Medicina Basada en la Evidencia

Medidas epidemiológicas – 240 – Variables de confusión Se produce confusión cuando la asociación entre el factor de estudio y la variable de respuesta puede ser explicada por una tercera variable, la variable de con- fusión, o, por el contrario, cuando una asociación real queda enmascarada por este factor. Para que una variable sea de confusión necesita cum- plir tres requisitos: ■ Debe ser factor de riesgo independiente de la enfer- medad, tanto para los expuestos, como para los no expuestos en la población. ■ Debe estar asociado al factor de exposición que estu- diamos en la población de donde provienen los casos. ■ No debe ser una consecuencia de dicha exposición; es decir, no ser un paso intermedio en la cadena o secuen- cia de causalidad entre la exposición y la enfermedad. Veamos un ejemplo de factor de confusión: Si queremos estimar el beneficio de la lactancia ma- terna para evitar enfermedades infecciosas, tendremos que controlar la clase social de la familia, ya que podría comportase como factor de confusión. La clase social cumpliría los requisitos de un factor de confusión, ya que se asocia a la enfermedad (riesgo de infección), al influir en los cuidados higiénicos; asimismo, se asocia a la exposición (tipo de lactancia) y no forma parte de la cadena causal entre exposición y enfermedad (el tipo de lactancia no produce cambios de clase social que puedan afectar a la incidencia de infección). Para evitar este efecto, podemos recurrir a una serie de técnicas. La primera y fundamental es la aleatorización (que no existe en los estudios observacionales). Esta posibilita que las variables de confusión conocidas y, lo mejor, desconocidas se distribuyan de manera homo- génea entre los dos grupos. Cuando no sea posible aleatorizar, podemos restringir los criterios de inclusión en función de la variable confusora o utilizar datos pareados en función de la misma. El proble- ma, como es lógico, es que esto solo vale para las variables de confusión conocidas, pero no para las desconocidas. Además, existen métodos para controlar el efecto de las variables de confusión durante la fase de análisis, como el uso de medidas de asociación ajustadas o los métodos de análisis estratificado o multivariante, que se tratan en el capítulo correspondiente. Variables de interacción o modificación del efecto Existe modificación del efecto cuando el efecto produ- cido por una determinada variable se ve modificado en presencia de una tercera variable, produciéndose efectos de distinta intensidad, en la misma o distinta dirección. En estos casos, la valoración global de la aso- ciación no es válida, por lo que este efecto debe ser dis- tinguido del de confusión y también tenido en cuenta en la fase de análisis. Una vez más, habrá que recurrir al uso de técnicas de estratificación o multivariantes. Veamos un ejemplo de modificación del efecto: En el ensayo clínico preventCD se asignaron 944 niños de alto riesgo de enfermedad celiaca a introducir el gluten entre los 4 y 6 meses o más tarde, para saber si la edad de introducción del gluten influía en el riesgo de desarrollar la enfermedad. La introducción precoz de gluten se asoció a un riesgo de celiaquía, aunque el resultado no fue estadísticamente significativo. Para saber si algún otro factor había podido influir en los resultados, en concreto el sexo de los pacientes, se realizó un análisis estratificado que demostró que el riesgo se invierte de un estrato a otro. En las niñas la introducción precoz parece aumentar el riesgo de forma significativa, mientras que en los niños parece disminuir, aunque no alcanza significación estadística. En este ejemplo, el sexo se comporta como factor de interacción o modificador del efecto. La interacción puede observarse en modelos estadísti- cos multiplicativos (riesgos relativos, odds ratios, etc.) y/o en modelos estadísticos aditivos (diferencias de medias o proporciones, riesgos atribuibles, etc.). Lo ha- bitual es que se explore la modificación del efecto en modelos multiplicativos. Diferencia entre confusión e interacción Es muy importante tener en cuenta que confusión e in- teracción se interpretan de forma distinta. Siempre que encontremos una variable de confusión, nuestro objeti- vo será controlar su efecto y tratar de estimar una me- dida de asociación ajustada. En general, esta medida ajustada disminuirá su magnitud respecto a la medida cruda y tenderá hacia el valor nulo. Ante una variable de confusión, nuestro objetivo será controlar su efecto y calcular una medida ajustada. Por el contrario, si existe interacción, únicamente trataremos de describirla e interpretarla, sin que tenga sentido el cálculo de medidas globales ajustadas Sin embargo, las variables modificadoras de efecto refle- jan una característica de la relación entre exposición y efecto, cuya intensidad depende de la variable modifica- dora. En estos casos, no tiene sentido calcular una medida ajustada (que será similar a la medida sin ajustar), como hacemos con los factores de confusión, ya que no sería representativa de la asociación global entre exposición y