una
población. Por lo tanto, para valores dados de sensibilidad y especificidad, un paciente
con una prueba positiva es más probable que realmente tenga la enfermedad si el
paciente pertenece a una población con una alta prevalencia de la enfermedad
Esta observación tiene implicaciones significativas para las pruebas de detección, en
las que los resultados falsos positivos pueden llevar a pruebas costosas y en ocasiones
peligrosas, y las pruebas falsas negativas pueden estar asociadas con la morbilidad o
la mortalidad. Como ejemplo, una prueba de heces positiva para sangre oculta es
mucho más probable que prediga el cáncer de colon en una persona de setenta años
en comparación con una persona de veinte años. Por lo tanto, el examen de rutina de
las heces en pacientes jóvenes daría lugar a una tasa alta de exámenes falsos
positivos posteriores y no se recomienda. Se deben considerar los valores predictivos
de una prueba cuando se selecciona entre las pruebas de diagnóstico para un paciente
individual en el que factores demográficos u otros factores de riesgo clínicos influyen en
la probabilidad de que la enfermedad esté presente (es decir, la "probabilidad previa"
de la enfermedad).
6.4 Cociente de verosimilitud : como se discutió anteriormente, una limitación a los
valores predictivos como expresiones de las características de la prueba es su
dependencia de la prevalencia de la enfermedad. Para superar esta limitación, la razón
de verosimilitud se ha utilizado como una expresión de la realización de pruebas de
diagnóstico. Las razones de verosimilitud son una expresión de sensibilidad y

especificidad que se puede usar para estimar las probabilidades de que una condición
esté presente o ausente
El cociente de probabilidad representa una medida de las probabilidades de tener una
enfermedad en relación con la probabilidad previa de la enfermedad. La estimación es
independiente de la prevalencia de la enfermedad. Un cociente de probabilidad positivo
se calcula dividiendo la sensibilidad por 1 especificidad menos (sensibilidad / (1-
especificidad) . Del mismo modo, un cociente de verosimilitud negativo se calcula
dividiendo 1 menos la sensibilidad por especificidad (1-sensibilidad) /
especificidad). Los cocientes de probabilidad positivos y negativos de 9 y 0.25, por
ejemplo, pueden interpretarse como significando que un resultado positivo se ve 9
veces más frecuentemente, mientras que una prueba negativa se ve 0.25 veces más
frecuentemente en aquellos con una condición específica que aquellos sin esta. Se
pueden establecer relaciones de verosimilitud para muchos puntos de corte para una
prueba de diagnóstico que permita una apreciación de la importancia relativa de un
aumento grande versus un pequeño aumento en el resultado de una prueba.
6.5 Exactitud: la realización de una prueba de diagnóstico a veces se expresa como
precisión, que se refiere al número de positivos verdaderos y negativos verdaderos
divididos por el número total de observaciones, Sin embargo, la precisión en sí misma
no es un buen indicador del rendimiento de la prueba, ya que oscurece información
importante relacionada con sus componentes.
7.Mejora reclasificación Net y mejora integrada discriminación - mejora neta
reclasificación (NRI) es un método utilizado para la evaluación de las mejoras en las
predicciones de riesgo de pruebas de diagnóstico y modelos de predicción. Intenta
cuantificar en qué medida la adición de una prueba de diagnóstico o modelo de
predicción influirá en la práctica clínica. El uso típico del NRI sería describir el grado en
que un nuevo modelo clasifica correctamente a los pacientes (por ejemplo, para el
riesgo de muerte) en comparación con el modelo anterior. Si bien es atractivo, existe
una variabilidad en la forma en que se calcula e informa el NRI [ 5 ].
Otra medida, la mejora integrada de la discriminación (IDI), también intenta
proporcionar una visión cuantitativa de cuánto valor proporciona una nueva prueba
diagnóstica o regla de predicción [ 6 ].
8. EXPRESIONES UTILIZADAS CUANDO HACER INFERENCIAS SOBRE LOS
DATOS
8.1 Intervalo de confianza: una estimación puntual (es decir, un valor único) de una
población de muestra puede no reflejar el valor "verdadero" de toda la población. Como
resultado, a menudo es útil proporcionar un rango que probablemente incluya el valor
real. Un intervalo de confianza es una estimación comúnmente utilizada. Los límites de
un intervalo de confianza dan valores dentro de los cuales hay una alta probabilidad (95

por ciento por convención) de que se pueda encontrar el verdadero valor de
población. El cálculo de un intervalo de confianza considera la desviación estándar de
los datos y el número de observaciones. Por lo tanto, un intervalo de confianza se
reduce a medida que aumenta el número de observaciones o disminuye su varianza
(dispersión). La interpretación de los intervalos de confianza se analiza con más detalle
por separado
8.2 Intervalo de credibilidad - Un intervalo de credibilidad se utiliza en el análisis
Bayesiano para describir el rango en el que es probable que resida una estimación de
la probabilidad posterior. Como ejemplo, un intervalo creíble del 95 por ciento para una
estimación de probabilidad posterior del 40 por ciento podría oscilar entre 30 y 50 por
ciento, lo que indica que hay un 95 por ciento de probabilidad de que el verdadero
cálculo de probabilidad posterior se encuentre dentro del rango del 30 al 50 por
ciento. Existen diferencias fundamentales en cómo se derivan los intervalos creíbles en
comparación con los intervalos de confianza más comúnmente utilizados. Sin embargo,
su interpretación intuitiva es similar.
Errores : dos errores potenciales se reconocen comúnmente al probar una hipótesis:
●Un error tipo I (también conocido como "error alfa") concluye incorrectamente que
hay una diferencia estadísticamente significativa en un conjunto de datos; la
probabilidad de cometer un error de tipo I se llama "alfa". Un valor típico para alfa
es 0.05. Por lo tanto, una p <0.05 conduce a una decisión de rechazar la hipótesis
nula, aunque se han propuesto valores más bajos para reclamar significación
estadística
●Un error tipo II (también conocido como "error beta") concluye incorrectamente
que no hubo una diferencia estadísticamente significativa en un conjunto de
datos; la probabilidad de cometer un error de tipo II se llama "beta". Este error a
menudo refleja el poder insuficiente del estudio.
Poder : el término "poder" (calculado como 1 - beta) se refiere a la capacidad de un
estudio para detectar una diferencia verdadera. Los resultados negativos en un estudio
pueden reflejar que el estudio no tuvo el poder suficiente para detectar una
diferencia. Se debe realizar un "cálculo de potencia" antes de realizar un estudio para
asegurarse de que haya un número suficiente de observaciones para detectar un grado
deseado de diferencia. Cuanto mayor sea la diferencia, menor será el número de
observaciones que se requerirán. Como ejemplo, se necesitan menos pacientes para
detectar una diferencia del 50 por ciento en la presión arterial de un nuevo
medicamento antihipertensivo en comparación con el placebo que una diferencia del 5
por ciento. La interpretación de los cálculos de potencia se analiza con más detalle por
separado

9.TÉRMINOS UTILIZADOS EN ANÁLISIS MULTIVARIADO : a menudo, se debe
tener en cuenta el efecto de más de una variable al predecir un resultado. Como
ejemplo, el efecto del estado de tabaquismo y la edad debe considerarse
simultáneamente al evaluar el riesgo de cáncer de pulmón.
Los métodos estadísticos que pueden dar cuenta simultáneamente de múltiples
variables se conocen como análisis "multivariable" (o multivariable). Estos métodos
ayudan a "controlar" (o "ajustar") las variables que son extrañas a la pregunta causal
principal y pueden confundirla. Una forma común de análisis multivariable, regresión
logística, se aplica a los modelos en los que el resultado es dicotómico (p. Ej., Vivo o
muerto, o se produce o no una complicación).
10.ANÁLISIS DE TIEMPO A EVENTO (ANÁLISIS DE SUPERVIVENCIA) : muchos
ejemplos de investigación médica se relacionan con un evento que puede ocurrir o no
en un período de tiempo determinado (como muerte, accidente cerebrovascular, infarto
de miocardio). Durante el estudio, varios resultados son posibles además del resultado
de interés (p. Ej., Los pacientes podrían morir por otras causas o abandonar el
análisis). Además, la duración del seguimiento puede variar entre los individuos en el
estudio. Un paciente que se observa durante cinco años debe contar más en el análisis
estadístico que uno observado durante cinco meses.
Varios métodos están disponibles para tener en cuenta estas consideraciones. Los más
comúnmente utilizados en la investigación médica son los análisis de riesgos
proporcionales de Kaplan-Meier y Cox.
10.1 El análisis de Kaplan-Meier - análisis de Kaplan-Meier mide la proporción de
pacientes que sobreviven (o los que están libres de un resultado) dividido por el
número total de pacientes en situación de riesgo para el resultado. Cada vez que un
paciente tiene un resultado, la proporción se vuelve a calcular. Usando estos cálculos,
se puede generar una curva que represente gráficamente la probabilidad de
supervivencia a medida que pasa el tiempo ( figura 7 ).
En muchos estudios, el beneficio de un medicamento o intervención en un resultado se
compara con una población de control, lo que permite la construcción de dos o más
curvas de Kaplan-Meier. Es poco probable que las curvas cercanas o cruzadas reflejen
una diferencia estadísticamente significativa. Se pueden usar varias pruebas
estadísticas formales para evaluar una diferencia significativa. Los ejemplos incluyen la
prueba de log-rank y la prueba de Breslow.
10.2 Cox análisis de riesgos proporcionales - Cox de riesgos proporcionales de
análisis es similar a la regresión logística, ya que puede dar cuenta de muchas
variables que son relevantes para predecir un resultado dicotómico. Sin embargo, a
diferencia de la regresión logística, el análisis de riesgos proporcionales de Cox permite

que se incluya el tiempo como una variable y que los pacientes se cuenten solo por el
período de tiempo en que se observaron.
El término "relación de riesgo" se usa a veces cuando se hace referencia a variables
incluidas en el análisis. Una razón de riesgo es análoga a una razón de
posibilidades. Por lo tanto, una razón de riesgo de 10 significa que el grupo de
pacientes expuestos a un factor de riesgo específico tiene 10 veces más posibilidades
de desarrollar el resultado en comparación con los controles no expuestos.
11 DISEÑOS DE ESTUDIO
Estudio de cohortes : una cohorte es un grupo de personas claramente identificado
para ser estudiado. Un estudio de cohorte podría identificar personas específicamente
porque estuvieron o no expuestas a un factor de riesgo, o tomando una muestra
aleatoria de una población determinada. Un estudio de cohortes puede avanzar hacia
la observación del resultado de interés, incluso si los datos se recopilan
retrospectivamente. Como ejemplo, un grupo de pacientes que tienen exposición
variable a un factor de riesgo de interés se puede seguir a lo largo del tiempo para
obtener un resultado.
El Nurses 'Health Study es un ejemplo de un estudio de cohortes. Un gran número de
enfermeras son seguidas a lo largo del tiempo por un resultado como el cáncer de
colon, que proporciona una estimación del riesgo de cáncer de colon en esta
población. Además, se puede evaluar la ingesta dietética de diversos componentes, y
se puede evaluar el riesgo de cáncer de colon en aquellos con alto y bajo consumo de
fibra para determinar si la fibra es un factor de riesgo (o un factor protector) para el
cáncer de colon. El riesgo relativo de cáncer de colon en aquellos con ingestas altas o
bajas de fibra se puede calcular a partir de dicho estudio de cohortes.
Estudio caso-control - Un estudio de casos y controles se inicia con el resultado de
interés y trabaja hacia atrás a la exposición. Por ejemplo, los pacientes con una
enfermedad se identifican y se comparan con los controles para la exposición a un
factor de riesgo. Este diseño no permite medir la proporción de la población que estuvo
expuesta al factor de riesgo y luego desarrolló o no desarrolló la enfermedad; por lo
tanto, no se puede calcular el riesgo relativo o la incidencia de la enfermedad. Sin
embargo, en los estudios de casos y controles, la odds ratio proporciona una
estimación razonable del riesgo relativo
Si se realizara un estudio de casos y controles para evaluar el papel de la fibra dietética
en el cáncer de colon como se indicó anteriormente para el estudio de cohortes, se
podría comparar un grupo de pacientes con cáncer de colon con controles
emparejados sin cáncer de colon; la ingesta de fibra en los dos grupos sería luego
comparada. El estudio de casos y controles es más útil para las enfermedades poco

comunes en las que se requeriría una cohorte muy grande para acumular suficientes
casos para el análisis.
Ensayo controlado aleatorizado : un ensayo controlado aleatorio (ECA) es un
diseño experimental en el que se asignan pacientes a dos o más intervenciones. Un
grupo de pacientes a menudo se asigna a un placebo (control con placebo), pero un
ensayo aleatorizado puede incluir dos terapias activas (control activo).
Como ejemplo, los pacientes con un pólipo colónico previo podrían ser asignados
aleatoriamente para tomar un suplemento de fibra o un suplemento de placebo para
determinar si los suplementos de fibra disminuyen el riesgo de desarrollar cáncer de
colon.
Los ECA generalmente son el único tipo de estudio que puede controlar
adecuadamente los factores de confusión no medidos y, en general, son la mejor
evidencia para demostrar la causalidad.
Intención de tratar : el principio central subyacente al análisis por intención de
tratar ( intention-to-treat analysis) es que los participantes en el estudio deben
analizarse de acuerdo con los grupos en los que fueron aleatorizados, incluso si no
recibieron o cumplieron con el tratamiento. Dicho análisis se contrasta con el análisis
"según tratamiento" (o "por protocolo") en el que los sujetos se analizan de acuerdo con
el tratamiento real que recibieron.
La ventaja teórica del análisis por intención de tratar (intention-to-treat analysis) es que
conserva los beneficios de la asignación al azar (es decir, asegura que todos los
factores no medidos que podrían diferir en los grupos de tratamiento y control sigan
siendo contabilizados en el análisis). Por ejemplo, es posible que los pacientes que
cumplieron con el tratamiento difirieron en algunas formas importantes que aquellos
que no lo hicieron. Otra forma de considerar la ventaja del análisis del tipo intención de
tratar (intention-to-treat analysis) es que representa mejor los factores que pueden
influir en los resultados de un tratamiento prescrito, y no solo los efectos en aquellos
que se adhirieron a él. Un medicamento que tiene efectos secundarios graves pero es
altamente efectivo, por ejemplo, podría verse favorable en un análisis "como se trató"
pero menos favorable en un análisis por intención de tratar si la mayoría de los
pacientes no lo toleraran.
Aunque conceptualmente simple, analizar según los principios de intención de tratar
puede ser complejo. Por ejemplo, los métodos óptimos para dar cuenta de los sujetos
que se perdieron durante el seguimiento siguen siendo inciertos [ 8 ]. Dichos pacientes
podrían considerarse fracasos terapéuticos; sin embargo, tal enfoque puede ser
excesivamente punitivo para una terapia por lo demás prometedora. Debido a estas
complejidades, es posible que los estudios que informaron que realizaron un análisis

por intención de tratar (intention-to-treat analysis) no siempre lo hayan hecho o hayan
modificado el enfoque de alguna manera [ 9 ].
Aleatorización mendeliana : la aleatorización mendeliana se refiere a un diseño de
estudio epidemiológico no experimental que examina el impacto de la variación
genética natural en la población sobre la relación entre una exposición ambiental y una
enfermedad. El objetivo principal es establecer evidencia de una asociación causal
entre la exposición y la enfermedad.
En este diseño, los sujetos que comprenden la población de estudio se clasifican según
su genotipo en un locus polimórfico específico conocido por modificar la exposición de
interés pero no influir directamente en la susceptibilidad a la enfermedad de
interés. Debido a que los sujetos generalmente desconocen su estado de genotipo, y
debido a que los genotipos de un sujeto se asignan aleatoriamente durante la meiosis
(según la ley de surtido independiente de Mendel), esta modificación de la exposición
puede considerarse una forma de aleatorización natural. Por lo tanto, esto se conoce
como "aleatorización mendeliana".

Bibliografía
OMS. (2018). EPIDEMIOLOGIA. ICA: http://www.who.int/topics/epidemiology/es/.
Peter AL Bonis, M. (2018). Glosario de términos bioestadísticos y epidemiológicos comunes. ICA:
https://www.uptodate.com/contents/glossary-of-common-biostatistical-and-epidemiological-
terms?search=EPIDEMIOLOGICA&source=search_result&selectedTitle=1~150&usage_type=defa
ult&display_rank=1.

INFORMACION

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a INFORMACION

Similar a INFORMACION (20)

Último

Último (20)

INFORMACION