SESGOS EN LOS ESTUDIOS OBSERVACIONALES

1. SESGOS EN LOS ESTUDIOS OBSERVACIONALES Los estudios observacionales están sujetos a sesgos, a pesar de que en los estudios observacionales pueden aparecer muchos tipos de sesgos, hay tres particularmente relacionados con ellos: • Sesgos de selección; • Clasificación errónea aleatoria (Misclassification); y • Confounding

2. SESGOS DE SELECCIÓN Los sesgos de selección resultan de las diferencias sistemáticas entre las características de la población en estudios y la población diana de la cual se ha extraído. La mayoría de los estudios observacionales utilizan datos recogidos de poblaciones adecuadas, tales como veterinarios clínicos mataderos y granjas particulares, Willeberg en las investigaciones sobre el síndrome urológico felino en Dinamarca utilizo datos recogidos de la clínica de una Escuela de Veterinaria. Idealmente en una muestra debe ser seleccionada de la población blanco (Todos los gatos de Dinamarca en este ejemplo), pero esto raramente es pasible, en las inferencias de las investigaciones que pueden ser sesgadas al realizar el proceso de selección, necesitan ser hechas con cuidado si deben ser extrapoladas a la población blanca. Debe tenerse en cuenta la probabilidad de que la población objeto de estudio puede ser segada con respecto a la enfermedad y factores que están siendo investigados. Es poco probable que ocurra el sesgo de selección si: • La exposición a un factor no incrementa la probabilidad de un animal, estando presente en la población objeto de estudio ; y • La probabilidad de inclusión de casos y testigos en la población estudiada en la misma.

3. Clasificación errónea aleatoria (Misclassification) La clasificación errónea aleatoria es una forma de medida del sesgo, y tiene lugar cuando animales enfermos son clasificadores como no enfermos y animales sin una enfermedad en particular se clasifican como afectados de ella. La probabilidad de Misclassification depende de la frecuencia de enfermedad, la frecuencia de exposición al factor casual hipotético y la sensibilidad y especificidad del criterio diagnostico utilizado en el estudio. Por ejemplo, estudiaron la asociación entre raza y sexo y fallo de las válvulas cardiacas en los perros. Los animales fueron clasificados como enfermos si ellos presentaban soplo cardiaco audible o signos de insuficiencia cardiaca congestiva. Sin embargo el soplo y la insuficiencia cardiaca pueden ser producto por otros tipos de lesiones, aparte de los fallos de las válvulas cardíacas – las cardiomiopatías y la anemia, constituyen un ejemplo de ello – Por lo tanta, en orden a prevenir que perros con las dos últimas lesiones sean incorrectamente clasificados como afectados de insuficiencia cardiaca (en cuyo caso podrían constituir «falsos negativos»), el registros de estos casos fue examinado con detalle con el fin de comprobar el origen exacto de estos soplos. De igual manera el fallo valvular primario puede no producir soplos audibles, en cuyo caso los animales pueden ser clasificados como libres de enfermedad (es decir falsos negativos)

4. Pueden presentarse dos tipos de clasificadores errónea aleatoria: no diferencial y diferencial, La primera tiene lugar si la magnitud y dirección de la clasificación errónea aleatoria es similar en los dos grupos que están siendo comparados (es decir, tanto casos y testigos como expuestos y no expuestos) la clasificación errónea aleatoria no diferencial produce una variación en el riesgo y la razón de probabilidad se aproxima a cero Ilustra como la especificidad es mas importante que la sensibilidad en la determinación del sesgo en el cálculo del riesgo relativo. Aún cuando la sensibilidad y la especificidad sean aparentemente admisibles

5. No obstante, la sensibilidad juega un papel más importante como fuente de sesgo en le cálculo de la razón de probabilidades

6. La clasificación errónea aleatoria diferencial tiene lugar cuando la magnitud o dirección de la clasificación errónea es diferente entre los dos grupos que va hacer comparados. En este caso la razón de probabilidad y el riesgo relativo puede ser sesgado en ambas direcciones. Por lo tanto el error de clasificación puede no disminuir una asociación manifiesta sino también reforzarla. Si no esta disponible un test válido sencillo (es decir, altamente sensible y especifico), ahí puede ser difícil definir un caso en ausencia de una definición exacta. Por ejemplo en una investigación sobre las relaciones entre la leucosistenzootica bovina (L.E.B) y la leucemia humana, el ganado vacuno fue definido como expuesto al virus de L.E.B, cuando en el examen post-morten aparecia linfosarcomas en el tracto digestivo, aún cuando esta lesión puede desarrollarse sin exposición previa al virus no necesariamente implica la aparición de este tipo de tumores. De igual forma, puede ser difícil definir y cuantificar un factor casual hipotético frente al cual un animal esta expuesto. Por ejemplo, si el factor fue «alimentación inadecuada», el investigador tendrá que confiar en una opinion basada en la descripción de la dieta hecha por los propietarios, en vez de utilizar los resultaods más rigurosos de un examen realizado por un nutrólogo.

7. CONFOUNDING Es cualquier factor que está correlacionado positiva o negativamente tanto con la enfermedad como en el factor casual hipotético que están siendo considerados. Por ejemplo, el tamaño de un rebaño es una variable confounding en relación con la enfermedad respiratoria porcina. Si la ventilación mecánica hubiera sido considerada como factor en estudio, los resultados podrían ser no representativos (confounding) si las piaras que fueron ventiladas mecánicamente y que tenían la enfermedad respiratoria comprendían todas grandes piaras (las cuales son las más apropiadas para desarrollar la enfermedad) y las que no fueron ventiladas mecánicamente y no presentaron la enfermedad comprendían todas las pequeñas piaras (las cuales son mucho menos apropiadas para desarrollar la enfermedad), La desigualdad proporción de piaras grandes y pequeñas en cada grupo, puede por lo tanto ser poco representativa (confound) la asociación entre ventilación mecánica y enfermedad, distorsionando por ello el cálculo de razón de probabilidades y riesgos relativo. El confounding es especialmente importante en los estudios de caso y testigo, ya que los animales se eligen en función de la presencia o ausencia de enfermedad: por lo tanto los casos pueden tener un completo rango de factores en común, alguno de los cuales pueden ser causal y otros estadísticamente significativos pero no causales, debido a una asociación con un confounder (factor de confusión)

8. CONTROL DEL SESGOSesgo de selección A menudo no es posible controlar el sesgo de selección, lo cual es resultado de las características inherentes a la población objeto de estudio y puede suceder que no tengamos disponible una población objeto de estudio menos sesgada. El control puede intentarse ya sea durante la realización del proyecto o el análisis de la investigación, la primera implica esencialmente evitar el sesgo seleccionando animales de una población que no sea capaz de producirlo. Esto puede ser impracticable y obviamente depende de que el investigador sea consciente del sesgo potencial. El control durante el análisis requiere un conocimiento de la probabilidad de selección en la población de estudio y en la población diana.

9. CLASIFICACIÓN ERRÓNEA ALEATORIA El control se realiza fundamentalmente mediante manipulaciones algebraicas durante el análisis, sin embargo esto nunca resulta tan satisfactorio como utilizar un test altamente específico y sensible para poder determinar los animales enfermos y no enfermos.

10. CONFOUNDING Existen dos métodos principalmente para el control del confounding: (1)Mediante la realización de un ajuste en la variable confounding en el momento de realizar el análisis, por ejemplo, mediante la utilización de tasas ajustadas especificas al confounder o haciendo un riesgo relativo resumido para los riesgos relativos combinados de cada confounder; y (2)Mediante el «apareamiento» de dos grupos durante el proyecto de la encuesta; el apareamiento puede realizarse de dos formas: a) Apareamiento de frecuencias, en la cual los dos grupos que van a ser muestreados son divididos para que de esta forma contengan la misma proporción de la variable, por ejemplo, si en 1 grupo «caso» hay cuatro veces mas machos que hembras, el grupo «testigo» debera ser seleccionado de tal forma que tengan cuatro veces mas machos que hembras; por lo tanto esta técnica es una forma de estratificación; y b) Apareamiento individual, en el cual cada caso es apareado con un testigo con respecto a la vareable, por ejemplo, un perro de 6 años con cancer en la vejiga de la orina, se aparea con un perro de 6 años sin cancer en la vejiga de la orina (apareamiento) por la edad.

11. Como regla general, si la variable confounding esta irregularmente distribuida en la población (por ejemplo, la edad en relación con la nefritis crónica), es preferible aparear casos y testigos cuando se diseña el estudio que hacerlo al realizar el análisis. Esto puede ser incomodo de realizar cuando existen muchas variables confounding. Lo normales aparear las principales: edad, sexo y raza (es decir, determinantes comunes). Sin embargo es peligroso abusar del apareamiento. Si el efecto de un factor es dudoso, es mejor no realizar el apareamiento, pero si controlarlo en el análisis posterior, ya que, cuando un factor es apareado no puede ser estudiado, por separado. Es importante señalar que cuando se lleva a cabo los estudios apareados, estos deben ser analizados como tales. Estas tres causas de sesgo (sesgo de selección clasificación errónea aleatoria y confounding), no deben ser considerados de forma aislada, si no como un complejo internamente relacionado que puede llegar a deformar los resultados.

12. Selección en el Tamaño de la Muestra en los Estudios de Cohorte y Caso y Testigo Par determinar el tamaño óptimo de una muestra en un estudio de cohorte deben especificarse cuatro valores: (1). El nivel de significación deseado (o la probabilidad de un error Tipo I – afirmado que la exposición a un factor esté asociado con una enfermedad, cuando en realidad no es así), (2). La potencia del Test (1 – β: la probabilidad de afirmar correctamente que la exposición a un factor esta asociada con la enfermedad, donde β es la probabilidad de un error Lipo II), (3). La incidencia de la enfermedad en animales no expuestos de la población diana; y (4). Un riesgo relativo hipotético (razón de probabilidades ) que se considera lo suficientemente importante desde el punto de vista de la salud en la población animal.

13. De igual manera, en la determinación del tamaño optimo en la muestra en un estudio de caso y testigo, deben ser especificados los valores del apartado primero, segundo y cuarto. No osbtante, en este tipo de estudios, el tercer valor es la proporción de la población diana expuesta al factor. Si una enfermedad es muy poco frecuente un estudio de cohorte precisa un número considerable de animales en los grupos «no expuestos» para poder detectar una diferencia significativa especialmente cuando el riesgo relativo es pequeño. La tabla 15.3, ilustra este punto. Hay diversas formulas para el calculo del tamaño de la muestra, que implican distintas suposiciones a cerca de la variación de la incidencia de la enfermedad, cuando el riesgo relativo de 1 o un valor diferente las cifras de la tabla 15.3 se han generado utilizando una formula, la cual supone que: 1) Cuando el riesgo relativo es 1, la variación está basada en la tasa de incidencias en la población no expuesta; y 2). Cuando el riesgo relativo es distinto de 1, la variación está basada en las tasas de incidencias de las dos poblaciones, expuestas y no expuestas.

14. Tabla 15.3 El número de individuos calculados estimados en cada grupo (expuestos y no expuestos) para detectar un riesgo relativo estadísticamente significativo en un estudio de cohorte por medio del riesgo relativo y taza de incidencia de la enfermedad en el grupo no expuesto (los números se dan solamente con tres cifras significativas) * Basado en la probabilidad de un 80% de detectar una diferencia entre dos grupos con un nivel de significación del 5%

15. TECNICAS MULTIVARIABLES En los estudios de caso y testigo, si se practica el apareamiento con el fin de ajustar el confounding, puede haber en ese caso muchas tablas de contingencia 2 x 2, por ejemplo, para distintas combinaciones de edad, sexo y raza. Si la enfermedad que está siendo investigada es poco frecuente, el número de animales en cada celdilla puede ser muy pequeño, dando como resultado intervalos de confianza inestimables o muy grandes – quizás estadísticamente no significativos – para R y Y. De igual forma, si R varia considerablemente entre cada tabal de contingencia, el riesgo relativo total puede ser pequeño, aun cuando la tabal de valores sea grande por lo tanto, se pierde información (Bender et al 1983). Estos problemas se pueden superar utilizando técnicas multivariables, que consideran muchos factores simultáneamente. Los métodos normales utilizan un modelo logístico para las variables discretas y agrupaciones de datos continuos. Un ejemplo, es el estudio de la asociación entre neoplasias benignas y malignas del perro

16. Comparación de los Tipos de Estudio Observacionales Un requisito lógico para la demostración de causa, es que un animal esté expuesto al factor casual antes de que se desarrolle la enfermedad. El diseño de los estudios de cohorte asegura de que sea detectada está secuencia temporal, sin embargo, los estudios transversales y de caso y testigo pueden no detectarla. Por esta razón y porque los estudios de cohorte miden incidencias, estos constituyen una mejor técnica par evaluar el riesgo e identificar la causa que los otros dos tipos de estudio.

17. En la tabla 15.4 se presenta una comparación entre los estudios transversales, de caso y testigo y de cohorte.