Como Interpretar Odds Ratio Menor Que 1?

Como Interpretar Odds Ratio Menor Que 1?

Conceptos estadísticos clave

El promedio de pacientes en el grupo control y en el grupo de tratamiento del estudio que alcanza un objetivo determinado, dice mucho sobre el efecto real del fármaco.

Aunque lo verdaderamente importante es determinar si la diferencia entre los grupos de tratamiento es estadísticamente significativa (si la diferencia observada refleja un patrón y no se debe a la casualidad) y por lo tanto puede ofrecer un verdadero beneficio a los pacientes.

Los análisis estadísticos miden y evalúan los datos del estudio para tratar de proporcionar medidas objetivas de la eficacia de los tratamientos, la probabilidad de que las diferencias entre los tratamientos muestren cambios relevantes en el riesgo de ciertos eventos (signos, síntomas o factores de la enfermedad) y dan una medida matemáticamente precisa de la eficacia y beneficios de los tratamientos.

La interpretación correcta de los resultados de los ensayos clínicos depende del adecuado y preciso análisis estadístico y la comprensión de lo que significan tanto numéricamente como en impacto a los pacientes.

Usando estadísticas para describir diferencias

  • ■ Significación Estadística
  • Medida matemática que sirve para evaluar la diferencia entre los grupos estudiados; se mide la diferencia en un valor (por ejemplo: número de personas que consiguieron una RC) que se ha podido observar en un grupo de tratamiento en comparación con el otro, y se considera que es estadísticamente significativa si se trata de un valor mayor que el que el que se podría esperar que sucediera solo por casualidad.
  • ■ Valores de probabilidad (p)

El p-valor es la probabilidad de obtener un resultado estadístico por casualidad. Cuanto más bajo sea el p-valor, menos probable es que el resultado obtenido sea debido a la casualidad, y por lo tanto este resultado se podrá atribuir al fármaco sometido a ensayo.

El p-valor para que el resultado se considere significativo puede variar en algunos casos pero por lo general se fija en 0,05. Un p-valor de 0,05 significa que hay sólo un 5% probabilidad de que el resultado ocurriese por casualidad – y por lo tanto que el resultado sea debido a una verdadera diferencia entre los efectos del tratamiento.

Como Interpretar Odds Ratio Menor Que 1?

■ Promedios – la mediana y la media

Las mejoras observadas en valores como el de supervivencia libre de enfermedad o supervivencia global, se resumen en valores que reflejan por donde está “el centro” de todo el grupo.

La mediana es el valor medio de un conjunto de números cuando están colocados en orden de menor a mayor, por ejemplo, la mediana de 5, 7, 9, 10, 13, 18, 23 es 10. En un ensayo clínico, se alcanza la mediana cuando el 50% de los pacientes han experimentado un evento (como muerte o recurrencia).

La mediana para una valoración final sen representa normalmente con una ‘m’ minúscula, por ejemplo mELP (mediana de enfermedad libre de progresión).

Es importante recordar que considerar el valor de la mediana para medir supervivencia no siempre proporciona la imagen más precisa de los efectos de un tratamiento.

Por ejemplo, si el 51% de los pacientes ganan sólo dos meses o menos de supervivencia gracias a un tratamiento, mientras que el 49% gana 10 o más meses, por definición la mediana de supervivencia se calcularía como menos de dos meses – que no es un verdadero reflejo del beneficio. Del mismo modo, si un ensayo tenía, por ejemplo, 800 pacientes, la mediana se alcanzaría una vez que 400 alcancen el objetivo (por ejemplo, experimentar un evento en particular). Pero el otro 400 puede potencialmente responder mucho mejor, y la mediana no reflejaría esto.

  1. Otra forma de medida es – la media – .
  2. La media es la estimación calculada al sumar un conjunto de números (por ejemplo, un conjunto de resultados) y dividiendo por el número de valores sumados. Por ejemplo la media de 5, 7, 9,
  3. 10, 13, 18, 23 es la suma de todos ellos divididos entre 7 = 12,1.

Como Interpretar Odds Ratio Menor Que 1?

  • ■ Hazard ratio (HR)
  • El cociente de riesgo o Hazard ratio, es el riesgo relativo de que ocurra un evento (por ejemplo, progresión de la enfermedad) en un grupo del ensayo en comparación al otro, durante toda la duración del estudio.
  • Un HR de 1 significa que no hay diferencia entre los grupos, un HR de 2 significa que hay un riesgo doble y un HR de 0,5 indica que hay la mitad de riesgo de que un evento ocurra en un grupo con respecto al otro.

En el siguiente ejemplo, un HR para la Supervivencia Global de 0,73 indica que hay una reducción del 27% en el riesgo de progresión o muerte en el grupo tratado con el fármaco A comparando con el fármaco B. Se calcula de la siguiente manera: 1-0,73 (de HR) x 100 = 27% de reducción del riesgo.

Es importante destacar que, a diferencia de las medias, el Hazard ratio tiene en cuenta la diferencia en los eventos durante todo el período del ensayo, no solo en un punto específico durante el ensayo o al final, por lo que es un buen predictor del efecto real del tratamiento en toda la población de pacientes. Esta metodología tiene la ventaja de utilizar toda la información disponible, incluyendo los pacientes que no completaron el ensayo por cualquier motivo. Un HR por lo tanto es más útil cuando el riesgo para la valoración final descrita no es constante con respecto al tiempo.

Como Interpretar Odds Ratio Menor Que 1?
Como Interpretar Odds Ratio Menor Que 1?

■ Intervalo de confianza (IC )

El porcentaje de IC indica la certeza de que un resultado fallará en un rango de resultados marcados específicamente con “Límites de confianza” inferior y superior por ejemplo: Un resultado HR del 95% con un IC de 0,65 (inferior) – 0,80 (superior) significa que con una certeza del 95%, en las mismas condiciones de estudio el resultado de HR estará entre 0,65 y 0,80 para la misma población. Dependiendo lo estrecho o ancho de este rango se puede proporcionar información muy valiosa sobre la precisión de los resultados. Un IC estrecho implica precisión alta y un amplio IC implica precisión pobre. El IC se utiliza como una indicación de cómo un resultado de un estudio se reflejará en la población de pacientes en general fuera de la investigación.

■ Reducción del riesgo absoluto (RRA) y Reducción del riesgo relativo (RRR)

RRA es la diferencia absoluta entre el número de eventos (por ejemplo, porcentaje de pacientes que han progresado) que se produjeron en el grupo de tratamiento y el número de los eventos en el grupo control.

Por ejemplo, en un estudio en el que el 10% de los pacientes tratados con el fármaco A progresaron frente a un 15% de los pacientes tratados con el fármaco B, hay una RRA del 5% en la progresión de la enfermedad con el fármaco A en comparación con el fármaco B: RRA = 15% -10% = 5%.

La RRR por otro lado, observa esa misma diferencia entre los grupos de pacientes tratados con diferentes tratamientos, pero expresa el cambio en el riesgo como un porcentaje, en lugar de una diferencia en valores absolutos. Usando el ejemplo anterior, la RRR de la progresión se reduce en un 33% con el medicamento A en comparación con el medicamento B: RRR = (15-10) / 15 = 5/15 = 33,3%.

■ Número necesario a tratar (NN T)

El NNT es una estadística que informa del número de pacientes que necesitan ser tratados con una terapia (o combinación de terapias) para que un paciente obtenga un determinado objetivo.

El NNT se calcula a partir de datos de estudios clínicos y se considera una medida para decidir si un tratamiento beneficia a un gran número o sólo a un limitado número de pacientes que recibieron un fármaco.

Cuanto menor sea el NNT más efectivo será el tratamiento.

■ Ratio Odds (RO)

Es una medida de la efectividad del tratamiento, el RO es el índice de probabilidad de que un evento ocurra en el grupo de tratamiento expresado como un porcentaje de la probabilidad de que ese evento ocurra en el grupo control.

Cuanto más cercanos sea el RO a 1, menor será la diferencia entre el efecto del tratamiento de intervención y el tratamiento control.

Si el RO es mayor (o menor) de 1, entonces los efectos del tratamiento son mayores (o menores) que los del tratamiento control.

Forma habitual de presentar los resultados de los ensayos clínicos

Importancia de evaluar los cambios en el tiempo

Los métodos estadísticos permiten analizar y examinar toda la información de un estudio en el tiempo para descubrir si hay diferencias estadísticamente significativas entre los tratamientos que la simple medida de la mediana (una medida tomada en un punto particular dentro del ensayo) no puede representar. Con la herramienta estadística correcta, puede realizarse una medida precisa del efecto de un tratamiento que tenga en cuenta los diferentes tiempos de inicio y la duración del tiempo que los pacientes han estado en tratamiento.

Leia também:  Como Saber Quem É O Dono De Um Terreno?

■ Curva de Kaplan-Meier (KM)

Las curvas KM representan la proporción de la población de estudio que aún sobreviven (o libre de enfermedad o algún otro resultado especificado u objetivo) en tiempos sucesivos. Este es el método más comúnmente utilizado para representar la supervivencia global o eficacia.

En el caso de curvas de KM en los estudios de tratamiento que demuestran supervivencia global, las curvas proporcionan un gráfico para un periodo de tiempo determinado. Comparan los pacientes que reciben el fármaco en investigación con los del grupo control, mostrando el porcentaje de pacientes que siguen vivos en un momento determinado.

Calcula este porcentaje de acuerdo al tiempo que un paciente ha estado recibiendo un tratamiento, en lugar de considerar desde cuando entraron en el estudio.

Cuanto mayor sea la separación de las curvas mayor será la diferencia entre los grupos de tratamiento en el valor que estén siendo analizados.

Si los grupos de tratamiento representados en la curva KM siguen un camino similar, sugiere que hay sólo una pequeña diferencia entre los grupos del estudio en el valor medido.

Si los grupos se uniesen, significaría que en ese momento determinado no había diferencia entre los dos grupos del estudio.

Como Interpretar Odds Ratio Menor Que 1?

■ Forest plot (FP) : Análisis de Subgrupos

Cuando varios ensayos han estudiado un mismo tratamiento, o subgrupo de pacientes dentro de un ensayo que puedan responder de manera diferente al tratamiento, el análisis de subgrupos es una manera de mostrar y comparar los diferentes grupos de información.

El análisis de subrupos es una forma útil de analizar de un vistazo si el beneficio o el efecto de un tipo de tratamiento es uniforme en todos los estudios o en los diferentes subgrupos de pacientes.

Un conjunto de datos, por ejemplo un subgrupo o estudio determinado, generalmente se muestra con un cuadrado.

El tamaño de los cuadrados es proporcional al tamaño o peso (importancia) de los datos descritos, y las líneas horizontales a ambos lados de cada cuadrado representan los intervalos de confianza.

La gráfica muestra visualmente si un tratamiento proporciona o no un resultado positivo en un grupo particular de pacientes en relación con otro tratamiento, usando dos columnas y una línea vertical divisoria que representa cuando el tratamiento no tiene efecto.

Normalmente, los datos que caen a la izquierda de la línea vertical muestran que el tratamiento en estudio es más eficaz que el comparador, mientras que los datos que caen en el lado derecho de la línea vertical (sin efecto) sugieren que en ese subgrupo o ensayo el comparador es más eficaz que el tratamiento en estudio.

En el siguiente ejemplo (ver imagen 10) se muestra el Hazard Ratio de la SLP de los diferentes subgrupos de pacientes.

El tratamiento A es más eficaz que el tratamiento B en los subgrupos de pacientes que caen a la izquierda de la línea vertical.

Sin embargo, los subgrupos que se encuentran en la derecha de la línea vertical significan que en esos subgrupos de pacientes el tratamiento B es más eficaz que tratamiento A.

Habitualmente los análisis de subgrupos proporcionan hipótesis de trabajo para estudios prospectivos posteriores.

Como Interpretar Odds Ratio Menor Que 1?

Salud Pública

  • Son expresiones estadísticas que buscan representar la relación entre variables en estudio, lo que permite sacar conclusiones sobre la asociación y/o impacto que existe entre ellas. 
  • MEDIDAS DE ASOCIACIÓN
  • Las clásicas medidas de asociación son:
  • Razón de prevalencia (principalmente en estudios transversales)
  • Odds Ratio (principalmente en estudios transversales y casos y controles)
  • Riesgo Relativo (sólo en estudios de cohorte y experimentales)
  • Razón de tasas de incidencia (sólo en estudios de cohorte y experimentales)

Razón de prevalencia:

Para calcular esta medida de asociación se construye una tabla de cuatro celdas (cuando se trata de variables dicotómicas) donde las columnas registran el número de enfermos y no enfermos y las filas, el número de expuestos y no expuestos:

Enfermos No Enfermos Total
Expuestos a b a+b
No Expuestos c d c+d
Total a+c b+d a+b+c+d = N
  1. Donde: 
  2. a+c = número de enfermos en la población. 
  3. a/(a+b) = prevalencia de enfermedad en los expuestos. 
  4. c/(c+d) = prevalencia de enfermedad en los no expuestos.
  5. (a+c)/(a+b+c+d)= prevalencia de enfermedad en la población. 

Un valor de uno en la razón de prevalencias se interpreta como igual prevalencia de enfermedad entre expuestos y no expuestos. Un valor mayor de uno significa que la prevalencia es mayor en los expuestos que en los no expuestos. Un valor menor a uno significa que la prevalencia es mayor en los no expuestos que en los expuestos. 

Odds Ratio:

A diferencia de los estudios de cohorte, donde se puede calcular la tasa de incidencia y el riesgo relativo, en los estudios de casos y controles no se puede estimar directamente la incidencia de la enfermedad en sujetos expuestos y no expuestos.

Esto se debe a que los individuos son seleccionados con base en la presencia o ausencia del evento de estudio y no por el status de exposición, donde podrá estimarse la incidencia, si se conocen las fracciones muestrales de exposición, tanto en los casos como en los controles.

Por esta razón, un buen estimador para medir la asociación entre una exposición y una enfermedad, es la Razón de Disparidad o Razón de productos cruzados u Odds Ratio.

A continuación, se presentan consideraciones básicas del análisis de casos y controles. Se basa en la tabla tradicional de 2 x 2. Es indispensable recordar que se parte de la base que el evento ya ocurrió y que se medirá el antecedente de exposición.

Casos Controles a = casos expuestos
Expuestos a b b = controles expuestos
No Expuestos c d c = casos no expuestos
Total a+c b+d d = controles no expuestos

Se puede calcular la proporción de los casos que fueron expuestos [a/(a+c)] y la proporción de controles también expuestos [b/(b+d)], y comprobar si la frecuencia de expuestos es mayor en el grupo de los casos que en el grupo de los controles. Como se comentó anteriormente, existe una vía alternativa o indirecta de hacer el cálculo de la fuerza de asociación: Desigualdad relativa = Razón de disparidad = Riesgo relativo estimado = Odds ratio = O.R..

  • Se calcula de una manera simple, por el cociente de los productos cruzados de la tabla de 2×2:
  • Como Interpretar Odds Ratio Menor Que 1?Como Interpretar Odds Ratio Menor Que 1?
  • Interpretación de los resultados:

Si el intervalo de confianza del O.R. incluye al valor nulo (1), la exposición no está asociada con el evento o enfermedad; si el O.R.

es menor de uno y su intervalo de confianza no incluye al 1, la exposición está asociada de manera inversa con el evento, esto es, la exposición es un factor protector; si el O.R.

es mayor de uno y su intervalo de confianza no incluye al 1, la exposición se encuentra asociada positivamente con el evento, lo que quiere decir que la exposición aumenta la posibilidad de desarrollar el evento y, por lo tanto, es un factor de riesgo. 

Riesgo Relativo 

La base del análisis de un estudio de cohorte es la evaluación de la ocurrencia de un evento como consecuencia de haber estado expuesto o no a un factor resultante del seguimiento en el tiempo, el resultado de esta evaluación lo llamaremos riesgo relativo (R.R.), para esto se compara la incidencia del evento en los expuestos con la incidencia en los no expuestos. El término “riesgo” implica que la presencia de una característica o factor aumenta la probabilidad de consecuencias adversas.

Existen distintas formas de cuantificar ese riesgo: 

  • Riesgo Absoluto: mide la incidencia del daño en la población total. 
  • Riesgo Relativo: compara la frecuencia con que ocurre el daño entre los que tienen el factor de riesgo y los que no lo tienen.

El riesgo relativo mide la fuerza de la asociación entre la exposición y la enfermedad. Indica la probabilidad de desarrollar la enfermedad en los expuestos a un factor de riesgo, en relación al grupo de los no expuestos.

Sólo es posible de calcular en estudios que trabajen con hechos incidentes, es decir, cohorte y experimentales.

Cuando existe una asociación positiva entre la exposición y el evento (riesgo), se esperaría que la proporción del grupo expuesto que desarrolló la enfermedad, sea mayor que la proporción del grupo no-expuesto, que también presentó el evento (incidencia del grupo expuesto vs.

 incidencia del grupo no-expuesto). Partiendo de un grupo expuesto donde “a” sujetos desarrollan el evento y “b” sujetos no desarrollan el evento, tenemos entonces, que la incidencia acumulada de la enfermedad entre los expuestos es:

De la misma manera, en el grupo de sujetos no-expuestos, “c” y “d”, el evento ocurre en “c” sujetos, pero no en “d” sujetos, tenemos entonces, que la incidencia acumulada de la enfermedad entre los no-expuestos es:

Leia também:  Como Ver Quem Visualizou O Video No Instagram?
Evento No Evento Total
Expuestos a b a+b
No Expuestos c d c+d

El riesgo relativo (R.R.) se estima dividiendo la incidencia acumulada del grupo expuesto entre la incidencia del grupo no-expuesto:

Razón de Tasas de Incidencia

Muchas veces los tiempos de participación de los distintos sujetos del estudio son distintos, ya sea por abandono o por que ingresaron en distintos tiempos al estudio. Una forma de tratar periodos de seguimiento variables es con el análisis basado en tiempo-persona.

Cuando se ha cuantificado el tiempo-persona de seguimiento para cada sujeto, el denominador cambia a una dimensión de tiempo (las unidades son por ejemplo, años-persona, días-persona, horas-persona).

Esto nos permite estimar la “tasa” de los casos incidentes en una unidad de tiempo determinada (que expresa la velocidad de aparición de un determinado evento).

Consideremos una cohorte donde se conoce el tiempo que cada individuo ha permanecido en el seguimiento, se puede calcular la tasa de incidencia de acuerdo con el estado de exposición de cada sujeto.

Muerte por leucemia Tiempo/persona
Déficit nutricional a Tp exp
Estado nutricional normal c Tp no exp
  1. Así, partiendo de un grupo de sujetos “a” que presentan el evento y la exposición, y el tiempo-persona de seguimiento “tp e” de estos sujetos expuestos, se puede calcular la tasa de incidencia para los expuestos (TI 1):
  2. TI 1 = a / tp ex.
  3. De la misma manera, consideremos un grupo “b” de sujetos con el evento, pero sin la exposición y el tiempo-persona de seguimiento de estos sujetos “tp no ex”, en los cuales se puede calcular la tasa de incidencia para los sujetos no-expuestos (TI 0):
  4. TI 0 = b / tp n ex.

El cálculo de la razón de tasas de incidencia (R.T.I. = R.D.I.) se deriva de la siguiente manera:

R.T.I. = a = TI1
tp ex
c TI0
tp no ex

Tomando un ejemplo hipotético de estado nutricional y leucemia, en el cual 15 sujetos con bajo estado nutricional (contribución de 571 días-persona de seguimiento) y ocho sujetos del grupo con estado nutricional normal (contribución de 1.

772 días-persona de seguimiento) desarrollaron el evento (muerte).

Por lo tanto, la velocidad de ocurrencia del evento es 6,6 veces más alta en el grupo de sujetos con bajo estado nutricional que en el grupo de sujetos con estado nutricional normal.

Muerte por leucemia Tiempo/persona
Déficit nutricional 15 571
Estado nutricional normal 7 1.772
  • TI 1= 15/571 = 0,0263
  • TI 0 = 7/ 1772= 0,0040
  • RTI = 0,0263/0.0040 = 6,6
  • RTI (RDI) > 1, la presencia de la exposición se asocia a mayor ocurrencia del efecto.
  • RTI (RDI) = 1, no hay asociación entre la presencia de la exposición y el efecto. 
  • Test de Hipótesis (X2)

Para evaluar si una asociación encontrada entre dos variables se debe al azar o no, podemos recurrir a pruebas estadísticas. El nivel de significación no sólo está influenciado por la magnitud de la asociación, sino también, por el tamaño de la muestra.

Es posible obtener un resultado estadísticamente significativo con una débil asociación si el tamaño de muestra es suficientemente grande y, viceversa, si la muestra es pequeña una asociación importante puede no llegar a ser estadísticamente significativa.

Es importante no presentar únicamente un valor de p, sino que éste debe acompañar a algún parámetro que exprese la magnitud del resultado, o mejor aún, un intervalo de confianza para el efecto observado. 

Intervalo de Confianza (IC) 

Para poder determinar si el parámetro calculado en nuestro estudio es real en la población, se calcula un intervalo de confianza para dicho valor. Un intervalo de confianza se define mediante dos valores (un límite superior y otro inferior) entre los cuales se encuentra el valor del parámetro con un cierto grado de confianza.

El grado de confianza se refiere a la probabilidad de que, al aplicar repetidamente el procedimiento, el intervalo contenga al parámetro. El grado de confianza es determinado por el investigador y generalmente lo define en 95% de confianza.

Al realizar un estudio analítico es fundamental el cálculo del intervalo de confianza ya sea Razón de Prevalencia (R.P.), Riesgo Relativo (R.R.), Odds Ratio (O.R.) u otras medidas de asociación.

Dicho cálculo nos indica no sólo la dirección del efecto, sino la significancia estadística, si el intervalo no engloba el valor nulo o 1, actuando como factor de riesgo si sus valores son mayores a 1 y factor protector si sus valores son menores a 1. La precisión del intervalo está directamente relacionada con el tamaño muestral del estudio.

En el caso que la medida de asociación sea una diferencia (diferencia de tasas de incidencia, prevalencia o riesgo) o una pendiente (magnitud de cambio de una variable en función de otra u otras), el intervalo de confianza no debe contener al 0 ya que este representa la no existencia de diferencia o asociación. 

Por ejemplo, se desea conocer la asociación de una enfermedad con un determinado factor de riesgo. Se conoce que la prevalencia en el grupo expuesto al factor es de 4 y en el grupo no expuesto es de 2, por lo tanto, se calcula una razón de prevalencia (R.P.) = 2.

¿Es importante este mayor riesgo en los expuestos? ¿Este incremento es significativo? Para poder llegar a responder estas preguntas debemos estimar el intervalo de confianza.

Si el valor del IC va entre 1,5 a 3,2 podemos decir con un 95% de confianza que el verdadero valor de este parámetro en la población se encontrará dentro de este intervalo.

Además podemos concluir que la asociación es verdadera, dado que al repetir 95 veces el “experimento” el valor siempre tiene el mismo sentido (mayor a 1).

Ahora si el intervalo comprendiera el valor nulo, no podemos concluir que la exposición al factor es un riesgo para desarrollar la enfermedad, dado que en un porcentaje de los estudios sería un factor protector (R.P.1) y en algunas ocasiones el riesgo sería el mismo en ambos grupos (RP=1). Esta forma de interpretación es válida para al cálculo de Odds Ratio y Riesgo Relativo. Intervalo de confianza de medidas de asociación.

Como Interpretar Odds Ratio Menor Que 1?

  1. MEDIDAS DE IMPACTO
  2. Las clásicas medidas de impacto son:
  3. Riesgo atribuible en expuestos, también conocido como riesgo atribuible, fracción
  4. atribuible, fracción etiológica o fracción prevenible.
  5. Riesgo atribuible poblacional, también es conocido con los otros nombres del riesgo atribuible, pero siempre poblacional.
  6. Estas medidas se utilizan para calcular el porcentaje de casos de una determinada

enfermedad que son atribuidos a una determinada exposición. En el riesgo atribuible poblacional se considera la prevalencia de la exposición en la población total por lo que se utiliza para calcular el % de la enfermedad que se prevendría si se controlara la exposición en la población.

Fórmula de riesgo atribuible en expuestos:

RA exp = T.I. en expuestos – T.I. no expuestos
T.I. en expuestos

Fórmula de riesgo atribuible poblacional

RAP = Prevalencia de exposición (RR – 1)
Prevalencia de exposición en población (RR – 1) + 1

Mientras mayor sea el RR o la prevalencia de la exposición en la población, mayor va a ser el impacto de eliminar el factor de riesgo. Lo contrario ocurre cuando el RR es bajo o la prevalencia de exposición al factor de riesgo en la población es baja, ya que en ese caso la eliminación del factor de riesgo es irrelevante y no constituiría una prioridad en Salud Pública.

El odds ratio y su interpretación como magnitud del efecto en investigación | Educación Médica

El odds ratio (OR) expresa si la probabilidad de ocurrencia de un evento o enfermedad: caso/no caso difiere o no en distintos grupos, por lo general catalogados de alto o bajo riesgo o también con relación a su calificación en una encuesta: resultado positivo/resultado negativo1, pero debido a que no posee límites claros es difícil interpretarlo2. Su información es fundamentalmente descriptiva, aunque si su intervalo de confianza (IC) no incluye al 1 se concluye que la asociación es estadísticamente significativa. Es decir, que la cantidad de casos que posee el grupo de alto riesgo es significativamente más grande que la cantidad de casos que ubicados en el grupo de bajo riesgo. Sin embargo, aún sigue pendiente como interpretar la magnitud del OR, aunque existen algunas alternativas, como la magnitud del efecto (ME)3.

La ME refleja la fuerza de asociación entre el evento y el riesgo especificado (grupos). Esto es importante porque va más allá de la decisión dicotómica (asociación significativa/no significativa) propia de las pruebas de significación estadística tradicionales.

De ese modo se plantea una interpretación del OR1 en función de una transformación a la d de Cohen1. Entonces, si el OR es menor que 1,68 se considera su magnitud como insignificante; si está entre 1,68-3,47, pequeña; entre 3,47-6,71, moderada; y si es mayor que 6,71, grande.

Para ejemplificar el proceso se consideró una publicación reciente de Jiménez-Núñez et al.4, quienes delimitaron factores relacionados con la automedicación. Entonces, la automedicación fue entendida como el evento (se automedica/no se automedica), y los factores enlistados como variables de riesgo (p. ej.

, Aconsejar tomar medicamentos: Sí/No). De estos factores, algunos obtuvieron OR elevados, concluyendo sobre ellos como aspectos a tomar en cuenta para futuras investigaciones. Complementariamente, siguiendo las directrices del párrafo anterior, es posible saber qué factores de riesgo son más relevantes que otros.

Leia também:  Como É Que O Olx Ganha Dinheiro?

Fueron recalculados los OR de cada variable y sus IC utilizando información de las tablas 2-4 del manuscrito4. Previamente se reconstruyeron las tablas tomando como etiqueta de riesgo alto la denominación que figuraba en cada fila (p. ej., Padre con estudios no universitarios). El procedimiento fue realizado en un módulo en MS Excel®, disponible por correo.

Luego, cada OR fue categorizado con base en su magnitud. Según los resultados, solo Considera eficaz automedicarse alcanzó un nivel moderado. Por el contrario, los demás factores de riesgo catalogados como importantes en el manuscrito alcanzaron magnitudes pequeñas (tabla 1).

Esto abre nuevas posibilidades de discusión, ya que el problema de la automedicación trae consecuencias nocivas para la salud del estudiante, y son muchos los factores implicados. Sin embargo, es necesario implementar procesos que brinden información más precisa sobre la relevancia de dichos factores.

Conflicto de intereses

El autor declara no tener ningún conflicto de intereses.

La razón de posibilidades (odds ratios) como herramienta diagnóstica de campo

En la práctica, las cosas no son nunca blancas o negras. Esto es especialmente cierto en la recogida de datos para demostrar una asociación concreta entre variables.

En ocasiones, al intentar establecer un patrón terminamos cuestionando nuestras propias observaciones porque nunca son absolutas (es decir, blancas o negras).

Los patrones de asociación son muy útiles para saber si vale la pena utilizar recursos como el tiempo, dinero u otras intervenciones que tratemos de implementar.

La razón de posibilidades (OR, por sus siglas en inglés: odds ratio) es una herramienta estadística/epidemiológica que puede utilizarse para mostrar asociaciones entre entre dos variables binarias. El cálculo de OR requiere la disposición de los datos en una tabla 2×2, por lo que tienen que estar formateados en forma categórica (por ejemplo, sí y no para dos variables independientes).

Table 1. Datos generales de diseño de una tabla 2 x 2.

Variable 1
si no
Variable 2 si a b
no c d
  • Utilizando esta tabla, la OR puede calcularse con una simple multiplicación y división cruzadas, o sea:
  • (a*d) OR= ———–
  • (b*c)

Lo interesante de la OR es que uno no tiene que preocuparse del orden de las variables (cuál está arriba y cuál a un lado) ya que el cálculo dará exactamente el mismo valor. De la fórmula anterior destaca que el valor de OR siempre será un número positivo entre cero e infinito. La OR se interpreta así:

OR1 indica que hay una asociación, siendo más fuerte como mayor sea el número.

También se puede calcular el intervalo de confianza (95 % IC) para la OR proporcionando así un rango del valor verdadero esperado. La fórmula no es muy compleja.

El punto clave es que cuando se calcula la OR con su respectivo 95 % IC, si el intervalo incluye el valor de “1” significa que la asociación no es estadísticamente significativa y que los resultados sólo pueden deberse a la casualidad.

Es importante recalcar que el cálculo de la OR no implican causa/efecto, sólo sugiere que hay una asociación.

Por ejemplo, las personas altas tienen más posibilidades de utilizar pantalones con las perneras más largas que las personas más bajas.

Así, aunque estas dos variables (altura y longitud de la pernera) están asociadas, no implica que por comprar unos pantalones más largos vayas a hacerte más alto (no hay causalidad).

Para entender mejor cómo utilizar la OR para demostrar una asociación, vamos a ver un par de ejemplos con datos de campo.

Pneumonía y úlceras gástricas

Uno de mis colegas estaba tratando de identificar si, en su sistema concreto, las úlceras gástricas estaban asociadas con pneumonía. Sabemos que hay múltiples causas para las úlceras gástricas.

Inicialmente la pregunta puede ser “Si implementamos un programa de vacunación frente a patógenos respiratorios podría disminuir la incidencia de úlceras gástricas?” Aunque muchos empezarían diseñando un estudio que resolviese esta cuestión, a nivel de campo los inicios tienen que ser diferentes.

La primera pregunta en este caso debería ser “En nuestro sistema, hay alguna relación entre la pneumonía y las úlceras gástricas?” Se trata de una pregunta importante ya que para tener un efecto, deberá haber una asociación previa. Recordemos de nuevo que la asociación no demuestra ni prueba la causalidad.

Sólo porque la pneumonía y las úlceras están asociadas en un sistema concreto no significa que al prevenir la pneumonía necesariamente tendremos un impacto sobre las úlceras gástricas (causalidad).

A partir de la necropsia de 812 cerdos, se obtuvieron los siguientes datos:

336 (41,3%) cerdos tenían úlceras/hiperqueratosis. 600 (73,9%) cerdos tenían pneumonía. 290 (35,7%) cerdos tenían úlceras/hiperqueratosis Y pneumonía

  1. 166 (20,4%) cerdos no tenían ninguna de éstas lesiones.
  2. Estos datos son un tanto confusos, por lo que para ayudarnos a descifrarlos se han transformado en una tabla 2X2 (Tabla 2) utilizando la fórmula de OR:
  3. (290*166) 48,140 OR = —————- = ———— = 3,38
  4. (46*310) 14,260

Tabla 2. Relación entre pneumonía y úlceras o hiperqueratosis en 812 cerdos.

Úlcera / hiperqueratosis
no
Pneumonía 290 310
no 46 166

Esto significa que los cerdos tienen 3,38 (95% IC, 2,35 a 4,87) veces más posibilidades de tener úlcera/hiperqueratosis si tienen pneumonía que si no la tienen. También puede leerse que los cerdos con pneumonía tienen 3,38 veces más posibilidades de padecer úlceras/hiperqueratosis.

Debido a cómo se calcula la OR, la asociación funciona en ambos sentidos entre pneumonía úlceras/hiperqueratosis.

Como el valor de IC 95% (2,35 a 4,87) no incluye el valor de 1, podemos concluir que esta OR es estadísticamente significativa (no es probable que la asociación se haya producido sólo por azar).

Ahora que sabemos que existe una asociación entre pneumonía y úlceras/hiperqueratosis, podemos intuir que posiblemente habrá un impacto. Ahora podemos dedicar tiempo y recursos a un estudio para ver si la implementación de un programa vacunal contra patógenos respiratorios puede ayudar a disminuir las úlceras gástricas.

Primerizas y diarrea neonatal

En el segundo caso, un cliente había notado un incremento de diarrea en lechones de 3 días de vida. Culpaba a su nuevo proveedor de primerizas de haber introducido un patógeno nuevo en la granja. Se trataba de una explotación de 1.250 cerdas.

El día que lo visitamos nos comunicó que 17 de las 58 camadas (29,3 %) tenían un brote de diarrea. Al revisar las salas con diarrea se veía que muchas de las camadas de primerizas estaban afectadas, aunque también lo estaban algunas de cerdas viejas.

Se procedió a formular la tabla 2X2 (Tabla 3) y a calcular la OR = 14 (95% IC, 3,6 a 54,3).

Tabla 3. Relación entre lechones con diarrea y número de parto (primerizas vs. cerdas viejas).

Lechón con diarrea
no
Primeriza 12 6
no 5 35

En este caso, los lechones con diarrea tienen 14 veces más posibilidades de ser de primerizas que de cerdas viejas y esto no ocurría por casualidad (o sea, es estadísticamente significativo).

Si las primerizas hubieran traído un nuevo patógeno, serían los lechones de las cerdas viejas los que tendrían la diarrea, ya que sus madres no les habrían transferido inmunidad.

Había una fuerte evidencia de que las camadas de primerizas tenían más posibilidades de padecer diarrea, por lo que probablemente estas cerdas habían estado expuestas a algo nuevo para ellas, pero que ya debía estar en la granja. Las intervenciones deberían centrarse en las primerizas, antes que en el resto de cerdas.

En resumen, la OR es una gran herramienta de campo que puede ayudar a cuantificar la fuerza de las asociaciones entre dos variables dicotómicas.

Como mayor sea la asociación (es decir, como mayor sea el valor de la OR), más probable será que un cambio en una variable afecte a la otra.

Si se quiere cuantificar el impacto que tendrá el cambio, necesitas demostrar la causalidad y calcular el riesgo atribuible a cada variable.

Clica aquí para descargar una hoja de cálculo para calcular la razón de posibilidades

Seja o primeiro a comentar

Faça um comentário

Seu e-mail não será publicado.


*