Epidemiología para principiantes
Capítulo 3

Factores de confusión

En un experimento ideal de laboratorio, el investigador altera solamente una variable a la vez, de tal manera que cualquier efecto que se observe sólo pueda ser debido a dicha variable. La mayoría de estudios epidemiológicos son de observación, no experimentales, y comparan personas que difieren en muchas maneras, conocidas y desconocidas. Si tales diferencias determinan el riesgo de enfermedad independientemente de la exposición bajo investigación, se dice que confunden su asociación con la enfermedad.

Por ejemplo, varios estudios han indicado altas tasas de cáncer de pulmón en cocineros. Aunque esto puede ser una consecuencia de su trabajo (quizá ocasionado por los carcinógenos de los humos al freír), también puede ser simplemente porque los cocineros profesionales fuman más que el individuo promedio. En otras palabras, el fumar puede confundir la asociación con cocinar.

La confusión en la interpretación de los datos determina hasta dónde las asociaciones observadas son causales. Puede dar origen a asociaciones falsas cuando en realidad no existe ninguna relación causal, o en el otro extremo, puede oscurecer los efectos de una verdadera causa.

Dos factores comunes de confusión son la edad y el sexo. La mortalidad bruta por todas las causas en hombres durante un período de 5 años fue mayor en Bournemouth que en Southampton. Sin embargo, la diferencia desapareció al comparar las tasas de muerte para grupos específicos de edad (Tabla 2). Lo que ocurría no era que Bournemouth fuera un lugar menos saludable que Southampton, sino porque al ser un pueblo donde va a vivir la gente pensionada, tiene una población de mayor edad.

Estandarización

El ejemplo anterior demuestra los peligros de sacar conclusiones etiológicas de las comparaciones de tasas brutas. El problema se puede superar al comparar las tasas específicas por edad y sexo como aparece en la Tabla 2, aunque la presentación de tales datos es más bien engorrosa, por lo que a menudo es útil obtener una estadística única que resuma la comparación siempre y cuando muestre las diferencias en edad y sexo en la estructura de la población bajo estudio. Las tasas normalizadas o ajustadas satisfacen esta necesidad. Existen dos técnicas disponibles:

Estandarización directa

La estandarización directa permite la comparación de los promedios ponderados de las tasas específicas de enfermedad por edad y sexo; las ponderaciones son iguales a la proporción de personas en cada grupo por edad y sexo en una población conveniente de referencia. La Tabla 3 muestra cómo calcularla, basado en la mortalidad por enfermedad isquémica coronaria (EIC) en hombres de Inglaterra y Gales con edades entre los 35 y los 64 años en 1994. La Tabla 4 presenta las tasas estandarizadas para hombres y mujeres en los años siguientes, calculadas de igual forma, y presenta una caída importante.

Estandarización indirecta

El método directo se utiliza para estudios grandes, mientras que en la mayoría de encuestas el método indirecto proporciona estimados más estables de riesgo. Suponga que un médico general quiere probar su impresión de un exceso de casos de bronquitis crónica a nivel local. Por medio de un cuestionario estructurado, examina de su lista una muestra de hombres de mediana edad y encuentra que 45 presentan persistentemente tos y flemas. ¿Es excesiva esa cantidad? El cálculo se presenta en la Tabla 5

En primer lugar, se lista el número de sujetos en cada rango de edad (columna 1). El médico debe después seleccionar una adecuada población de referencia, en la cual se conozcan las tasas específicas de clase (columna 2). (En los estudios de mortalidad, sería usualmente una nación o algún subgrupo de ella, como una región en particular o una clase social; en los estudios multicéntricos, podrían ser la combinación de los datos de todos los centros). Al multiplicar las columnas 1 y 2 para cada clase se obtiene el número esperado de casos en un grupo de esa edad y tamaño, basado en las tasas de referencia de esa población. La suma de todas las clases presenta la frecuencia total esperada, dado el tamaño y la estructura de edad de ese muestra particular de estudio. Donde se esperaban 30 casos, el médico observó 45, con un riesgo relativo ajustado por la edad o una proporción de prevalencia estandarizada de 45/30 = 1,5 o 150%. (Convencionalmente, las proporciones estandarizadas se expresan como porcentajes.)

Un indicador estadístico comparable, la razón normalizada de mortalidad, es ampliamente utilizada por el registro civil británico para resumir las tendencias en el tiempo y las diferencias regionales y por ocupación. Así, en 1981, la proporción estandarizada de mortalidad por suicidio en médicos hombres fue de 172%, lo cual indica un exceso importante al compararla con la de la población general en ese momento. Para analizar las tendencias en el tiempo, como se hace con el índice de la bolsa del Financial Times Stock Exchange, se toma arbitrariamente en el tiempo, un punto de referencia para comparación.

Otros métodos de ajuste para los factores de confusión

Las técnicas de estandarización se emplean generalmente para hacer ajustes por edad y por sexo, aunque se pueden usar como control para otras variables de confusión. Otros métodos que se usan más generalmente para ajustar las variables de confusión incluyen técnicas de modelos matemáticos como la regresión logística. Ésta asume que el riesgo de enfermedad de una persona es una función matemática de su exposición a diferentes factores de riesgo y de confusión. Por ejemplo, se podría asumir que las probabilidades de desarrollar cáncer de pulmón son el producto de una constante y tres parámetros- uno determinado por la edad, otro si es fumador o no, y el tercero si ha trabajado con asbesto. Se emplea después un programa de computador para calcular los valores de los parámetros que mejor se ajustan a los datos observados. Estos parámetros estiman el odds ratio para cada factor de riesgo – la edad, el consumo de tabaco y la exposición a asbesto, y se ajustan mutuamente. Tales técnicas de modelos son potentes y se encuentran disponibles. Sin embargo, se deben emplear con precaución dado que los supuestos matemáticos del modelo puede que no siempre reflejen las realidades de la biología.