Download Cada oveja, con su pareja - Ciencia sin seso…locura doble

Cada oveja, con su pareja
En ocasiones, no podemos evitar que en nuestros estudios se nos metan
factores de confusión, conocidos o desconocidos. Estas variables confusoras
abren una puerta trasera por la que se cuelan nuestros datos, haciendo que
las medidas de asociación entre exposición y efecto que estimamos mediante
el estudio no se correspondan con la realidad.
En la fase de análisis suelen utilizarse técnicas como la
estratificación, o modelos de regresión para medir la asociación ajustando
por la variable confusora. Pero también podemos intentar prevenir la
confusión en la fase de diseño. Una forma es restringiendo los criterios de
inclusión según la variable de confusión. Otra estrategia consiste en
seleccionar los controles para que tengan la misma distribución de la
variable confusora que el grupo de intervención. Esto es lo que se conoce
como emparejamiento.
Supongamos
que
queremos
determinar el efecto del tabaco
sobre la frecuencia de aparición
de cáncer laríngeo, en una
población con la distribución que
veis en la primera tabla. Podemos
ver que el 80% de los fumadores
son hombres, mientras que solo el
20% de los no fumadores lo son.
Nos inventamos que el riesgo de
cáncer en hombres es del 2%, pero
que sube hasta el 6% para los
fumadores. Por su parte, el riesgo
en mujeres es del 1%, llegando
hasta un 3% si fuman. Así que,
aunque todos doblan el riesgo si se apuntan al más antisocial de los
vicios, los hombres siempre tienen el doble de riesgo que las mujeres (a
igualdad de exposición al tabaco entre los dos sexos, porque los que fuman
tienen seis veces más riesgo que las no fumadoras). En resumen, el sexo
actúa como factor de confusión: influye sobre la probabilidad de sufrir la
exposición y sobre la probabilidad de padecer el efecto, pero no forma
parte de la secuencia causal entre tabaco y cáncer de laringe. Esto
tendríamos que tenerlo en cuenta a la hora del análisis y calcular el
riesgo relativo ajustado mediante la técnica de Mantel-Haenszel o
utilizando un
modelo de regresión logística.
Pero otra posibilidad, si conocemos el factor de confusión, es intentar
prevenir su efecto durante la fase de planificación del estudio. Supongamos
que partimos de una cohorte de 500 fumadores, el 80% hombres y el 20%
mujeres. En lugar de tomar 500 controles no fumadores al azar (solo el 20%
serían hombres), incluímos en la cohorte no expuesta un no fumador por cada
fumador de la cohorte expuesta y una no fumadora por cada fumadora de la
cohorte expuesta. Tendremos dos cohortes con una distribución similar de la
variable de confusión y, lógicamente, también similares en la distribución
del resto de las variables conocidas (en caso contrario no podríamos
compararlas).
¿Hemos solucionado el problema de la confusión?. Vamos a comprobarlo.
Vemos la tabla de contingencia de nuestro estudio con 1000 personas, el 80%
hombres y el 20% mujeres en los
dos grupos, expuestos y no
expuestos. Como sabemos el riesgo
de desarrollar cáncer en función
del sexo y el estado de fumador,
podemos calcular el número de
personas que esperamos que
desarrollen cáncer a lo largo del estudio: 24 fumadores (el 6% de 400),
ocho no fumadores (2% de 400), tres fumadoras (3% de 100) y una mujer no
fumadora (1% de 100).
Con estos datos podemos construir las tablas de contingencia, global y
estratificadas por sexos, que esperamos encontrar al finalizar el
seguimiento. Si calculamos la medida de asociación (en este caso, el riesgo
relativo) en hombres y mujeres por separado vemos que coincide (RR = 3).
Además, es el mismo riesgo que el de la cohorte global, así que parece que
hemos conseguido cerrar la puerta trasera. Ya sabemos que, en un estudio de
cohortes, el emparejamiento por el factor de confusión nos permite
contrarrestar su efecto.
Ahora supongamos que en lugar de un estudio de cohortes queremos
realizar un estudio de casos y controles. ¿Podemos usar el emparejamiento?.
Pues claro que podemos, ¿quién nos lo va a impedir?. Pero hay un pequeño
problema.
Si pensamos un poco, nos daremos cuenta de que el emparejamiento con las
cohortes influye tanto sobre la exposición como sobre el efecto. Sin
embargo, en los estudios de casos y controles, el forzar una distribución
similar del factor de confusión afecta solo a su influencia sobre el efecto
y no a la que tiene sobre la exposición. Esto es así porque al homogeneizar
según el factor de confusión se hace también según otros factores
relacionados con él, entre otros, la propia exposición. Por este motivo, el
emparejamiento no nos garantiza el cierre de la puerta trasera en los
estudios de casos y controles.
¿Alguien no se lo cree?. Vamos
a suponer que, al finalizar el
estudio de cohortes, seleccionamos
330 personas con cáncer laríngeo
(80% hombres y 20% mujeres). Para
hacer el estudio de casos y
controles seleccionamos como
controles un grupo de personas de
la misma población que no tenga
cáncer laríngeo (es lo que se
denomina un estudio de casos y
controles anidado en un estudio de
cohortes).
El número de expuestos y no expuestos lo conocemos de los datos que
dimos al principio de la población general, conociendo el riesgo de cáncer
que se presenta según el género y la exposición al tabaco. Por otra parte,
podemos también construir la tabla de los controles, ya que sabemos el
porcentaje de exposición al tabaco según el sexo.
Por último, con los datos de estas tres tablas podremos construir las
tablas de contingencia para el estudio global y las correspondientes a
hombres y mujeres.
En este caso, la medida de asociación idónea es la odds ratio, que tiene
un valor de tres para hombres y mujeres, pero que es de 2,18 para la
población global del estudio. Vemos, pues, que no coinciden,
lo que nos está diciendo que no nos hemos librado completamente del efecto
de la variable de confusión aunque hayamos utilizado la técnica de
emparejamiento para seleccionar el grupo control.
Entonces, ¿no puede utilizarse el emparejamiento en los estudios de
casos y controles?. Pues sí, sí que se puede, aunque el análisis de los
resultados para estimar la medida de asociación ajustada es un poco
diferente. Pero esa es otra historia…