Medicina Basada en la Evidencia

Estudios ecológicos – 227 – El análisis estadístico se realiza por modelos de edad-periodo-cohorte, en el que, mediante gráficos, se trata de modelar de forma independiente los efectos de la edad, del tiempo y de la cohorte en los resultados. La utilización de modelos autorregresivos de series tem- porales (ARIMA) nos puede servir para realizar modelos predictivos de tendencias futuras entre la exposición y las tasas de enfermedad. Según el método de exposición, los estudios ecológicos pueden ser exploratorios o analíticos; según el método de agrupación, pueden ser múltiples, de tendencia temporal o mixtos Analíticos Evalúan la asociación ecológica entre el cambio en el nivel medio o prevalencia de exposición y el cambio en la tasa de la enfermedad a lo largo del tiempo en una población geográficamente definida. Pueden existir dos inconvenientes: que se produzcan cambios en el tiempo de los criterios diagnósticos y de clasificación de las en- fermedades que distorsionen las tasas de enfermedad. Si el tiempo de latencia entre la exposición al factor de riesgo y la detección de la enfermedad es muy largo, pueden ser necesarios seguimientos muy prolongados. Veamos un ejemplo: Estudio realizado en México durante el periodo de 1993 a 1995 sobre la relación entre la contaminación ambiental y la mortalidad infantil (Loomis et al. 1999). Estudios mixtos Estos estudios comparan las tendencias temporales de varias áreas geográficas. El análisis estadístico es similar. Veamos un ejemplo: Estudio que realizaron Aceituno Madera et al. para re- lacionar la prevalencia de melanoma, la altitud y la radiación solar en varias zonas geográficas de la pro- vincia de Granada durante el periodo de 1982 a 2007. ESTRATEGIA DE ANÁLISIS Mientras que en los estudios observacionales con suje- tos individuales podemos estimar directamente medi- das de efecto (diferencias de riesgos) y de riesgo (riesgo relativo, odds ratio ), en los estudios ecológicos esto no es posible, porque al usar medidas agrupadas descono- cemos cuántos sujetos expuestos o no expuestos pre- sentan la enfermedad. En una primera aproximación bivariante, el análisis de los datos entre los factores de riesgo de exposición y la tasa de enfermedad se puede realizar por pruebas de hipótesis de comparación de proporciones para va- riables cualitativas o de correlación lineal en caso de variables cuantitativas. Pero este análisis es poco ex- haustivo e informa solo de la existencia de asociación entre variables, no informa de la magnitud del efecto. Para esto último se requieren modelos de regresión. 1. Modelos aditivos de regresión lineal Para estimar el efecto en los estudios ecológicos lo más habitual es recurrir a modelos de regresión en- tre la tasa de enfermedad (variable dependiente) y los factores de exposición o prevalencia de la enfermedad (variables independientes). El modelo más frecuente- mente utilizado es el de regresión lineal, ya que las va- riables habitualmente son continuas, pudiéndose rea- lizar modelos predictivos según la siguiente ecuación: Y = b 0 + b 1 X. Donde Y sería la tasa de enfermedad, X el factor de riesgo, b 0 sería la constante del modelo y b 1 el cambio medio de la tasa de enfermedad por unidad de exposición (X). Con este modelo aditivo se asume una estimación del efecto biológico a nivel individual. Para la estimación de los coeficientes de la ecuación de regresión se tienen en cuenta los valores medios de exposición; sin embargo, para calcular las tasas noso- tros recurrimos a los valores extremos (0 y 1), lo que en ocasiones da lugar a tasas desproporcionadas o incluso negativas. En este modelo aditivo es posible calcular la tasa de enfermedad para los expuestos (Y = 1), para los no ex- puestos (Y = 0), la razón de riesgos entre los totalmente expuestos (X = 1) y los totalmente no expuestos (X = 0) que tiene similitud con el riesgo relativo, pero sin cono- cer los riesgos de cada grupo, las diferencias de riesgos entre los totalmente expuestos y no expuestos y la frac- ción atribuible en los expuestos (FAE) y fracción atribui- ble poblacional (FAP). Veamos un ejemplo: Es un caso figurado con fines docentes. Supongamos que tenemos diez regiones de las que conocemos la prevalencia de tabaquismo (PT) y queremos estudiar si existe relación con la mortalidad por enfermedad cerebrovascular (TMECV) por cada 100 000 personas y año. Las distribuciones de las dos variables se aseme- jan a la distribución normal, luego podemos utilizar la regresión lineal para calcular las medidas de efecto. En la Tabla 1 se muestran los datos de este ejemplo. El modelo resultante es el siguiente Y = b 0 + b 1 X = 4,91 + 93,61X, p <0,00001 donde Y = TMECV y X = PT