Este documento discute el uso de puntuaciones de propensión para comparar grupos de tratamiento en estudios observacionales. Las puntuaciones de propensión estiman la probabilidad de que un paciente reciba un tratamiento particular en función de variables de confusión medidas. Esto permite aparear pacientes entre grupos de tratamiento que sean similares en términos de su probabilidad de recibir cada tratamiento. El documento explica cómo calcular y utilizar puntuaciones de propensión para reducir el sesgo de selección y proporcionar estimaciones más precisas de los

1. Peras, manzanas y puntuaciones
de propensión

3. El problema
En un estudio observacional, los factores que
influyen en la elección del tratamiento pueden
influir a su vez en los resultados y el pronóstico
de los pacientes sometidos a un tratamiento
Se crea una asociación espúrea (SESGO) entre el
tratamiento y el resultado.

4. Si se suman dos manzanas, pues dan dos manzanas, y si
se suman una manzana y una pera, nunca pueden dar
dos manzanas, porque es que son componentes
distintos.

5. 1. Hay importantes diferencias de las
características de los pacientes entre los
grupos de tratamiento.
2. Queremos demostrar que la diferencia de los
resultados se debe al tratamiento y no a
comparar peras con manzanas.
3. Las comparaciones no aleatorizadas originan
sospechas de que hay un problema de peras
y manzanas
4. A veces es impracticable o no ético asignar
determinados tratamientos a algunos
pacientes.

6. A propósito de…
“Se ha sugerido que en adultos jóvenes la
intervención de Ross tiene mejor supervivencia
que la sustitución valvular protésica”
Mokhles et al. Circulation 2011;123:31-38.

7. In the initial unmatched cohort of 1324 patients, 36
late deaths occurred during a follow-up of 8066
patient-years (0.45% per patient-year).
Late mortality occurred in 0.49% per patient-year
(n27) in the Ross procedure group compared with
0.32% per patient-year (n9) in the mechanical
prosthesis group
unmatched hazard ratio, 1.33 (0.61 to 2.91); p=0.47

8. Puntuciones de propensión
• Tratan de asegurar que los grupos de
comparación de tratamiento están equilibrados
respecto a ciertas covariables que se han medido.
• No sustituyen los beneficios de la aleatorización
• Ofrecen ciertas ventajas respecto a métodos
alternativos: control de confusión por indicación
• Vale la pena tenerlos en cuenta cuando el
número de confusores es grande o los resultados
que se evalúan son pocos.

10. Propensión
propensión.
(Del lat. propensĭo, -ōnis).
f. Acción y efecto de propender.
propender.
(Del lat. propendēre).
intr. Dicho de una persona: Inclinarse por
naturaleza, por afición o por otro motivo, hacia algo
en particular.

11. A. ¿Qué es una puntuación de
propensión?
Ensayo clínico
Cada participante tiene una probabilidad igual de
pertenecer a cada grupo de tratamiento.
Estudio observacional
La probabilidad de que un participante caiga en un tipo
de tratamiento es diferente a la de caer en otro tipo.
La puntuación de propensión estima esa diferencia de
probabilidad de acuerdo a covariables definidas.

12. Ejemplo
Paciente joven en buena situación70% de ir hacia Ross.
Paciente anciano con mal estado30% de ir hacia Ross
Estos pacientes NO SON DIRECTAMENTE comparables.
Sin embargo, si dos pacientes tuvieran la misma propensión
Paciente A: 30% de ir hacia Ross
Paciente B: 30% de ir hacia prótesis
Las diferencias en resultados serían atribuibles al tratamiento,
y no a la selección de los pacientes.

14. Por qué es peor que la aleatorización
La puntuación de propensión se equilibra de
acuerdo a covariables CONOCIDAS
En la aleatorización, por definición, debe existir
equilibrio entre covariables conocidas y
DESCONOCIDAS entre los grupos de
tratamiento.

15. Otra ventaja de la puntuación de
propensión
Instrumento de reducción de datos:
la información procedente de la influencia de las
covariables en un paciente se reduce a un único
valor de probabilidad.

16. B. ¿Cómo se calculan?
Regresión logística:
•el tratamiento es el resultado (binario)
•Las covariables medidas/conocidas son los
predictores
La puntuación de propensión es una
probabilidad de recibir un tratamiento
condicionada a las covariables consideradas.

17. Por qué complicarse
Por qué estimar la probabilidad de recibir un Ross o una sustitución
protésica condicionada a determinadas covariables si ya sabemos la
probabilidad de recibir uno de los dos tratamientos:
1.Se crea un experimento “casi-aleatorizado”.
2.Los pacientes con similar probabilidad de recibir un Ross o una
prótesis se pueden considerar “casi aleatorizados” a ese grupo.
3.Los pacientes en cada grupo de tratamiento con similares
puntaciones de propensión TIENDEN a tener similares distribuciones
de las covariables empleadas para estimar esa misma propensión.
4.La puntuación EQUILIBRA: para una puntuación determinada, se
obtienen estimaciones no sesgadas de un efecto medio de una
intervención.

18. Problemas
1. ¿Qué covariables deben elegirse en el
modelo?
2. ¿Qué hacer con los datos que faltan?
3. ¿Cómo evaluar el modelo?

19. Elección de covariables
Si se eligen muchos predictores en relación a un
escaso número de sucesos (o una muestra
escasa, si es una variable continua) el modelo
puede ajustarse a las idiosincrasias de la
muestra particular pero no tener ningún valor
predictivo fuera de la muestra (overfitting o
sobreajuste).

20. Esto no se aplica porque…
Lo que tenemos como objetivo es que el modelo
se ajuste lo más posible a los datos para que se
equilibren las variables observadas, y no para
que lo generalicemos a nuevos datos.

21. Datos perdidos
El modelo de regresión excluye los participantes
de los que se desconozca algún valor de las
covariables
IMPUTACIÓN: Sustituir los valores que faltan
con los valores medios medidos.

22. ¿Vale el modelo?
¿Se han equilibrado las covariables?
No muy bien*reajuste de la regresión
añadiendo otras covariables

23. Equilibrio no ajustado
Método de las diferencias estandarizadas
Diferencia media entre los grupos/desviación
estándar x 100
Pacientes con Ross: 7.9 años más jóvenes que los
sometidos a recambio valvular protésico
Desviación estándar (DE): 10.5 años
Diferencia estandarizada: 75% de la DE
<10%buen equilibrio

25. C. ¿Cómo se usan?
El uso clave de las puntuaciones de propensión es demostrar
cuando no es posible comparar grupos de tratamiento.
Hay que trazar las distribuciones de las puntuaciones de
propensión en los grupos de tratamiento.
Si hay poco solapamientono comparables
NINGÚN TRUCO ESTADÍSTICO PUEDE SOLVENTARLO.
Además, con los otros métodos clásicos de ajuste de
confusión por indicación, puede que ni siquiera lo hayamos
detectado.

26. Si se solapan los grupos…
Las puntuaciones de propensión entonces se
pueden emplear de tres formas para evaluar los
efectos del tratamiento:
•Estratificación
•Apareamiento
•Ajuste estadístico

27. Apareamiento
Comparar individualmente cada participante de un
grupo de tratmiento con un particicipante
COMPARABLE del otro grupo de tramiento (o
también con múltiples participantes comparables)
Aparear con muchas covariables es muy complejo;
emplear la puntuación de propensión es más fácil y
optimiza el equilibrio de covariables.

28. Flexibilidad
Si no se encuentra una puntuación de propensión exacta
que se ajuste a dos participantes, se permite una cierta
diferencia
Estrategia del “Vecino más próximo”
1.Ordenación aleatoria de los pacientes que reciben
prótesis.
2.Apareamiento secuencial con un paciente sometido a
Ross que tenga la puntuación de propensión más
próxima
3.Si la puntuación más próxima está por encima del 25%,
el paciente se deja sin aparear y se excluye

29. En el estudio…
253/406 de los intervenidos con prótesis se
pueden aparear con la estrategia del vecino más
próximo
En la cohorte apareada, de forma no esperada,
se encuentra que los pacientes sometidos a Ross
tienen mayor mortalidad que los de prótesis:
HR 1.86 (0.58-5.91)

33. Equilibrio entre apareamiento
inexacto e incompleto
Inexactoconfusión residual (una variable confusora se
ha tenido en cuenta de manera imprecisa)
Incompletolimitación de la generabilidad de las
conclusiones (pérdida de potencia estadística)
En este estudio, los resultados no se aplican a pacientes
excluidos del análisis (puntuaciones de propensión
extremas)
Los resultados pueden no haber alcanzado significación
estadística por haber perdido tamaño muestral

34. Ajuste estadístico
• Se incluye la puntuación de propensión como
covariable de otro análisis de regresión que evalúa el
efecto del tratamiento.
Regresión de Cox con la muerte como resultado y el
tratamiento como predictor empleando a los 1324
participantes.
HR de mt (Ross): 1.33
HR de mt (Ross, con p.p.):3.64 (1.22-10.88)
mayor mortalidad tras Ross y corregir por edad mas joven y
otras características distintivas.

35. Entonces
Ajustar con la puntuación de propensión es similar
a ajustar DIRECTAMENTE con todas las covariables
que se usan para calcular la puntuación de
propensión.
¿Nos tienen que impresionar los estudios con esta
metodología?
Tiene claras ventajas cuando el número de eventos
resultados es escaso

36. Pocos eventos resultado (<10)
• Riesgo de sobreajuste
• No se puede construir el modelo con menos
eventos resultado que covariables
En el estudio, 36 muertes y 24 covariables.
En general, si el ratio eventos:confusores es menor
a 7:1, emplear puntuaciones de propensión
reduce los sesgos.

37. Conclusión del estudio
In comparable patients, there appears to be no late
survival advantage in the first postoperative decade for
the Ross procedure over mechanical aortic valve
implantation with highly specialized anticoagulation self-
management treatment.
In contrast to older reports, relative survival in these
selected young adult patients closely resembles that of
the general population, possibly a result of highly
specialized self-management anticoagulation
treatment, better timing of surgery, and improved
patient selection in more recent years.
Careful prosthetic valve selection remains an important
issue to ensure optimal patient-tailored quality of life.

38. Para llevarnos a casa
Se pueden emplear puntuaciones de propensión en diseños
observacionales si
•Hay un desequilibrio claro en los grupos de tratamiento
•El número de variables confusoras es alta
•El número de eventos resultados es bajo
Se reduce un número alto de confusores a una única variable,
optimizando apareamiento y estratificación
Permiten detectar casos en las que las poblaciones de
pacientes son demasiado divergentes para ser directamente
comparables
No son sustitutivos de la aleatorización

39. Guía para perplejos de la propensión
1. ¿Cómo se eligieron las variables para el
modelo de puntuación de propensión?
2. ¿Cómo se manejaron los datos que faltaban?
3. ¿Cómo se evaluó el equilibrio de las
covariables?
4. ¿Cómo se solaparon los grupos de
tratamiento?
5. ¿Qué influencia residual de confusores
puede quedar?

41. Estratificación
• Se dividen los grupos según distintas covariables y se
calculan los efectos del tratamiento en estos
subgrupos.
• Limitación inherente: se hacen grupos pequeños que
no permiten detectar efectos sobre el tratamiento.
Con la puntuación de propensión evitamos este
problema, porque YA HEMOS RESUMIDO la
información de las covariables en una única variable.