LIBRO... Principios de Epidemiol para Control de Enf

Organizacin Panamericana de la Salud Organizacin Mundial de la Salud
Mdulo de Principios de Epidemiologa para el Control de Enfermedades (MOPECE)

Medicin de las condiciones de salud y enfermedad en la poblacin
Organizacin Panamericana de la Salud Oficina Sanitaria Panamericana, Oficina Regional de la Organizacin Mundial de la Salud
Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin
Organizacin Panamericana de la Salud Oficina Sanitaria Panamericana Oficina Regional de la Organizacin Mundial de la Salud 525 Twenty-third Street, N.W. Washington, D.C. 20037, E.U.A 2010
2010 Organizacin Panamericana de la Salud. Todos los derechos reservados. Est permitida la reproduccin parcial o total de esta obra, siempre y cuando sea citada la fuente y que no sea destinada a la venta o cualquier otra finalidad comercial. Mdulos de Principios de Epidemiologa para el Control de Enfermedades fue elaborado por el Programa Especial de Anlisis de Salud de la Oficina Central de la Organizacin Panamericana de la Salud (Washington, DC-EUA) en 2001. ISBN:92 75 32407 7. Elaboracin, distribucin e informaciones: ORGANIZACIN PANAMERICANA DE LA SALUD Oficina Sanitaria Panamericana, Oficina Regional de la ORGANIZACIN MUNDIAL DE LA SALUD 525 Twenty-third Street, N.W. Washington, D.C. 20037, E.U.A http://www.paho.org Colaboracin: Jos Moya, Oscar J. Mujica, Steven K. Ault, Jacobo Finkelman, Ftima Marinho, Diego Victoria. Tapa, Proyecto Grfico y Diagramacin: All Type Assessoria Editorial Ltda Editores Carlos Castillo-Salgado Oscar J Mujica Enrique Loyola Jaume Canela Revisores tcnicos Gabriela Fernndez Enrique Vzquez Patricia Gassibe Soledad Velzquez Edgar Navarro Patricia Arbelez Mayra Cartn Eduardo Velasco
Revisin editorial Lucila Pacheco Se agradece especialmente la colaboracin de: Gilberto Ayala, Julio Alberto Armero, Xiomara Badilla, Itza Barahona de Mosca, Herbert Caballero, Marco Tulio Carranza, Roco Cuevas, Thais Dos Santos, Carlos Flores, Modesta Haughton, Jos Federico Hernndez, Marlo Libel, Miguel Machuca, Alfredo Molt, Jos Moya, Carlos Muoz, Maritza Ortega, Alberto Paredes, Rosala Quinteros, Mirta Roses, Patricia Ruiz, Gloria Tewres, Guadalupe Verdejo, Reinaldo Viveros, as como a mltiples epidemilogos de la Regin de las Amricas, por su participacin y recomendaciones sugeridas durante el proceso de prueba de materiales Catalogacin Bibliogrfica Organizacin Panamericana de la Salud Mdulo de principios de epidemiologa para el control de enfermedades (MOPECE) : unidad 3 : medicin de las condiciones de salud y enfermedad en la poblacin. / Organizacin Panamericana de la Salud. Washington, D.C. : OPS, 2010. 92 p.: il. ISBN: 92 75 32407 7 1. Salud Pblica Epidemiologa 2. Educacin profesional en Salud Pblica I. Organizacin Panamericana de la Salud. II. Ttulo. NLM: WC 503.4 Anlisis de Salud. Vigilancia de la Salud, Prevencin y Control de Enfermedades. HA/HSD. OPS/OMS. 2010
Indice
Contenidos y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Medicin de salud y enfermedad en la poblacin . . . . . . . . . . . . . . . . . . . . .6 Tipos de datos y su tabulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10 Presentacin grfica de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15 Medidas de resumen de una distribucin . . . . . . . . . . . . . . . . . . . . . . . . . .20 Medidas de tendencia central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20 Medidas de dispersin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25 Medidas de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31 Prevalencia e incidencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32 Comparacin de la frecuencia de enfermedad y medidas de asociacin . .58 Medidas de asociacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59 Comparacin de dos Proporciones: La Prueba Chi Cuadrado . . . . . . . . . . . . .61 Medidas de la fuerza de asociacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .65 Riesgo Relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .65 Apndice estadstico - epidemiolgico . . . . . . . . . . . . . . . . . . . . . . . . . . . . .72 Comparacin de dos Promedios: La Prueba Z . . . . . . . . . . . . . . . . . . . . . . . . .72 Intervalos de Confianza para promedios y proporciones . . . . . . . . . . . . . . . .73 Razn de Posibilidades (Odds Ratio) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77 Medidas de impacto potencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .81 Riesgos atribuibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .81 Fracciones atribuibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .82 Estandarizacin de tasas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86 Referencias bibliogrficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91
Organizacin Panamericana de la Salud / OMS
Contenidos y objetivos
Esta Unidad presenta las medidas comunes de cuantificacin de las condiciones de salud y enfermedad, sus aplicaciones y limitaciones; el ordenamiento y presentacin tabular y grfica de datos epidemiolgicos; las medidas de resumen y de asociacin. Esta Unidad se enfoca en los mtodos para la presentacin y anlisis de datos cuantitativos. Los objetivos de la presente Unidad son: Describir las formas de medicin de la salud y sus aplicaciones. Identificar las formas y usos de la presentacin tabular y grfica de datos. Describir, calcular, interpretar y aplicar las medidas de resumen de datos. Describir, calcular, interpretar y aplicar las medidas de asociacin.
Medicin de salud y enfermedad en la poblacin

Existen diversas formas de medir la salud, dependiendo de cul es su definicin; una definicin amplia medira el nivel de salud y bienestar, la capacidad funcional, la presencia y causas de enfermedad y muerte y la expectativa de vida de las poblaciones (Donaldson, 1989). Existen distintas medidas e indicadores de bienestar (social o econmico) en salud y se han desarrollado ciertos ndices de salud positiva (Alleyne, 1998), tanto con fines operacionales, como para investigacin y promocin de condiciones saludables, en dimensiones tales como la salud mental, autoestima, satisfaccin con el trabajo, ejercicio fsico, etc. La recoleccin de datos y la estimacin de indicadores tienen como fin generar, en forma sistemtica, evidencia que permita identificar patrones y tendencias que ayuden a emprender acciones de proteccin y promocin de la salud y de prevencin y control de la enfermedad en la poblacin. Entre las formas ms tiles y comunes de medir las condiciones generales de salud de la poblacin destacan los censos nacionales, que se llevan a cabo decenalmente en varios pases. Los censos proporcionan el conteo peridico de la poblacin y varias de sus caractersticas, cuyo anlisis permite hacer estimaciones y proyecciones. Para permitir las comparaciones a lo largo del tiempo en una misma poblacin o bien entre poblaciones diferentes, se requiere de procedimientos de medicin estandarizados.
Medicin: Es el procedimiento de aplicar una escala estndar a una variable o a un conjunto de valores .
La medicin del estado de salud requiere sistemas armonizadores y unificados como la Clasificacin Estadstica Internacional de Enfermedades y Problemas Relacionados con la Salud (CIE), en su Dcima Revisin, cuyos XXI captulos inician con ciertas enfermedades infecciosas y parasitarias (A00-B99) y culminan con factores que influyen en el estado de salud y contacto con los servicios de salud (Z00-Z99). Los indicadores de salud miden de la poblacin distintos aspectos relacionados con la funcin o discapacidad, la ocurrencia de enfermedad o muerte, o bien aspectos relacionados con los recursos y desempeo de los servicios de salud. Los indicadores de salud funcional tratan de medir el impacto de los problemas de salud en la vida diaria, como por ejemplo la capacidad para llevar a cabo actividades cotidianas, lesiones y accidentes en el hogar y el lugar de trabajo, y aos de vida libres de discapacidad. Los datos se obtienen generalmente a travs de encuestas y registros de discapacidades. Los ndices de calidad de vida incluyen variables de funcin tales como
la actividad fsica, la presencia de dolor, el nivel de sueo, de energa, o el aislamiento social. Los indicadores de morbilidad miden la frecuencia de problemas de salud especficos tales como infecciones, cnceres, accidentes en el trabajo, etc. Las fuentes de datos suelen ser registros de hospitales y servicios de salud, notificacin de enfermedades bajo vigilancia y encuestas de seroprevalencia y de autoreporte de enfermedad, entre otros. Cabe mencionar que las enfermedades crnicas, por su larga evolucin, requieren de monitoreo de etapas clnicas, por lo que es preferible contar con registros de enfermedad (cncer, defectos congnitos) (Newcomer, 1997). Los indicadores de mortalidad general o por causas especficas permiten comparar el nivel general de salud e identificar causas de mortalidad relevantes como accidentes, tabaquismo, etc. El registro de la mortalidad requiere de la certificacin de la muerte, para lo cual se usa el Certificado Mdico de Defuncin. La mortalidad se presenta comnmente como nmeros crudos, proporciones, o tasas por edad, sexo y causas especficas. Adems de la medicin del estado de salud, tambin es necesario medir el desempeo de los servicios de salud. Tradicionalmente esta medicin se ha enfocado a insumos y servicios; en la actualidad se considera preferible medir los procesos y funciones de los servicios de salud (Turnock, 1997). Conjuntamente con los indicadores mencionados, la medicin en salud requiere de la disponibilidad de datos sobre caractersticas relevantes de la poblacin (variables), tales como su tamao, composicin, estilos de vida, clases sociales, eventos de enfermedad, nacimientos y muertes. Los datos para la medicin en salud provienen de diversas fuentes, por lo que deben de tomarse en cuenta aspectos relacionados con la validez, calidad, integridad y cobertura de los datos mismos y sus fuentes. Los datos, cuantitativos o cualitativos, que se obtienen y registran de los servicios de salud y las estadsticas vitales representan la materia prima para el trabajo epidemiolgico. Si los datos son incompletos o inconsistentes, se obtendrn medidas sesgadas o inexactas, sin importar la sofisticacin del anlisis epidemiolgico, y las intervenciones derivadas de su uso no sern efectivas. La deficiente cobertura de los servicios en amplios sectores de poblacin en varios pases, limita la generacin de informacin til y necesaria para resolver los problemas de salud que afectan de manera especfica a sus comunidades. An cuando los datos estn disponibles y sean confiables, su utilizacin para la gestin en salud puede ser insuficiente. Con el propsito de responder a la necesidad de contar con un conjunto de datos validados, estandarizados y consistentes de los pases de las Amricas, la Organizacin Panamericana de la Salud (OPS) trabaja desde 1995 en la Iniciativa Regional de Datos
Bsicos de Salud. Se incluye en esta fuente una serie histrica de 117 indicadores demogrficos, socioeconmicos, de morbilidad y mortalidad y de recursos, acceso y cobertura de servicios de salud, de los 48 Estados y Territorios de la Regin. Una vez que se cuenta con los datos e indicadores de salud, una de las dificultades presente en los servicios de salud tiene que ver con las limitaciones para el manejo correcto de la informacin numrica, su anlisis e interpretacin, funciones que requieren el uso de los principios de la epidemiologa y la bioestadstica. Resulta paradjico que en el nivel en que ocurren los problemas y en donde se solucionan, los procedimientos y tcnicas para la obtencin, medicin, procesamiento, anlisis, interpretacin y uso de datos an no estn plenamente desarrollados. Para la correcta toma de decisiones en todos los niveles de los servicios de salud, basada en informacin pertinente, es necesaria la capacitacin permanente del equipo local de salud y de sus redes en la recoleccin, manejo, anlisis e interpretacin de datos epidemiolgicos. La cuantificacin de los problemas de salud en la poblacin requiere de procedimientos y tcnicas estadsticas diversas, algunas de ellas de relativa complejidad. Dadas las caractersticas multifactoriales de los problemas de salud, las tcnicas cualitativas son tambin valiosas para aproximarse al conocimiento de los determinantes de salud. Es por ello que existe la necesidad de incorporar, en forma dialctica, mtodos y tcnicas cuantitativas y cualitativas que permitan estudiar los diversos componentes de los objetos de estudio. En el anlisis cuantitativo el empleo de programas computacionales facilita el manejo y anlisis de datos, pero no se deben sobrestimar sus alcances y aplicaciones. Su utilidad es mayor cuando se establecen redes de colaboracin y sistemas de informacin en salud, que permiten el manejo eficiente de grandes bases de datos y generan informacin oportuna y til para la toma de decisiones. Un programa computarizado reduce notablemente el tiempo de clculo, procesamiento y anlisis de los datos, pero es el trabajo humano el que aporta resultados racionales y vlidos para el desarrollo de los objetivos de salud pblica. Existen dos paquetes de programas de cmputo diseados especficamente para salud que facilitan el almacenamiento, proceso y anlisis de informacin epidemiolgica: Epi-Info producido por el Centro de Prevencin y Control de Enfermedades de los Estados Unidos (CDC) y la Organizacin Mundial de la Salud (OMS) y el Epidat de la OPS y la Xunta de Galicia, Espaa. Lejos de competir entre s, estos paquetes de programas, de gran uso y de libre distribucin, ofrecen procesos y rutinas de manejo y anlisis epidemiolgico de datos que son complementarios. En un sentido amplio, podemos considerar que el quehacer de la salud pblica parte de constatar una realidad de salud no deseable en una poblacin y apunta a conseguir un cambio social, deliberado y sostenible en dicha poblacin. En ese sentido, y desde
un punto de vista metodolgico, la epidemiologa como toda ciencia tiene exigencia de mtodo desde una perspectiva estadstica. El enfoque epidemiolgico, consiste bsicamente en: i) la observacin de los fenmenos de salud y enfermedad en la poblacin; ii) la cuantificacin de stos en frecuencias y distribuciones; iii) el anlisis de las frecuencias y distribuciones de salud y de sus determinantes; y, iv) la definicin de cursos de accin apropiados. Este proceso cclico de observarcuantificarcompararproponer sirve tambin para evaluar la efectividad y el impacto de las intervenciones en salud, para construir nuevos modelos que describan y expliquen las observaciones y para utilizarlos en la prediccin de nuevos fenmenos. En resumen, en todo este proceso, los procedimientos y tcnicas de cuantificacin son de gran relevancia y la capacitacin del equipo local de salud en estos aspectos del enfoque epidemiolgico es, en consecuencia, fundamental.
Tipos de datos y su tabulacin

La cuantificacin del estado de salud y patrones de enfermedad en la poblacin, requiere de mtodos y tcnicas que permitan recolectar datos en forma objetiva y eficiente, convertir los datos en informacin para facilitar su comparacin y simplificar su interpretacin, y transformar la informacin en conocimiento relevante para las acciones de control y prevencin. Para conocer los grupos de poblacin que presentan mayor nmero de casos, los lugares con mayor incidencia o prevalencia de determinadas enfermedades y el momento en que ocurren los eventos en salud, se deben aplicar sistemticamente algunos procedimientos bsicos de manejo de datos o variables. Uno de los primeros pasos en el proceso de medicin del estado de salud en la poblacin es la definicin de las variables que lo representan o caracterizan.
Variable: cualquier caracterstica o atributo que puede asumir valores diferentes .
Las variables pueden ser de dos tipos, cualitativas y cuantitativas. Denominamos variables cualitativas a aquellas que son atributos o propiedades. Las variables cuantitativas son aquellas en las que el atributo se mide numricamente y a su vez se pueden clasificar en discretas y continuas. Las variables discretas o discontinuas asumen valores que son siempre nmeros enteros; por ejemplo, el nmero de hijos de una pareja, el nmero de dientes con caries, el nmero de camas de hospital, el nmero de hemates por campo, el pulso, etc., que slo pueden tomar valores de un conjunto finito. Las variables continuas pueden tomar tantos valores como permita la precisin del instrumento de medicin; por ejemplo, el peso al nacer de un beb de 2.500 gramos podemos medirlo con mayor precisin, como 2.496,75 gramos, si nuestra bscula lo permite. Las variables tambin pueden clasificarse segn el nivel o tipo de medicin que podamos aplicarles. As, se pueden distinguir cuatro niveles de medicin de las variables: nominal, ordinal, de intervalo y proporcional o de razn. Una variable nominal tiene categoras a las que se les asignan nombres que no tienen ningn orden entre ellos; por ejemplo, el sexo. La categora hombre no tiene ninguna relacin de orden sobre la categora mujer. Las variables nominales no tienen que ser necesariamente dicotmicas (dos categoras) sino que pueden tener varias categoras, como por ejemplo el estado civil (soltero, casado, divorciado, viudo, unin libre) o el grupo sanguneo segn el sistema ABO (A, B, AB y O). El hecho de cambiar el orden no tiene ninguna implicacin en el anlisis de los datos. Ahora supongamos que se nos pregunta sobre la calidad de un curso que acabamos de realizar y se nos ofrecen las siguientes opciones de respuesta: muy malo, malo, regular, bueno y excelente. Esta clasificacin tiene un orden: excelente es mejor que bueno, bueno que regular y as sucesivamente; sin embargo, la distancia que hay entre excelente y
10
bueno no tiene porque ser la misma que entre malo y muy malo. Estamos ante una variable ordinal, que se define como aquella cuyas categoras tienen un orden, aunque las diferencias entre ellas pueden no ser iguales. Otros ejemplos de variables ordinales son los estados de un cncer (I, II, III y IV) o los resultados de un cultivo de laboratorio (, +, ++, +++). El siguiente nivel de medicin de variables es el intervlico. Una variable de intervalo tiene distancias iguales entre sus valores y una caracterstica fundamental: el cero es arbitrario. El ejemplo tpico de variable de intervalo es la temperatura corporal. Existe la misma diferencia entre 37C y 39C que entre 38C y 40C (o sea, 2C). Sin embargo, no podemos decir que una temperatura de 60C sea tres veces ms caliente que una de 20C. Tampoco podemos concluir que un individuo con un coeficiente de inteligencia de 120 es el doble de inteligente que otro con coeficiente 60. Por ltimo, si la variable de intervalo tuviese un punto de origen que es el valor cero significativo, estaramos hablando de una variable proporcional o de razn. sta tiene intervalos iguales entre valores y punto de origen cero. El peso y la altura son ejemplos tpicos de variables proporcionales, 80 Kg. es el doble que 40Kg. y hay la misma diferencia entre 50 y 35Kg. que entre 105 y 90 Kg. En este nivel se puede sumar, restar, multiplicar y dividir. En el siguiente esquema se sintetiza la relacin entre los distintos niveles de medicin de las variables.
Tipo de variable Nominal Ordinal De Intervalo Proporcional o de Razn
Adaptado de Norman y Streiner, 1996 .
Valores categoras con nombre convencional como las nominales, + categoras ordenadas como las ordinales, + intervalos iguales como las de intervalo, + cero significativo
Los datos sobre casos de enfermedades atendidas o notificadas por el centro o servicio de salud pueden provenir de un listado de nombres, edades, sexo, etc., del cual se puede obtener el nmero total o frecuencia de casos. Si se busca agrupar los casos segn algunas caractersticas de los mismos, la tarea de identificar los grupos poblacionales con mayores problemas se simplifica. Por ejemplo, entre las caractersticas de la persona, se pueden agrupar los casos segn su edad, sexo o etnia. A partir de este listado de datos se puede, adems, identificar los casos que han ocurrido en determinado lugar y comparar la frecuencia de la enfermedad en distintos lugares o reas geogrficas. Por ltimo, se puede examinar el nmero de casos segn el momento en que ocurrieron o fueron notificados. La distribucin de los casos en el tiempo se puede agrupar en das, semanas, meses o cualquier otro perodo de tiempo que se considere adecuado. Esto permite saber
11
en qu momento se present el mayor nmero de casos, cundo empez a aumentar y cundo a disminuir. Es necesario recordar que la frecuencia es el nmero de veces que se repite un valor de la misma variable. Los datos agrupados segn determinadas caractersticas (edad, sexo, residencia, clase social, etc.) pueden presentarse en cuadros y/o grficos; esto facilita los clculos y la comparacin e interpretacin de los resultados como se puede ver en el siguiente Cuadro
Cuadro 3 .1 Distribucin de los casos de gastroenteritis segn edad . Centro de Salud A, mayo de 2000 .
edad (aos) <1 1 2 3 4 5 y ms Total Casos (No) 63 55 25 14 5 11 173 Porcentaje % 36,4 31,8 14,4 8,1 2,9 6,4 100,0
Ejemplo para la elaboracin de un cuadro: El siguiente listado corresponde a las edades en aos de 120 personas afectadas por malaria durante el verano de 2001, en una isla del Caribe
27 28 40 32 30 35 36 25 29 30 29 46 30 29 35 32 36 37 36 29 33 27 41 49 51 33 51 35 44 47 58 38 35 48 36 38 34 27 50 43 54 49 36 38 32 44 48 36 42 44 63 32 53 34 46 40 37 34 42 54 24 38 36 46 30 37 46 40 47 38 28 41 43 43 41 32 47 36 35 36 53 38 31 36 49 63 37 43 35 41 29 29 42 32 27 35 43 47 38 47 36 39 37 42 35 50 39 45 54 37 46 20 43 24 30 41 38 55 50 40
La edad mayor es 63 aos y la menor es 20 aos. Si agrupamos estas edades en clases, por intervalos de 4 aos, tendremos 11 grupos de edad, a los que procedemos a asignar sus respectivas frecuencias (paloteo), como se muestra a continuacin:
12
20 23 aos 24 27 aos 28 31 aos 32 35 aos 36 39 aos 40 43 aos 44 47 aos 48 51 aos 52 55 aos 56 59 aos 60 63 aos
| (un caso) ||||| || (siete casos) ||||| ||||| |||| (14) ||||| ||||| ||||| |||| (19) ||||| ||||| ||||| ||||| ||||| || (27) ||||| ||||| ||||| |||| (19) ||||| ||||| |||| (14) ||||| ||||| (10) ||||| | (6) | (1) || (2)
Finalmente, preparamos la presentacin tabular de esta informacin, es decir, el cuadro propiamente dicho, al que se denomina tabla o cuadro resumen de frecuencias, til porque presenta la distribucin de la variable que estamos observando.
Distribucin: es el resumen completo de las frecuencias de los valores o categoras de la medicin realizada . La distribucin muestra cuntos o qu proporcin del grupo se encuentra en un determinado valor o rango de valores dentro de todos los posibles que la medida cuantitativa puede tener .
En nuestro ejemplo, la distribucin del nmero de casos de la enfermedad segn grupos de edad, se presenta en el Cuadro 3.2. La distribucin del nmero de casos (frecuencia absoluta) se acompaa del porcentaje de cada grupo (frecuencia relativa simple) y del porcentaje acumulado (frecuencia relativa acumulada), que suelen aportar informacin adicional til. Por ejemplo, el 15,8% de los casos correspondi a personas de 32 a 35 aos de edad y cerca de un tercio de los casos (34,1%) tena menos de 36 aos.
13
Cuadro 3 .2
Distribucin de casos de malaria por grupos de edad . Isla del Caribe, verano de 2001
nmero de casos (frecuencia absoluta) 1 7 14 19 27 19 14 10 6 1 2 120 Porcentaje (%) 0,8 5,8 11,7 15,8 22,5 15,8 11,7 8,4 5,0 0,8 1,7 100,0 Porcentaje acumulado (%) 0,8 6,6 18,3 34,1 56,6 72,4 84,1 92,5 97,5 98,3 100,0
grupos de edad (en aos) 20 - 23 24 - 27 28 - 31 32 - 35 36 - 39 40 - 43 44 - 47 48 - 51 52 - 55 56 - 59 60 - 63 Total
14
Presentacin grfica de datos

La distribucin de variables cualitativas as como las cuantitativas discretas se suele representar grficamente por medio de diagramas de barras o bien por grficos de sectores, ya sea como frecuencias absolutas o relativas, como se muestra a continuacin:
Grfico 3 .1
5,000
Distribucin de muertes por suicidio segn sexo . Lugar X,1995-2000
4,000
Varones 73% Mujeres 27%
bitos
3,000
2,000
1,000
0 Varones Mujeres
Las variables cuantitativas continuas se representan grficamente por medio de histogramas y polgonos de frecuencia. Aunque parecidos a los diagramas de barras, en los histogramas las barras se disponen en forma adyacente, precisamente para ilustrar la continuidad y distribucin de la variable representada. En el eje de las x se ubica la variable continua y en el eje de las y se representa la frecuencia.
15
Grfico 3 .2
120 100 80 Casos 60 40 20 0 J
Giardiasis . Casos notificados por mes, Lugar X, 2000 (total de casos notificados = 460)
J Mes
En el Grfico 3.2, las categoras (meses) de la variable tiempo, una variable continua, se representan en el eje horizontal y el nmero de casos de giardiasis notificados en el eje vertical. La altura de cada barra representa la frecuencia absoluta de casos (puede tambin ser la frecuencia relativa) en cada una de las categoras de la variable tiempo, llamadas tambin intervalos de clase. Note que los intervalos de clase pueden ser de igual tamao. El polgono de frecuencias tambin permite graficar la distribucin de una variable y se construye uniendo con lneas rectas los puntos medios del extremo superior de cada barra de un histograma (Grfico 3.3). Es particularmente til para visualizar la forma y simetra de una distribucin de datos y para presentar simultneamente dos o ms distribuciones.
16
Grfico 3 .3
450 400 350 Casos 300 250 200 150 100 50 0 J
Casos de dengue por mes de inicio . Lugar Y, 2000
J Mes
Una variante del polgono de frecuencias es la llamada ojiva porcentual, que es un polgono de frecuencias relativas acumuladas. Cada punto de este polgono representa el porcentaje acumulado de casos en cada intervalo de clase y, por tanto, va de cero a 100%. La ojiva porcentual permite identificar de manera grfica el valor correspondiente a la mediana (i.e., 50%) de la distribucin (Grfico 3.4).
Grfico 3 .4
100 90 80
Casos (% acumulado)
Casos de tuberculosis por edad . Lugar Z, 2000
70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90+
Edad (aos)
17
Es importante mantener la proporcin de las escalas del grfico, ya que de otra manera ste puede dar impresiones errneas (Grfico 3.5, A, B, C).
Grfico 3 .5
400
Efecto de las dimensiones de las escalas en los grficos

A. Incorrecto. Escala vertical exagerada
300
200
400 300
B. Incorrecto. Escala horizontal exagerada
100
200 100
0 2000 2004
0 2000 2004
400 300 200 100 0 2000
C. Correcto. Escalas proporcionadas
2004
Aunque no existe una regla explcita sobre la proporcionalidad entre las escalas de un grfico, se recomienda que la razn entre la escala horizontal respecto de la vertical se aproxime a 1,6:1 (la clsica razn de oro). Algunas veces el rango 1,2 a 2,2 se da como referencia apropiada para la razn entre el eje horizontal respecto del eje vertical. El siguiente esquema resume los tipos bsicos de grficos ms apropiados segn cada tipo de variable.
18
Tipo de variable Nominal Ordinal
Tipo de grfico diagrama de barras grfico de sectores diagrama de barras (*) grfico de sectores diagrama de barras (*) histograma grfico de sectores (**) polgonos de frecuencias (simples y acumuladas) diagrama de barras (*) histograma grfico de sectores (**) polgonos de frecuencias (simples y acumuladas)
De Intervalo
Proporcional o de Razn
(*) manteniendo el orden de las categoras (**) en variables discretas o categorizadas
Una forma de presentacin grfica del comportamiento histrico de una enfermedad y los lmites de variabilidad esperados sobre su ocurrencia en el futuro se denomina corredor o canal endmico. Esta herramienta de la vigilancia (Unidad 4) utiliza polgonos de frecuencia y permite visualizar el comportamiento secular (i.e., en el tiempo) de las enfermedades en un territorio determinado y orientar la decisin sobre la necesidad de desencadenar acciones de prevencin y control.
19
Medidas de resumen de una distribucin

Muchas veces es necesario utilizar un valor resumen que represente la serie de valores en su conjunto, es decir, su distribucin. Para los datos de variables cualitativas, la proporcin o porcentaje, la razn y las tasas son unas tpicas medidas de resumen. Para los datos de variables cuantitativas, sin embargo, hay medidas que resumen su tendencia hacia un valor medio (medidas de tendencia central) y otras que resumen su grado de variabilidad (medidas de dispersin). Cada una proporciona informacin complementaria y til para el anlisis epidemiolgico. Medidas de tendencia central Las medidas de tendencia central de los datos son la moda, la mediana, y la media o promedio. La seleccin de las medidas depende del tipo de datos y propsitos. Los valores de muchas variables biolgicas, como la talla, se distribuyen de manera simtrica. Otras variables, como la mortalidad y la tasa de ataque en una epidemia, tienen distribucin asimtrica. Para distribuciones normales (ejemplo de distribucin simtrica), la media, la mediana y la moda son idnticas. Para distribuciones asimtricas, la mediana representa mejor al conjunto de datos, aunque la media tiene mejores propiedades para el anlisis estadstico y pruebas de significancia. El Grfico 3.6 ilustra estas distribuciones, usando la serie observada de datos de la pgina 12 (listado de edades).
Grfico 3 .6
0,05
Distribuciones normal, observada y asimtrica de la edad

asimtrica Normal
0,04 Observada 0,03 Densidad
0,02
0,01
0,00 15 25 35 edad (aos) 45 55 65
20
Para indicar que, por ejemplo, la rubola tiene un perodo de incubacin de 15 a 21 das (generalmente 18 das), fue necesario observar una gran cantidad de casos, desde el primer contacto de una persona sana con un enfermo hasta la aparicin de los signos y sntomas y medir este perodo en das. La diferencia entre el lmite inferior (15 das) y el superior (21 das) se conoce como rango y se considera, junto con la desviacin estndar y la varianza, una medida de dispersin de los datos, como se ver ms adelante. El Cuadro 3.3 presenta el perodo de incubacin de la rubola, en das, observado en 11 nios (a esta forma de listar los datos se le denomina Serie Simple de datos).
Cuadro 3 .3 Perodo de incubacin de la rubola observado en 11 nios .
nio 1 nio 2 nio 3 nio 4 nio 5 nio 6 nio 7 nio 8 nio 9 nio 10 nio 11 19 das 16 das 37 das 15 das 16 das 32 das 15 das 16 das 20 das 16 das 15 das
El valor ms frecuente, o sea el que ms se repite, se denomina modo o moda. En el ejemplo, observamos que lo ms frecuente fueron perodos de incubacin de 16 das (4 veces). Este valor puede ser utilizado para representar el perodo de incubacin en este grupo; i.e., el perodo de incubacin de rubola ms frecuente es de 16 das. Si ordenamos los valores en forma ascendente, como por ejemplo:
(1) 15 (2) 15 (3) 15 (4) 16 (5) 16 (6) 16 (7) 16 (8) 19 (9) 20 (10) 32 (11) 37
Observaremos que el sexto valor, o sea el que se encuentra en medio de la serie, tambin es de 16 das. Este valor que ocupa la posicin central de una serie ascendente o descendente se denomina mediana y divide la serie en 50% de las observaciones arriba y 50% abajo de ella. Esta medida tambin es til y puede ser empleada para representar la tendencia central del conjunto de datos, sobre todo cuando no es conveniente usar la media debido a la presencia de valores extremos o cuando la distribucin es asimtrica, como en una curva epidmica. Si en vez de un nmero impar de observaciones tuviramos un nmero par de valores, como por ejemplo:
21
(1) 15
(2) 15
(3) 15
(4) 16
(5) 17
(6) 18
(7) 19
(8) 20
(9) 32
(10) 37
Se puede constatar que en esta serie no hay un valor central. Para calcular la mediana se suman los dos valores centrales (en el caso, 17 y 18) y se divide el resultado entre dos: 17,5 das La media o promedio aritmtico ( ) tambin es muy til y se obtiene sumando los valores de todas las observaciones y dividiendo el resultado entre el nmero de observaciones. En nuestro ejemplo, es la suma de todos los valores de los perodos de incubacin dividida entre el nmero de nios observados. 19,7 das
El promedio de 19,7 das es mayor que los valores del modo y de la mediana ya que, como toma en cuenta los valores de todos los casos, se ve afectado por la influencia de los casos con 32 y 37 das de incubacin, que son valores extremos. En muchas ocasiones los datos estn disponibles como distribucin de frecuencias, en cuyo caso la serie se presentara de la manera siguiente:
perodo de incubacin (das) 15 16 19 20 32 37 Casos (nmero) 3 4 1 1 1 1
El clculo de la media de estos datos se hara as: 3(15)+4(16)+1(19)+1(20)+1(32)+1(37) = 45+64+19+20+32+37 = 217/11 = 19,7 das
22
Las medidas de tendencia central son de gran utilidad tambin para comparar grupos de valores. Por ejemplo, de las personas que participaron en un paseo, un grupo se enferm despus de la comida y otro grupo no present ningn sntoma. Las edades de las personas en los dos grupos fueron las siguientes: enfermos: sanos: 8, 12, 17, 7, 9, 11, 6, 3 y 13 19, 33, 7, 26, 21, 36, 33 y 24
Los promedios aritmticos calculados fueron:
enfermos =
10 aos
sanos =
25 aos
Por lo tanto la enfermedad afect ms a los nios que a los adultos. Los nios eran ms susceptibles o se expusieron ms (consumieron mayor cantidad del alimento contaminado). Series agrupadas Cuando se tienen muchos datos se requiere agruparlos, para ello se construyen intervalos, que pueden contener igual o diferente nmero de unidades, y a ellos se asignan los datos observados. Tenemos entonces una serie de datos agrupados como en el Cuadro 3.4a.
Cuadro 3 .4a Casos de suicidio . Lugar X, 1995-2000
edad (aos) 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 Total Casos (f) 37 176 693 659 784 1 .103 1 .005 4 .457
Cuando nuestros datos sobre una variable continua estn agrupados (categorizados) tambin podemos calcular una media y mediana aproximadas. Para estimar la media se debe construir una columna con los puntos medios (x) de cada intervalo de clase
23
de la variable y otra (fx) resultado de multiplicar el valor de cada punto medio (x) por el nmero de casos (f) del intervalo correspondiente (Cuadro 3.4b). La suma de estos productos (fx) dividida entre la suma de casos (f) nos da una aceptable aproximacin a la media. Para calcular el punto medio (x) de cada intervalo de clase de la variable se obtiene la media del intervalo, esto es se suman el lmite inferior y superior del intervalo y se divide entre dos, por ejemplo en el cuadro 3.4a el primer intervalo es de 10 a 14 aos (10+14.9/2 = 12.5), note que se utiliza 14.9 por ser el limite superior real del intervalo. Los puntos medios de los siguientes intervalos de clase se calculan de manera similar.
Cuadro 3 .4b
edad (aos) 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 Total
Casos de suicidio . Lugar X, 1995-2000

Casos (f) 37 176 693 659 784 1 .103 1 .005 punto medio (x) 12,5 17,5 25,0 35,0 45,0 55,0 65,0 fx 462,5 3 .080,0 17 .325,0 23 .065,0 35 .280,0 60 .665,0 65 .325,0 Casos acumulados 37 213 906 1 .565 2 .349 3 .452 4 .457
f 4 .457
fx 205 .202,5
En este ejemplo, la aproximacin a la media sera: aos Mientras que si utilizramos en el clculo los 4.457 casos, uno a uno, obtendramos una media de 45,7 aos de edad. Tambin podemos estimar la mediana a partir de datos agrupados en un cuadro de frecuencias. Para ello tendremos que construir una columna de casos acumulados, como la que se presenta en el Cuadro 3.4b, que se obtiene a partir de la columna de casos. La primera celda corresponde a los casos de 10 a 14 aos (37), la segunda se obtiene sumando a esos 37 los casos de 15 a 19 aos (176) y as sucesivamente, hasta completar la ltima celda, cuyo valor tiene que coincidir con el total de casos (4.457). Una vez construida la columna de frecuencias acumuladas podemos aproximar la mediana de la edad mediante el siguiente proceso de clculo: primero, localizar el intervalo de clase que contiene la posicin de la mediana (PM); es decir:
24
En la columna de casos acumulados el caso N 2.228 est situado en el intervalo de edad de 40 a 49 aos. Despus de obtener la posicin de la mediana, se estima la mediana por interpolacin; es decir:
en donde: Li = Lmite inferior del intervalo de la posicin de la mediana. PM = Posicin de la mediana. fIPM = Frecuencia acumulada del intervalo anterior a la posicin de la mediana. fPM = Frecuencia de la posicin de la mediana. AIPM = Amplitud del intervalo de la posicin de la mediana. aos
en donde: 2.228 = caso situado en el punto medio de la serie 1.565 = casos acumulados en el intervalo anterior al que contiene el caso 2.228 784 = casos del intervalo que contiene la mediana 10 = amplitud del intervalo
Si calculsemos la mediana de edad de esta serie a partir de los 4.457 casos de suicidio individualmente, sta sera 48 aos de edad. Medidas de dispersin Para las variables cuantitativas contnuas las medidas de dispersin ms usadas son bsicamente tres: el rango o amplitud, la varianza y la desviacin estndar. Estas medidas representan la dispersin o variabilidad de los datos continuos. El rango o amplitud es la diferencia entre el valor mximo y el valor mnimo de una serie de datos. La varianza (s2), que mide la desviacin promedio de los valores individuales con respecto a la media, es el cociente entre la suma de los cuadrados de la diferencia entre cada valor y el
25
promedio, y el nmero de valores observados (menos 1). La desviacin estndar (DE) es la raz cuadrada de la varianza. La desviacin estndar junto con la media permiten describir la distribucin de la variable. Si la variable se distribuye normalmente, entonces el 68% de sus valores estar dentro de 1 desviacin estndar de la media, 95% dentro de 2 y 99,9% dentro de 3 DE (Grfico 3.7). (Es necesario notar que se trata de aproximaciones, ya que, por ejemplo, el rea bajo la curva que abarca 95% no es exactamente 2 desviaciones, sino 1.96).
Grfico 3 .7 Distribucin normal
Frecuencia
-3 DE
-2 DE
-1 DE
Media
+1 DE
+2 DE
+3 DE
68% 95%
99,9%
26
Veamos un ejemplo. Volviendo al Cuadro 3.3, el rango del perodo de incubacin de la rubola, con base en las 11 observaciones, es de 22 das (i.e., 37-15 das). La varianza sera: varianza varianza y la desviacin estndar sera: desvacin estndar (DE) das
En resumen, los estimadores de los parmetros de la distribucin del perodo de incubacin de la rubola en los 11 nios del ejemplo seran: media ( ) = 19,7 dias desviacin estndar (DE) = 7,6 das Cuando nuestros datos sobre una variable continua estn agrupados tambin podemos calcular la varianza y correspondiente desviacin estndar aproximadas. Para ello, al igual que para estimar la media en datos agrupados, se parte de la columna con los puntos medios (x) de cada intervalo de clase. Luego generamos tres columnas; una con las diferencias entre el punto medio de cada intervalo de clase y la media de nuestros datos (x - ) llamada desviacin; otra con esta desviacin elevada al cuadrado (x - )2 llamada desviacin cuadrtica y, finalmente, otra columna (f (x - )2), resultado de multiplicar la desviacin cuadrtica por el nmero de casos (f) del intervalo correspondiente (Cuadro 3.4c). La suma de todos estos productos (f (x - )2) dividida entre la suma de casos (f) nos da una razonable aproximacin a la varianza y extrayendo su raz cuadrada obtendremos un estimado aceptable de la desviacin estndar de nuestros datos agrupados.
27
Cuadro 3 .4c
edad (aos) 10 a 14 15 a 19 20 a 29 30 a 39 40 a 49 50 a 59 60 a 69 Total
Casos de suicidio . Lugar X, 1995-2000

punto medio (x) 12,5 17,5 25,0 35,0 45,0 55,0 65,0 desviacin (x - ) -33,5 -28,5 - 21,0 - 11,0 - 1,0 9,0 19,0 desviacin cuadrtica (x - )2 1 .124,97 814,56 442,70 121,89 1,08 80,27 359,46 producto f (x - )2 41 .623,71 143 .362,57 306 .792,87 80 .327,22 848,79 88 .540,76 361 .260,03
Casos (f) 37 176 693 659 784 1 .103 1 .005
=4 .457
=1 .022 .755,94
media ( ) = 46,0 anos En este ejemplo, la aproximacin a la varianza (s2) sera:
y la correspondiente desviacin estndar (D.E., o S) para datos agrupados sera: D.E.= aos
mientras que si utilizramos en el clculo los 4.457 casos, uno a uno, obtendramos una desviacin estndar de 15,3 aos de edad. Finalmente, otra forma til de representar la dispersin de la distribucin de una serie de datos es usando cuantiles, que son los valores que ocupan una determinada posicin en funcin de la cantidad de partes iguales en que se ha dividido una serie ordenada de datos. Si dividimos nuestra serie en 100 partes iguales, hablamos de percentiles; si la dividimos en 10 partes iguales, deciles; en cinco partes, quintiles; y en cuatro, cuartiles. Como ejemplo, el Cuadro 3.5 presenta nueve percentiles de edad correspondientes a la serie de casos de malaria del Cuadro 3.2: el percentil 25 de esta distribucin es 33 aos, que equivale a decir que 25% de los casos tenan edad menor o igual a 33 aos (y, en consecuencia, 75% de los casos eran mayores de 33 aos). Ntese que la mediana de la distribucin corresponde al percentil 50 (o cuartil 2).
28
Cuadro 3 .5
Percentiles y sus valores en una distribucin de casos .

Percentiles 1% 5% 10% 25% 50% 75% 90% 95% 99% Edad 24 27 29 33 38 44 50 54 63
Como hemos visto, el promedio y la desviacin estndar definen la distribucin normal y, por ello, se les llaman sus parmetros. El promedio, como medida resumen de tendencia central de los datos, es un indicador de la precisin de las observaciones. Por su parte, la desviacin estndar, como medida resumen de la dispersin de los datos, es un indicador de la variacin de las observaciones. Estos dos conceptos, precisin y variacin, son de gran importancia para documentar la incertidumbre con la que observamos los fenmenos en la poblacin y constituyen los principios bsicos del proceso de inferencia estadstica, cuyo uso nos permite derivar conclusiones acerca de toda la poblacin observando solamente una muestra de la misma. El Grfico 3.8 ilustra esquemticamente dos situaciones posibles y frecuentes con relacin a la distribucin del peso al nacer en la poblacin. Una vez que se ha revisado la forma de presentacin de los datos, las medidas de tendencia central y de dispersin de los mismos, se contina con el estudio de las distintas distribuciones o modelos tericos. El ms conocido de ellos es la llamada Curva Normal (Grfico 3.7) que acabamos de introducir. Existen otros modelos tericos que tienen aplicacin en Epidemiologa y Salud Pblica, pero que van ms all de los objetivos de este taller. Mencionaremos que la Distribucin Normal queda definida por 4 elementos caractersticos: 1. Tiene un eje de simetra. 2. La media aritmtica, la mediana y la moda coinciden en el mismo valor por el cual pasa el eje de simetra. 3. La distancia entre el eje de simetra y los puntos de inflexin de la curva equivalen a la desviacin estndar. 4. Es asinttica al eje de las x (abscisas), es decir nunca lo cruza.
29
Grfico 3 .8
Curvas de distribucin normal del peso al nacer
Frecuencia
1,500
2,000
2,500
3,000
3,500
4,000
4,500
5,000
peso al nacer (gramos)

A. misma precisin, diferente variacin (igual promedio, distinta desviacin estndar)
Frecuencia
1,500
2,000
2,500
3,000
3,500
4,000
peso al nacer (gramos)

B. misma variacin, diferente precisin (diferente promedio, igual desviacin estndar)
30
Medidas de frecuencia
Como revisamos en la Unidad 2 del MOPECE, el enfoque epidemiolgico parte de la observacin de hechos en la poblacin. Estos hechos son la presencia de enfermedad, la exposicin a determinados factores, u otros atributos o eventos de inters. Son de inters porque consideramos que, eventualmente, actuando sobre ellos podremos modificar en forma positiva la realidad observada. El segundo aspecto de este enfoque epidemiolgico es la cuantificacin, es decir, asignar nmeros a los hechos y para ello nos valemos de procedimientos estadsticos bsicos como los descritos hasta ahora en esta Unidad. As, medir la frecuencia u ocurrencia de tales hechos en la poblacin es una tarea fundamental. Para medir la frecuencia de enfermedad en la poblacin, el epidemilogo recurre a tres conceptos muy importantes: probabilidad, riesgo y tasa. En su acepcin ms sencilla, la probabilidad es una medida de ocurrencia de un hecho incierto, o sea, el nmero de veces que se espera ocurra un evento a futuro. El riesgo a la salud es una medida que refleja la probabilidad de que se produzca un efecto o dao a la salud dentro de un periodo de tiempo establecido. La tasa es una medida de la rapidez de cambio de un estado a otro estado (v.g., de sano a enfermo) y, por tanto, tambin expresa un riesgo. Sin embargo, a diferencia del riesgo, la tasa involucra la experiencia de exposicin de la poblacin en unidades efectivas de tiempo-persona
Probabilidad: Nmero de eventos que ocurren dentro de un nmero de eventos posibles .
Riesgo a la salud: probabilidad de experimentar un efecto adverso o dao en un tiempo determinado .
Tasa: medida de la rapidez de cambio de un fenmeno dinmico por unidad de poblacin y de tiempo (tiempo-persona de exposicin) .
La probabilidad es medible o cuantificable y su valor numrico se sita entre 0 y 1 (siendo 1 la certeza absoluta). Por conveniencia se puede expresar como un nmero decimal, una fraccin o un porcentaje. El riesgo es tambin medible y se obtiene a partir de un cociente o fraccin. En sentido estricto, al igual que la probabilidad, su valor se situara entre 0 y 1. Se suele expresar como un valor de fraccin multiplicado por una constante. La tasa es la medida clsica de la epidemiologa. Tiene 3 componentes bsicos:
31
un numerador, que corresponde al nmero de individuos que experimenta el evento de inters (v.g., muerte, enfermedad, nacimiento, ingreso hospitalario); un denominador, que corresponde al nmero total de individuos en la poblacin expuestos o en riesgo de presentar el evento; y, un perodo de tiempo especfico, durante el cual se observa la frecuencia del evento de inters y la poblacin que ha estado expuesta efectivamente. De ah que la tasa pueda asumir un valor de 0 a infinito y se expresa en nmero de eventos que ocurren en un tiempo-persona de exposicin, que es la caracterstica fundamental de la tasa. Como se puede apreciar, la tasa combina en una sola expresin las tres dimensiones bsicas del anlisis epidemiolgico: persona, lugar y tiempo. Aplicada correctamente, la tasa no solamente es una medida de frecuencia de enfermedad en la poblacin, sino una medida del riesgo de enfermar en la poblacin. De esta forma, al emplear tasas podramos comparar la frecuencia y riesgo de enfermedad en diferentes poblaciones, diferentes subgrupos de la misma poblacin o diferentes periodos de tiempo en la misma poblacin. Prevalencia e incidencia Las clsicas medidas de frecuencia de enfermedad son dos: prevalencia e incidencia, que veremos en esta Unidad. Ms especficamente, revisaremos la incidencia acumulada, y la tasa de incidencia. Aunque de uso comn, el trmino tasa de prevalencia debe evitarse, pues no representa una tasa en tanto no es una medida dinmica; una denominacin ms apropiada es proporcin de prevalencia, que tambin revisaremos. Medidas de morbilidad En la cuantificacin de las condiciones de salud y enfermedad en la poblacin, resulta imprescindible el uso de indicadores que faciliten su descripcin y anlisis. Se considera que estos estimadores son convencionales, pues el consenso cientfico-tcnico y la prctica avalan su utilidad como herramientas relevantes para la interpretacin de los perfiles de enfermedad en la poblacin, con fines comparativos. Para que puedan responder a las necesidades de las poblaciones en forma adecuada, los servicios de salud deben efectuar sistemticamente mediciones con el objeto de precisar la frecuencia de las condiciones de salud relevantes en la comunidad. Por ejemplo, reconocer que existen 700 personas en la comunidad con diagnstico de lepra es una informacin esencial para organizar los recursos existentes y obtener, desde otro nivel del sistema si fuera preciso, el apoyo adicional requerido para la atencin de todos los
32
enfermos. As, el recuento de los casos de una enfermedad es una medida de gran importancia que sirve para orientar los servicios a la magnitud de los recursos necesarios. El recuento de nacimientos permite estimar la cantidad de nios menores de 1 ao de edad que existen en una comunidad en un ao determinado. Esta medida puede ser usada, por ejemplo, para proyectar la cantidad de vacunas necesarias para inmunizar a dicha poblacin en ese ao. Esta informacin podr tener mayor precisin si, adems, se conoce tambin el nmero de defunciones en menores de 1 ao ocurridas en esa misma comunidad en el ao considerado. Es decir, en una poblacin y tiempo especficos, el nmero de nios a vacunarse puede ser operacionalmente definido como el nmero de nios sobrevivientes al primer ao de vida y se puede estimar por la diferencia entre el nmero de nacidos vivos y nmero de defunciones en menores de 1 ao de edad. En consecuencia, la enumeracin o recuento de casos de enfermedad (as como de nacimientos y defunciones, junto con estimados censales de la poblacin y sus caractersticas), constituyen los datos bsicos que permiten a los servicios de salud obtener un mejor conocimiento sobre las condiciones de salud y enfermedad en las poblaciones y, por tanto, desempearse ms eficientemente. Por otra parte, es prcticamente imposible conocer la magnitud real de la morbilidad en una poblacin debido a mltiples y complejos factores, que van desde la diversidad de la percepcin cultural sobre salud y enfermedad y la presencia de casos subclnicos (tal como hemos revisado en la seccin sobre historia natural de la enfermedad, en el Mdulo 2) hasta la inaccesibilidad a los servicios de salud y la falta de confianza en la asistencia mdica. No obstante, es la disponibilidad de registros de buena calidad lo que hace posible obtener estimaciones epidemiolgicamente vlidas, que nos acercan al conocimiento de la realidad y nos permiten modificarla positivamente. Consideremos, como ejemplo, un rea geogrfica determinada en un pas de Amrica Latina. En la poblacin se observaron 60 casos de tuberculosis en el ao 1995. Un nuevo recuento en el 2000 demostr la existencia de 80 casos en la poblacin.
Cuadro 3 .6a Casos de tuberculosis en una comunidad latinoamericana por unidad de tiempo . 1995-2000
ao 1995 2000 N de casos 60 80
Cul sera la mejor explicacin de la diferencia observada entre los dos aos?. Los hechos que podran explicar la diferencia observada se pueden resumir como sigue:
33
la atencin a los enfermos y las dems medidas de control fueron inadecuadas y por ello se produjo un aumento en el nmero de casos; las medidas de bsqueda activa y/o un cambio en la definicin de caso de tuberculosis permitieron una mejor identificacin de casos antes desconocidos, dando la impresin de aumento de la enfermedad en la poblacin; ciertos factores socioeconmicos, independientes de las medidas de control, provocaron un aumento de la enfermedad (v.g., crisis econmica-desempleo-desnutricin); y/o, hubo un aumento de la poblacin local, por crecimiento natural o por inmigracin neta (v.g., atraccin por oferta de empleo en reas de desarrollo industrial).
Cuadro 3 .6b Casos de tuberculosis en una poblacin latinoamericana por unidad de tiempo . 1995-2000
ao 1995 2000 N de casos 60 80 Total poblacin 30 .000 50 .000
Observamos que si bien hubo un aumento de 60 a 80 en el nmero de casos, tambin aument de 30.000 a 50.000 la poblacin en el mismo periodo. Por tanto, lo que deseamos comparar es la diferencia entre 60 casos en 30.000 personas y 80 casos en 50.000. Es decir,
60 casos 30 .000 habitantes vs 80 casos 50 .000 habitantes
Un clculo sencillo nos permitir la comparacin ms directa: en 1995: 60 / 30.000 = 0,0020 en 2000: 80 / 50.000 = 0,0016 Con el fin de facilitar la comparacin, expresando la proporcin en nmeros enteros y no decimales, se acostumbra multiplicar el resultado por 100, 1.000, 10.000 o 100.000, segn nuestra conveniencia o siguiendo una convencin preestablecida. En el ejemplo, si multiplicamos el resultado de la divisin entre casos y poblacin por 10.000, obtendremos: en 1995: 20 casos por 10.000 habitantes en 2000: 16 casos por 10.000 habitantes Ello nos permite indicar que hubo una disminucin de la prevalencia de tuberculosis en ese perodo de tiempo y en esa comunidad latinoamericana.
34
Cuadro 3 .6c
Prevalencia de tuberculosis en una comunidad latinoamericana

1995 2000 16 (casos por 10 .000 personas)
20 (casos por 10 .000 personas)
El clculo realizado fue el de la proporcin de prevalencia de la tuberculosis (en el rea especfica, en los aos 1995 y 2000).
Prevalencia: es la medida del nmero total de casos existentes, llamados casos prevalentes, de una enfermedad en un punto o periodo de tiempo y en una poblacin determinados, sin distinguir si son o no casos nuevos . La prevalencia es un indicador de la magnitud de la presencia de una enfermedad u otro evento de salud en la poblacin .
Proporcin de Prevalencia de la enf. A =
N de personas con enf. A en un periodo x factor N total de personas en el mismo periodo
Como ya se mencion, la prevalencia no puede ser considerada una tasa, pues no toma en cuenta el inicio ni duracin de la enfermedad. Su denominador no necesariamente corresponde a la poblacin en riesgo, es decir, a aquella poblacin expuesta y susceptible de donde surgen los casos. Sin embargo, la prevalencia es un indicador de gran importancia en salud pblica, pues provee una medida del volumen o carga de enfermedad en una comunidad o poblacin en un momento dado informacin esencial en la planeacin de los servicios de salud. Desde el punto de vista epidemiolgico, hay mayor inters en conocer especficamente cuntos casos nuevos de una enfermedad aparecen en una poblacin durante un perodo de tiempo. Ms concretamente, es importante conocer cuntos casos nuevos surgen de una poblacin que est en riesgo de padecer una determinada enfermedad o dao a la salud; es decir, un indicador de la rapidez de cambio del proceso dinmico de salud y enfermedad en la poblacin. La medida de ocurrencia de casos nuevos de enfermedad en una poblacin en riesgo en un tiempo determinado se denomina incidencia. En general, la incidencia nos da una idea del riesgo promedio que tienen los individuos en la poblacin de padecer la enfermedad, as como evaluar la eficacia de las acciones de control adoptadas.
35
Incidencia: es la medida del nmero de casos nuevos, llamados casos incidentes, de una enfermedad originados de una poblacin en riesgo de padecerla, durante un periodo de tiempo determinado . La incidencia es un indicador de la velocidad de ocurrencia de una enfermedad u otro evento de salud en la poblacin y, en consecuencia, es un estimador del riesgo absoluto de padecerla .
incidencia la enf. B =
nmero de casos nuevos de la enf. B en un perodo x factor n total de personas en riesgo al comienzo del mismo perodo
En los clculos de incidencia y de prevalencia siempre es importante dejar bien claro a qu poblacin y a qu momento o perodo de tiempo se refieren. Pueden relacionarse a la poblacin entera de una regin o a un grupo especfico que estara expuesto al problema. As, el denominador de incidencia de cncer de cuello de tero debera incluir nicamente a mujeres y el de incidencia de gonorrea a poblacin sexualmente activa. Por ejemplo, la incidencia de gastroenteritis, en la Provincia del Sur, durante el mes de diciembre de 2001 fue de 20 por mil en nios de 5 a 10 aos. Es decir, nmero de nios de 5 a 10 aos incidencia de que desarrollaron gastroenteritis gastroenteritis en nios en el mes de diciembre de 2001 de 5 a 10 aos en la = poblacin de nios de 5 a 10 aos Provincia del Sur en el mes residentes en la Provincia del Sur de diciembre de 2001 en el mes de diciembre de 2001
x factor
Conviene precisar que las frmulas sobre incidencia que acabamos de presentar en este ejemplo corresponden especficamente a lo que se denomina incidencia acumulada. Al calcularse como el cociente entre el nmero de casos nuevos y el tamao de la poblacin en riesgo en un periodo de tiempo, la incidencia acumulada asume que todos los individuos de la poblacin en riesgo estuvieron efectivamente en riesgo de presentar la enfermedad durante todo el periodo de tiempo observado. Intuitivamente sabemos que esto raras veces ocurre as; en principio porque al momento de presentar la enfermedad, la persona deja de estar en riesgo (i.e., deja de pertenecer al denominador), pues se convierte en caso (i.e., pasa al numerador). Una manera ms precisa de representar el riesgo de pasar del estado sano al estado enfermo, o sea estimar la incidencia, la brinda la investigacin epidemiolgica de factores de riesgo causales en cohortes de poblacin, como veremos en la Unidad 5. En tales condiciones es posible seguir a la poblacin, midiendo con exactitud el tiempo que cada individuo estuvo en riesgo de enfermar y obtener el nmero total de tiempo-persona de observacin (v.g., aos-persona; das-persona). Si ahora dividimos el nmero de ca-
36
sos nuevos entre el nmero total de aos-persona observados, obtendremos la tasa de incidencia propiamente dicha, llamada tambin densidad de incidencia o fuerza de morbilidad (Miettinen, 1975). En trminos prcticos, cuando calculamos la incidencia de una enfermedad en la poblacin a menudo empleamos la incidencia acumulada, pues el clculo de la tasa de incidencia propiamente dicha suele estar restringido al contexto de una investigacin epidemiolgica. Una forma de estimar la tasa de incidencia cuando no se cuenta con los aos-persona consiste en tomar como denominador a la poblacin a mitad de perodo. Tanto la prevalencia como la incidencia son medidas de morbilidad (enfermedad) en la poblacin, pero difieren en que la prevalencia mide el nmero de personas que tienen la enfermedad en un momento dado (i.e., su magnitud) y la incidencia mide los casos nuevos que se presentan en un perodo determinado de tiempo (i.e., su velocidad). Las relaciones entre incidencia y prevalencia pueden apreciarse en la siguiente Figura:
Figura 3 .1 Relacin entre incidencia y prevalencia
Casos nuevos Incidencia
Casos existentes en un momento dado
PREVALENCIA
Fallecidos
Recuperados
Note que si aumenta la incidencia (aparecen ms casos nuevos) y el nmero de muertes y recuperados se mantiene sin cambio, aumentar la prevalencia. Si aumenta la mortalidad o ms gente se recupera y la incidencia no cambia, la prevalencia disminuir.
37
Supongamos que se introduce una nueva prueba que detecta la presencia de enfermedad tempranamente en el perodo subclnico; el resultado prctico ser un aumento en la incidencia, en la duracin de la enfermedad y tambin en la prevalencia. Por otra parte, si se introduce un medicamento que pospone o evita la mortalidad prematura pero no cura definitivamente, el resultado tambin ser un aumento en la prevalencia. La duracin de la enfermedad (D) tambin influye en esta dinmica y, en trminos generales, se dice que en situacin de equilibrio, la prevalencia (P) es el producto de la incidencia (I) por la duracin de la enfermedad (P=IxD). Esta dinmica entre incidencia, prevalencia y duracin de la enfermedad tiene importantes implicaciones para el control de enfermedades en la poblacin como veremos en el Mdulo 6 del MOPECE.
38
Ejercicio 3 .1 En la Figura 3.2, cada lnea representa un caso de enfermedad respiratoria (neumona) y la duracin en das de cada caso, que se presentaron durante el mes de septiembre.
Figura 3 .2
Caso A B C D E F G H I J K L M N O P Q R S 1 5 10 15 20 25 30
Casos de enfermedad respiratoria en el mes de septiembre
Dias en el mes de septiembre
Conteste las siguientes preguntas: 1. 2. Cul es el nmero de casos incidentes de la enfermedad en el mes de septiembre? Cul es el nmero de casos prevalentes en el da 15 de septiembre?
Otras Medidas de morbilidad Ahora bien, Qu medida de incidencia se obtiene entonces cuando se investiga una epidemia?. El numerador es el nmero de casos nuevos de enfermedad y el denominador es el total de personas expuestas al factor de riesgo o agente causal. El tiempo generalmente se trata de manera implcita, ya que la mayora de casos suelen ocurrir durante horas,
39
das o semanas, segn la enfermedad de que se trate. La tasa de incidencia que se obtiene en una situacin de brote o epidemia se denomina tasa de ataque de la enfermedad y se expresa usualmente como un porcentaje. Consideremos, como ejemplo, una situacin en la que 96 personas fueron expuestas a un agente (v.g., Pseudomonas aeruginosa contaminando el equipo quirrgico), de las cuales 26 se enfermaron en un perodo corto de tiempo. La tasa de ataque se obtiene de la siguiente manera: tasa de ataque = 26 enfermos 96 expuestos x 100 = 27,1 %
Existe tambin la llamada tasa de ataque secundario, que mide la contagiosidad de una enfermedad de transmisin persona-a-persona y, por tanto, es de utilidad para evaluar la efectividad de las medidas de control de un brote como veremos en el Mdulo 5. La tasa de ataque secundario expresa el nmero de casos de una enfermedad que aparecen dentro del periodo de incubacin entre los contactos susceptibles expuestos a un caso primario o ndice, en relacin con el nmero total de contactos susceptibles expuestos. Se calcula de la manera siguiente: tasa de ataque secundario = Medidas de mortalidad Otra forma importante de medir la ocurrencia de enfermedad en la poblacin es a travs de la tasa de mortalidad, un estimador del riesgo absoluto de morir. tasa general de mortalidad = nmero de defunciones x 1.000 poblacin total nmero de casos secundarios x 100 nmero de contactos susceptibles expuestos
Las tasas de mortalidad pueden referirse a toda la poblacin de un pas o territorio o restringirse a una comunidad, institucin o una muestra poblacional y pueden, tambin, calcularse para grupos especficos de poblacin, segn sexo, edad, grupos de enfermedades u otras caractersticas relevantes (en cuyo caso constituyen tasas especficas). Existen algunos indicadores de mortalidad referidos a grupos de poblacin especficos y a los que convencionalmente se les llama tasas. En particular, conviene recordar dos de ellos, de especial importancia en salud pblica; se trata de las tasas de mortalidad infantil y de mortalidad materna.
tasa de mortalidad infantil = nmero de defunciones en menores de 1 ao de edad x 1.000 nmero de nacidos vivos
40
tasa de mortalidad materna =
nmero de muertes maternas nmero de nacidos vivos
x 100.000
Se puede constatar que para el clculo de estas tasas se emplea el nmero de nacidos vivos como denominador y, por tanto en sentido estricto no es una tasa en tanto el denominador no es tiempo-persona. Por convencin, se utiliza el nmero de nacidos vivos como denominador de estos indicadores porque se considera que es un dato ms factible de obtener que los requeridos para construir las respectivas tasas, a saber: en el primer caso, el total de nios menores de un ao que deben existir en la misma poblacin y ao donde se hizo el recuento de defunciones; en el segundo caso, el nmero total de mujeres que estuvieron embarazadas y que dieron a luz en la misma poblacin y ao. En ocasiones se sospecha que una enfermedad determinada est causando un elevado o inusual nmero de muertes. Es de inters conocer cuntas de las personas enfermas mueren, es decir, la proporcin de casos fatales entre el total de casos. En una situacin epidmica, a este clculo se le llama tasa de letalidad y es particularmente importante para evaluar la severidad de una epidemia:
tasa de letalidad de la enfermedad A = nmero de defunciones por enfermedad A total de casos de enfermedad A x 100
Mientras la mortalidad hace referencia a las defunciones entre la poblacin total (sana o enferma), la letalidad slo hace referencia a las defunciones entre la poblacin enferma. Por ejemplo, si en un distrito de 30.000 habitantes ocurrieron 200 casos de tifoidea con 6 defunciones, en un ao determinado, podemos afirmar que, en ese distrito y en ese ao, la mortalidad por tifoidea fue 2 por 10.000 y su letalidad 3%; es decir: mortalidad por tifoidea = letalidad por tifoidea = 6 muertes x 10.000 = 2 x 10.000 300.000 habitantes 6 muertes 200 casos x 100 = 3 x 100
Distribucin proporcional La distribucin proporcional es una forma sencilla de expresar la cantidad de casos o muertes segn alguna caracterstica de inters, como sexo, edad o causa especfica, como porcentaje del total de casos o muertes observados. La distribucin proporcional corresponde a una distribucin de frecuencias relativas simples, como se vio al inicio de esta Unidad. A diferencia de las tasas, la distribucin proporcional no mide el riesgo de
41
enfermar o morir, sino solamente indica cmo se distribuyen los casos o muertes entre las personas afectadas. Veamos el siguiente ejemplo. Durante un brote de tifus exantemtico ocurrido en una comunidad andina, se enfermaron 38 personas; 24 hombres y 14 mujeres. Se desconoce el nmero total de hombres y mujeres en dicha poblacin.
Cuadro 3 .7 Distribucin proporcional de casos de tifus exantemtico por sexo
Sexo Masculino Femenino Total Nmero de casos 24 14 38 distribucin proporcional 63,2 36,8 100,0
Es decir, proporcin de casos de sexo masculino: proporcin de casos de sexo femenino: 24 38 14 38 x 100 = 63,2% x 100 = 36,8%
Esta informacin nos permite afirmar que la enfermedad en dicha comunidad afect ms a los varones que a las mujeres (por ejemplo, de cada 10 enfermos, al menos 6 fueron varones; o, existieron 1,7 casos en varones por cada caso en mujeres). Sin embargo, esta informacin no nos permite afirmar que los varones tuvieran mayor riesgo de enfermar. mortalidad proporcional Cuando la distribucin proporcional se refiere a datos de mortalidad, entonces hablamos especficamente de mortalidad proporcional, una medida de mortalidad til para describir el perfil y las contribuciones de causas de muerte especficas a la mortalidad general de un lugar y periodo determinados; esto es: mortalidad proporcional = n de muertes por causa espec ca en un ao x 100 n total de muertes en el mismo ao
Las medidas de prevalencia, incidencia y mortalidad, tomadas en conjunto, permiten describir perfiles de salud de la poblacin, tiles para el anlisis de la situacin de salud, la primera funcin esencial de la salud pblica. Estas medidas bsicas permiten
42
comparar la importancia relativa de riesgos, enfermedades y daos a la salud en las poblaciones entre diferentes perodos de tiempo y entre localidades distintas, facilitando la identificacin de necesidades y prioridades en salud y orientando la gestin sanitaria. No obstante, cuando comparemos dos o ms poblaciones debemos tener siempre presente que existen otras caractersticas propias de cada poblacin que podran explicar las diferencias que observamos. Por ejemplo, la diferencia entre las tasas de mortalidad de dos poblaciones puede estar distorsionada por las propias diferencias en la distribucin de edad o la distribucin de las muertes en distintas edades en cada poblacin y, por tanto, llevarnos a conclusiones errneas. Ello puede ser evitado con el uso de tcnicas de estandarizacin o ajuste de tasas (los interesados en este tema pueden revisar el Apndice Estadstico-Epidemiolgico al final de este mdulo).
43
Ejercicio 3 .2 Los siguientes datos corresponden a dos localidades latinoamericanas, a las que denominaremos A y B, en un ao determinado.
Cuadro 3 .8 Poblacin y mortalidad en dos localidades latinoamericanas
Datos bsicos poblacin total nmero de nacidos vivos poblacin menor de 5 aos defunciones en menores de 1 ao defunciones en menores de 1 ao por infecciones defunciones en menores de 5 aos defunciones en menores de 5 aos por diarrea Localidad A 10 .320 850 3 .350 105 32 161 36 B 76 .311 1 .226 6 .901 10 4 12 0
Calcule:
Indicadores de Salud a) la tasa de mortalidad en menores de 5 aos (por 1 .000) b) la tasa de mortalidad infantil (por 1 .000) c) la tasa de mortalidad por diarrea en menores de 5 aos (por 1 .000) d) la tasa de mortalidad por infecciones en menores de 1 ao (por 1 .000) e) Qu se observa al comparar las localidades A y B? . _________________________________________________________________________________________________ _________________________________________________________________________________________________ _________________________________________________________________________________________________ Localidad A B
44
Ejercicio 3 .3 Pregunta 1 Qu denominador empleara para el clculo de las siguientes medidas?: a) la incidencia acumulada de dengue hemorrgico en el pas X en 2000. ________________________________________________________ b) la incidencia acumulada de neumona en los escolares de la Provincia Y en 2001. ________________________________________________________ Pregunta 2 En una isla del Caribe la letalidad por tifoidea es 5%. Durante el ao 2000 ocurrieron 40 defunciones por esa enfermedad. Cuntos casos de tifoidea ocurrieron en esa comunidad insular en dicho ao?. __________________________________________________________ __________________________________________________________ __________________________________________________________ Pregunta 3 Una medida de incidencia usualmente expresada en porcentaje y que se refiere a poblaciones especficas, en perodos de tiempo limitados, como por ejemplo, epidemias, se conoce como: a) b) c) d) e) prevalencia tasa ajustada tasa de letalidad tasa de ataque tasa de mortalidad
45
Pregunta 4 Analice el siguiente cuadro y, de acuerdo con la informacin presentada, resuelva los puntos considerados a continuacin: Cuadro 3.9 Defunciones por grupo de edad y poblacin
grupo de edad (aos) Menores de 1 14 5 24 25 44 45 64 65 y ms Total defunciones (nmero) 285 251 274 408 576 1 .076 2 .870 poblacin 12 .681 49 .002 201 .820 116 .538 51 .356 18 .603 450 .000
a) la tasa de mortalidad (por 100.000) para el grupo de edad de 1 a 4 aos ________________________________________________________ b) la tasa de mortalidad (por 100.000) para el grupo de edad de 65 y ms aos. ________________________________________________________ c) la tasa de mortalidad (por 100.000) para el grupo de 25 a 44 aos. ________________________________________________________ d) Comente estos resultados con respecto a la magnitud de la mortalidad en los grupos de edad. Considere que estos resultados son tpicos de cualquier poblacin. ________________________________________________________ ________________________________________________________ ________________________________________________________
46
Pregunta 5 Veintisis casos de tuberculosis fueron diagnosticados en Ciudad Alta entre el 1 de enero y el 30 de junio de 2000. El total de casos de tuberculosis activos al 30 de junio era 264. La poblacin de Ciudad Alta era de 183.000 habitantes. a) Cul fue la incidencia de tuberculosis en Ciudad Alta durante el perodo 1 de Enero al 30 de Junio? (a) (b) (c) (d) (e) 7,6 casos nuevos por 100.000 habitantes 14,2 casos nuevos por 100.000 habitantes 27,3 casos nuevos por 10.000 habitantes 78,7 casos nuevos por 100.000 habitantes 144,3 casos nuevos por 10.000 habitantes
b) Cul fue la prevalencia de tuberculosis en Ciudad Alta al 30 de junio de 2000? (a) (b) (c) (d) (e) 14,2 casos por 100.000 habitantes 144,3 casos por 100.000 habitantes 158,5 casos por 10.000 habitantes 290,0 casos por 10.000 habitantes 85,2 casos por 100.000 habitantes
c) Describa y explique las diferencias en los valores obtenidos sobre prevalencia e incidencia de tuberculosis encontrados e indique el uso adecuado de cada una de estas medidas epidemiolgicas Existe similitud de esta morbilidad por tuberculosis con la de su rea de salud? ________________________________________________________ ________________________________________________________ ________________________________________________________
47
Pregunta 6 El tercer domingo de febrero de 2001 se celebr, en una comunidad de 462 habitantes, un baile de carnaval al que asistieron 287 personas. En las dos ltimas semanas de marzo el centro de salud local atendi a 79 personas que consultaron por prurito intenso y erupcin cutnea papulovesicular. Setenta y seis de ellas haban asistido al baile. De los 161 varones participantes de ese evento social, 53 se haban enfermado. El 68,3% de los asistentes al baile tena entre 20 y 39 aos de edad; en este grupo se encontraba el 82,9% de los enfermos. Calcule: a) b) c) d) e) la tasa de ataque en los participantes de la fiesta; la tasa de ataque en los hombres; la tasa de ataque en las mujeres; la tasa de ataque en el grupo de 20 a 39 aos de edad. Qu interpretacin dara a estos resultados?
________________________________________________________ ________________________________________________________ ________________________________________________________
48
Pregunta 7 Examine el siguiente cuadro y resuelva lo considerado a continuacin.

Cuadro 3 .10 Nmero de casos por grupo de edad y poblacin
Columna 2 casos (N) 3 6 5 7 21 Columna 3 poblacin 48 17 23 109 197 Columna 4 14,3 28,6 23,8 33,3 100,0 Columna 5 6,3 35,3 21,7 6,4 10,7
Columna 1 edad (aos) Menores de 5 5 19 20 39 40 y ms Total
a) los nmeros en la Columna 4 representan: (a) la distribucin proporcional de la poblacin por edad (b) las tasas de ataque por edad (c) la distribucin proporcional de los casos por edad (d) las tasas de mortalidad por edad (e) nada de lo anterior
b) los nmeros en la Columna 5 representan: (a) la distribucin proporcional de la poblacin por edad (b) las tasas de ataque por edad (c) la distribucin proporcional de los casos por edad (d) las tasas de mortalidad por edad (e) nada de lo anterior
c) Comente brevemente la informacin presentada en el Cuadro 3.10 ________________________________________________________ ________________________________________________________ ________________________________________________________ ________________________________________________________ Pregunta 8 El programa de atencin integrada de enfermedades prevalentes en la infancia (AIEPI) de un centro de salud, inform que el tiempo de duracin de todos los casos de neumona en nios de 5 a 9 aos de edad atendidos
49
en los ltimos dos meses fue 9, 7, 11, 9, 8, 4, 6, 12, 6, 8, 8 y 5 das, respectivamente. Usando esta informacin, calcule: a) la moda; ________________________________________________________ b) la mediana; ________________________________________________________ c) la media; ________________________________________________________ d) el rango; ________________________________________________________ e) la desviacin estndar. ________________________________________________________ f) En el espacio provisto a continuacin represente la distribucin de la variable de inters empleando un grfico apropiado.
g) Comente los resultados observados con respecto a esta distribucin. ________________________________________________________ ________________________________________________________
50
Ejercicio 3 .4 El nivel intermedio del sistema de salud de Nicaragua, en el istmo centroamericano, comprende 17 Sistemas Locales de Atencin Integral de Salud (SILAIS), que corresponden a los 15 departamentos y 2 regiones autnomas en que se divide geopolticamente el pas. A inicios de 1999 ocurri un brote de rubola de alcance nacional, ponindose en operacin un sistema de vigilancia activa intensificada que permiti establecer medidas oportunas para el control de la enfermedad. En este ejercicio se describe la situacin observada en la SILAIS Len, ubicada en la regin occidental del pas y que comprende 10 municipios. El Cuadro 3.11 contiene datos sobre los 130 casos confirmados de rubola ocurridos en Len entre las semanas epidemiolgicas (S.E.) 4 y 33 de 1999. Los Cuadros 3.12a, 3.12b y 3.13 presentan datos adicionales relevantes para la caracterizacin de la situacin epidemiolgica. Pregunta 1 Cuales fueron las caractersticas epidemiolgicas ms relevantes del brote de rubola en la SILAIS Len, Nicaragua, en 1999?. Caracterice la epidemia (describa las caractersticas de la epidemia) segn: a) edad y sexo de los afectados; b) su distribucin geogrfica; y, c) su distribucin en el tiempo. Para ello: complete los Cuadros 3.12a, 3.12b y 3.13; calcule las tasas correspondientes usando los cuadros y mapa anexos; y, complete el Grfico 3.9.
51
Figura 3 .3
Mapa del SILAIS Len, Nicaragua
Achuapa
El Sauce Santa Rosa
Malpaisillo Telica Quezalguaque
El Jicaral
Nicaragua
La Paz Centro
Leon Isla Momotombito
Nagarote
Leon
100
100
200
Fuente: Programa Especial de Anlisis de Salud (SHA) y Programa Ampliado de inmunizaciones (HVI), OPS
52
Cuadro 3 .11
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
Ocurrencia de casos de rubola; SILAIS Len, 1999

Sexo F F F F F F F F F M F F F M M F F M F F M F M F M F F F F M F M F M F F F M F M M F edad (aos) 7 6 28 15 28 4 13 4 11 5 28 4 29 1 24 4 11 24 9 3 4 8 3 34 7 20 6 7 10 13 9 7 6 12 10 24 4 5 3 3 7 12 Municipio Len Len Len Len Len Len Len Len Nagarote Len Len Len Len Len Len Len Len Quezalguaque Len Len Len Len Len Telica Len Telica Len Len Len Len Len Len Len Telica Len Len Len Len Telica Malpaisillo Len Malpaisillo fecha de inicio 26-Jan 31-Jan 5-Feb 6-Feb 7-Feb 11-Feb 16-Feb 21-Feb 8-Mar 11-Mar 13-Mar 14-Mar 18-Mar 20-Mar 21-Mar 22-Mar 22-Mar 23-Mar 25-Mar 29-Mar 29-Mar 4-Abr 6-Abr 6-Abr 8-Abr 8-Abr 9-Abr 9-Abr 10-Abr 11-Abr 12-Abr 13-Abr 14-Abr 14-Abr 16-Abr 16-Abr 17-Abr 17-Abr 18-Abr 18-Abr 19-Abr 19-Abr S .E .* 4 5 5 5 6 6 7 8 10 10 10 11 11 11 12 12 12 12 12 13 13 14 14 14 14 14 14 14 14 15 15 15 15 15 15 15 15 15 16 16 16 16
53
N 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87
Sexo F F M F F F F F M F F M F M F M F F F F F F F F F F M M M M M M F F M F M M M M F F F F F
edad (aos) 26 12 33 11 17 5 12 21 6 10 10 10 30 11 15 10 9 10 6 26 17 19 16 11 22 29 22 9 7 5 22 4 5 20 1 7 1 4 13 5 17 4 15 5 17
Municipio Len Len Malpaisillo Len Achuapa Telica Len Malpaisillo Len Len Malpaisillo Telica Len Malpaisillo Len Malpaisillo Achuapa Achuapa Len Telica Malpaisillo Achuapa Len Len Len Len Len Len Len Len Len Len Len Len Len Nagarote Len Malpaisillo Len Len Len Len Len Nagarote Telica
fecha de inicio 19-Abr 20-Abr 20-Abr 21-Abr 21-Abr 22-Abr 22-Abr 22-Abr 23-Abr 23-Abr 25-Abr 26-Abr 26-Abr 27-Abr 27-Abr 1-May 2-May 2-May 3-May 4-May 7-May 8-May 10-May 11-May 11-May 14-May 16-May 17-May 19-May 20-May 20-May 21-May 21-May 22-May 24-May 24-May 26-May 26-May 27-May 28-May 28-May 30-May 1-Jun 2-Jun 4-Jun
S .E .* 16 16 16 16 16 16 16 16 16 16 17 17 17 17 17 17 18 18 18 18 18 18 19 19 19 19 20 20 20 20 20 20 20 20 21 21 21 21 21 21 21 22 22 22 22
54
N 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
Sexo M F F M F F F F F F M F F M M F M M F F F M F F F F F F M M F F F F F M F F F F F F F
edad (aos) 4 20 5 8 10 10 9 5 31 36 8 12 8 10 10 6 13 15 15 4 8 7 9 10 11 7 14 9 28 14 30 30 4 6 15 6 13 6 7 12 28 7 26
Municipio Len Len Len Len Len Len Len Len Len Len El Jicaral Len Len El Jicaral Len Len El Jicaral El Jicaral Santa Rosa Len Len Santa Rosa Len Malpaisillo Malpaisillo Telica Len Nagarote Len Len El Sauce Len Len La Paz Centro Len Len Len El Jicaral Malpaisillo Nagarote Malpaisillo Len La Paz Centro
fecha de inicio 5-Jun 6-Jun 7-Jun 10-Jun 11-Jun 12-Jun 15-Jun 16-Jun 18-Jun 18-Jun 20-Jun 21-Jun 22-Jun 22-Jun 22-Jun 24-Jun 24-Jun 25-Jun 29-Jun 30-Jun 1-Jul 2-Jul 3-Jul 3-Jul 5-Jul 7-Jul 7-Jul 11-Jul 11-Jul 12-Jul 12-Jul 13-Jul 15-Jul 17-Jul 26-Jul 27-Jul 29-Jul 30-Jul 3-Ago 8-Ago 8-Ago 11-Ago 16-Ago
S .E .* 22 23 23 23 23 23 24 24 24 24 25 25 25 25 25 25 25 25 26 26 26 26 26 26 27 27 27 28 28 28 28 28 28 28 30 30 30 30 31 32 32 32 33
55
Cuadro 3 .12a
Rubola en Len, Nicaragua; 1999 . Tasa de ataque (TA) por 100 .000 habitantes por edad
Casos poblacin 61 .932 52 .555 46 .940 43 .285 34 .373 28 .097 23 .419 19 .318 64 .602 374 .521 TA
edad (aos) 0-4 5-9 10 -14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 y ms Total
Cuadro 3 .12b Rubola en Len, Nicaragua; 1999 . Tasa de ataque (TA) por 100 .000 habitantes por edad y sexo
edad (aos) 0-4 5-9 10 -14 15 - 19 20 - 24 25 - 29 30 - 34 35 - 39 40 y ms Total varones casos poblacin 29 .809 25 .539 22 .886 20 .001 15 .770 12 .693 10 .385 8 .654 27 .347 173 .084 TA casos mujeres poblacin 32 .123 27 .016 24 .054 23 .284 18 .603 15 .404 13 .034 10 .664 37 .255 201 .437 TA
56
Cuadro 3 .13
Rubola en Len, Nicaragua; 1999 . Tasa de Ataque (TA) por 100 .000 habitantes por Municipio
Casos poblacin 14 .681 11 .174 28 .917 30 .627 180 .352 32 .025 32 .510 8 .710 10 .164 25 .361 374 .521 TA
Municipio Achuapa El Jicaral El Sauce La Paz Centro Len Malpaisillo Nagarote Quezalguaque Santa Rosa Telica Total
Grfico 3 .9
Casos 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 3
Rubola en Len, Nicaragua; 1999 . Distribucin de casos por fecha de inicio
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 semanas epidemiolgicas 1999
= 1 caso Pregunta 2 Establezca cules seran las recomendaciones epidemiolgicas al equipo de salud del SILAIS de Len. __________________________________________________________ __________________________________________________________
57
Comparacin de la frecuencia de enfermedad y medidas de asociacin

Ahora que hemos revisado las principales medidas de frecuencia y distribucin de los fenmenos en tiempo, espacio y persona, el siguiente paso del enfoque epidemiolgico es la comparacin de dichas medidas. Esta comparacin es la estrategia bsica del anlisis epidemiolgico y el paso fundamental para transformar los datos en informacin relevante. En todo acto de comparacin hay una intencionalidad analtica subyacente: encontrar igualdades o, alternativamente, encontrar diferencias. Esta capacidad de discriminar entre las observaciones que se hace de la realidad es un requisito para identificar las necesidades en salud de la poblacin, establecer prioridades y, consecuentemente, desarrollar acciones en salud dirigidas a modificarlas positivamente. Este es el enfoque no-igualitario que pone en prctica la epidemiologa. Un aspecto central en este raciocinio analtico de la epidemiologa es la generacin de explicaciones tentativas, suposiciones, pronsticos o conjeturas verosmiles respecto a una relacin causa-efecto que encierran incertidumbre; es decir, la generacin de hiptesis. Una hiptesis es una suposicin que se hace de una observacin o reflexin, que lleva a predicciones refutables. Para la aplicacin de pruebas estadsticas a los datos obtenidos, se requiere la elaboracin de dos hiptesis: la hiptesis alterna o de investigacin (HA) y la hiptesis nula o de no-diferencia (HO), sobre las cuales se enfocaran los resultados del anlisis estadstico. La obtencin de datos relevantes y la comparacin racional de los mismos es la forma de contrastar nuestras hiptesis sobre la salud y la enfermedad en la poblacin.
58
Medidas de asociacin
En esta seccin revisaremos los principios y mtodos estadsticos bsicos que ayudan a los equipos locales de salud a establecer la presencia de una asociacin entre la exposicin a un factor que se considera de riesgo y la ocurrencia de enfermedad en la poblacin. En trminos estadsticos, se dice que dos variables estn asociadas cuando existe una relacin de dependencia (usualmente de tipo matemtico) entre ambas; es decir, el cambio en una de ellas necesariamente se acompaa del cambio en la otra (covariacin).
Asociacin: relacin de dependencia estadstica entre dos o ms eventos, caractersticas u otras variables . Una asociacin est presente si la probabilidad de ocurrencia de un evento depende de la ocurrencia de otro u otros .
En epidemiologa, la aplicacin del trmino asociacin siempre implica la intencin de establecer una relacin de causa a efecto entre una exposicin y una enfermedad o evento en salud. Sin embargo, debe tenerse presente que una asociacin puede ser fortuita o espuria o puede ser producida por varias circunstancias y, por tanto, la presencia de una asociacin estadstica no necesariamente implica una relacin causal. Por otra parte, un factor de riesgo es un aspecto del comportamiento o estilo de vida personal, constitucin gentica o hereditaria o exposicin ambiental que, con base en la evidencia epidemiolgica disponible, se sabe que est asociado a condiciones relacionadas con la salud consideradas importantes de prevenir. Desde el punto de vista epidemiolgico, lo ms importante de un factor de riesgo es que sea identificable, cuantificable y, en lo posible, modificable antes de la ocurrencia del hecho que predice. Los factores de riesgo son indicadores o marcadores del riesgo de enfermar en la poblacin aunque, debe tenerse presente que el hallazgo de un factor de riesgo no necesariamente implica que sea un factor causal.
Factor de riesgo: caracterstica o circunstancia detectable en individuos o grupos, asociada con una probabilidad incrementada de experimentar un dao o efecto adverso a la salud . En general, un factor de riesgo es un atributo o exposicin que incrementa la probabilidad de ocurrencia de una enfermedad u otro dao a la salud .
Los aspectos que hemos revisado en la primera mitad de esta Unidad corresponden al campo de la llamada estadstica descriptiva: la descripcin cuantitativa de la frecuencia y distribucin de los fenmenos de salud y enfermedad observados en la poblacin. La utilidad de presentar los datos resumidos en buenos cuadros y grficos radica en permitir hacer inferencias sobre los determinantes de la situacin de salud observada en la poblacin y proceder con cierto nivel de confianza a intervenir sobre ellos.
59
La estadstica es la ciencia matemtica que proporciona a la epidemiologa los elementos bsicos para el tratamiento cientfico de la informacin numrica en salud. El anlisis epidemiolgico usa procedimientos estadsticos diseados para estimar la probabilidad de que una conclusin acerca de la poblacin de referencia, basada en el anlisis de datos de una porcin de ella (muestra) o en la comparacin con otra poblacin, sea correcta o verosmil; sto corresponde a la llamada estadstica inferencial. En la prctica, para explorar una posible asociacin entre exposicin y enfermedad se requiere de tres elementos: dos grupos comparables de la poblacin, una medida de la variable exposicin para cada grupo y una medida de la variable enfermedad en cada grupo. En general, las variables epidemiolgicas de exposicin y de enfermedad son continuas o discretas y sus medidas se resumirn en promedios o en proporciones. La situacin ms comn en los servicios de salud es la comparacin de dos proporciones. Por ejemplo, para evaluar la asociacin entre ingreso econmico y tuberculosis, podramos comparar dos proporciones: incidencia de tuberculosis entre los pobres y los ricos. Las medidas de asociacin estadstica se basan en las llamadas pruebas de significancia (los aspectos tericos relacionados con sus bases conceptuales escapan a los propsitos de este material. Para una breve introduccin a ellos vea el Apndice al final de este mdulo). El propsito de estas pruebas es determinar si la presencia de un factor de riesgo evaluado est efectivamente relacionada con la frecuencia de la enfermedad. En dichas condiciones se espera que la prevalencia de exposicin a dicho factor sea razonablemente ms alta entre los que han enfermado o sufrido un dao a la salud que en aquellos aparentemente sanos. La bioestadstica posee una gran variedad de pruebas de significancia y otros recursos analticos de potencial utilidad para la prctica epidemiolgica. Por otra parte, el desarrollo de la informtica y las posibilidades tecnolgicas estn facilitando el acceso a un nmero cada vez mayor de programas estadsticos de computadora. Dos paquetes populares en epidemiologa de campo son el Epi-Info del CDC y la OMS y el Epidat de la OPS y la Xunta de Galicia, como se mencion al inicio de este mdulo. Es un hecho que el nivel de exposicin a esta tecnologa est aumentando y, por ello, un conocimiento bsico del enfoque estadstico y epidemiolgico en los equipos locales de salud es cada vez ms necesario para asegurar el uso racional y eficiente de tales recursos tecnolgicos. Precisamente para familiarizar a los equipos locales de salud con las aplicaciones de la bioestadstica, el MOPECE presenta a continuacin una de las pruebas de significancia estadstica de mayor utilidad para la prctica epidemiolgica de campo.
60
Comparacin de dos Proporciones: La Prueba Chi Cuadrado Para ejemplificar el uso de esta prueba estadstica, nos referiremos a continuacin a una situacin en la que se evala si existe una asociacin estadsticamente significativa entre ciertos tipos de ocupacin y el riesgo de contraer malaria en una poblacin. En una localidad rural de 760 habitantes, situada en una zona malrica, se observ que, en el ltimo ao, la incidencia acumulada de malaria en campesinos fue 88,2 por mil, mientras que en la poblacin no campesina fue 55,8 por mil. De acuerdo al censo local ms reciente, en la comunidad hay 204 campesinos. Interesa saber si la ocupacin campesino se asocia a la malaria. Los datos que resumen la situacin descrita son:
con malaria campesino no-campesino 18 31 49 sin malaria 186 525 711 204 556 760 Ic= Inc= 18/204 31/556 tasa por mil 88,2 55,8
Desde el punto de vista estadstico, interesa conocer si hay diferencia significativa entre las dos medidas de incidencia acumulada. En este caso se puede aplicar una prueba de significacin estadstica llamada Chi Cuadrado (x2), cuya formula es:
En la frmula, O se refiere al valor observado en una celda y E a su valor esperado. La frmula trabaja exclusivamente con las celdas centrales de un cuadro, en este caso una tabla 2x2, y hace referencia a las frecuencias observadas en dichas celdas y las que se esperara ocurrieran (valores esperados) si efectivamente no hubiera diferencia entre las proporciones que se comparan. Los valores esperados para cada celda central se obtienen multiplicando sus totales marginales correspondientes y dividiendo este producto por el gran total. Por ejemplo, en la primera celda central (campesino con malaria), el valor observado es 18 y el valor esperado sera: (204 x 49) 760 = 13,2. El cuadro de resultados para cada celda quedara as:
con malaria campesino no-campesino 13,2 35,8 49 18 31 sin malaria 190,8 520,2 711 186 525 204 556 760
61
Reemplazando la formula,
El valor de chi cuadrado calculado de esta manera (observado) se compara con un valor tabulado (esperado) tomado de la distribucin de probabilidades tericas. Este valor terico corresponde al que se esperara encontrar si los resultados observados ocurrieran puramente por azar. A este valor terico se le llama valor crtico: si el valor observado es mayor que el valor crtico se concluye que la diferencia observada no es debida al azar y se dice que es estadsticamente significativa. El valor crtico indica el nivel de significancia de la prueba, que expresa la probabilidad de que la diferencia observada haya ocurrido por azar (dado que, en realidad, no existan diferencias). Usualmente esta probabilidad se fija en 5% y se denota como p<0,05. El complemento de esta probabilidad se llama nivel de confianza, en general, 95%. Para un nivel de confianza de 95%, el valor crtico del Chi Cuadrado (de acuerdo a una tabla de distribucin terica) es 3.84, que corresponde al llamado chi cuadrado con un grado de libertad, especfico para tablas 2x2. Los grados de libertad de una tabla se refieren al nmero mnimo de frecuencias en las celdas centrales que se necesita conocer para poder completar los valores de las dems celdas, dados los valores de los totales marginales. En la situacin analizada, el valor observado (2,56) no rebasa el valor crtico (3,84), por tanto se concluye entonces que concluye entonces que no se puede rechazar la hiptesis de no-diferencia (de nulidad). En consecuencia, se puede afirmar con 95% de confianza estadstica que la ocupacin campesino no est significativamente asociada a la presencia de malaria (p>0.05). La prueba de Chi cuadrado es ampliamente usada en epidemiologa, especialmente en el anlisis de tablas 2x2. Por ello, se ha desarrollado la siguiente frmula alternativa simplificada:
enfermo expuesto no expuesto a c (a+c)
no enfermo b d (b+d) (a+b) (c+d) n
62
que, aplicada a los datos de nuestro ejemplo, proporciona resultados similares:
La decisin sobre el nivel de confianza seleccionado depende de la situacin que se analice; por las implicaciones que una decisin tenga, se querr tener un nivel de confianza mayor o menor. Para servir a los distintos propsitos, existen varias alternativas. El Cuadro 3.14 presenta otros valores crticos de x2 (chi cuadrado) para diferentes niveles de significancia.
Cuadro 3.14 Valores crticos de los estadgrafos x2 y Z a distintos niveles de significancia y confianza estadsticas
Valores Crticos Chi Cuadrado* 10.83 6.63 3.84 2.71 1.64 Prueba Z** 3,29 2,58 1,96 1,64 1,28 nivel de confianza 99,999 99,99 95,0 90,0 80,0
nivel de significancia (p) 0,001 0,01 0,05 0,10 0,20
* con un grado de libertad (slo para tablas 2x2) ** para comparacin de dos promedios (ver Apndice)
63
Ejercicio 3 .5 Durante el otoo de 1990, en una localidad de Amrica del Norte, se report la inusual ocurrencia de una enfermedad caracterizada por fiebre, nuseas, edema, dificultad para respirar, taquicardia y, sobre todo, intensos dolores por contractura muscular, acompaada de una marcada elevacin del nmero de eosinfilos, un tipo especial de glbulos blancos que actan sobre ciertos procesos alrgicos. En menos de un ao se haban reportado ms de 1.500 casos de Sndrome Eosinofilia-Mialgia. Los estudios epidemiolgicos implicaron al consumo de triptofano, un importante aminocido en la dieta humana, como responsable de la enfermedad; en especial asociado al consumo de un producto popular para combatir la depresin, el insomnio y el sndrome premenstrual. Pregunta 1 Analice los siguientes datos y evale si existe una diferencia estadsticamente significativa en la incidencia de enfermedad entre los dos grupos estudiados segn la exposicin a triptofano. Emplee una prueba estadstica apropiada. Utilice un nivel de significancia igual a 0.05. Interprete los resultados en trminos de una hiptesis nula (de no-diferencia)
Nmero expuestos no-expuestos 30 36 Incidencia (%) 66,7 22,2
64
Medidas de la fuerza de asociacin

A diferencia de las llamadas pruebas de significancia estadstica, tiles porque determinan la presencia de una asociacin entre dos variables, la epidemiologa propone el uso de dos medidas bsicas que cuantifican la fuerza de esa asociacin: el riesgo relativo y la OR (la OR proviene del ingles odds ratio que ha sido traducido como: razn de productos cruzados, razn de posibilidades u oportunidad relativa). En esta Unidad revisaremos los conceptos bsicos sobre estas medidas de anlisis epidemiolgico y en la Unidad 5 las veremos en el contexto de la investigacin epidemiolgica de factores de riesgo de enfermedad, que es donde adquieren especial relevancia Riesgo Relativo Como vimos anteriormente, la incidencia de una enfermedad en una poblacin y perodo determinados (incidencia acumulada y la tasa de incidencia) nos proporciona una medida del riesgo absoluto de padecer la enfermedad en esa poblacin.
Riesgo absoluto: incidencia de enfermedad u otro evento de inters en la poblacin o grupo poblacional; cuantifica la probabilidad de experimentar dicha enfermedad o evento .
La comparacin de dos medidas de incidencia de una enfermedad, es decir, dos riesgos absolutos, permite detectar un posible exceso de riesgo en un grupo con relacin a otro. En epidemiologa es de particular inters comparar la ocurrencia de enfermedad entre un grupo expuesto a un factor considerado de riesgo respecto a otro no expuesto. Las pruebas estadsticas ayudan a detectar el exceso de riesgo entre ambos grupos, el riesgo relativo permite cuantificar la magnitud de tal exceso y mide la fuerza de la asociacin entre exposicin y enfermedad. Para calcular el riesgo relativo de una enfermedad con relacin a una exposicin, se requiere una medida del riesgo absoluto entre los expuestos a un factor de riesgo y una medida del riesgo absoluto entre los no expuestos a tal factor, es decir, la incidencia en expuestos y la incidencia en no expuestos. Conviene tener presente que nos referimos a la incidencia de una enfermedad especfica y a la exposicin a un factor de riesgo especfico. La epidemiologa dispone de una serie de diseos de estudios para observar cundo existe una asociacin entre la exposicin a un factor y el desarrollo subsecuente de una enfermedad. Entre estos diseos, los estudios de cohortes y caso-control no slo demuestran si esa asociacin existe sino cun fuerte es. Los datos obtenidos a partir de estos estudios observacionales se disponen usualmente en una tabla 2x2, llamada as por la naturaleza dicotmica de las variables de exposicin y de enfermedad, como la que se muestra a continuacin:
65
Cuadro 3 .15
Tabla 2x2 (Diseo de Cohortes)

enfermo no enfermo b d b+d a+b c+d a+b+c+d a c a+c
expuesto no expuesto
Convencionalmente, las columnas de la tabla 2x2 representan la presencia o ausencia de enfermedad y las filas la presencia o ausencia de exposicin. En los estudios de cohortes se parte de dos grupos de sujetos sin la enfermedad, uno expuesto a un hipottico factor que se sospecha de riesgo y otro no expuesto al factor, y se observa el desarrollo posterior de la enfermedad en ambos grupos, durante un tiempo de seguimiento. De esta manera, en los estudios de cohortes la tabla 2x2 (Cuadro 3.15) tiene los siguientes componentes: a = expuestos al factor de riesgo que durante el seguimiento desarrollaron la enfermedad b = expuestos al factor de riesgo que durante el seguimiento no desarrollaron la enfermedad c = no expuestos al factor de riesgo que durante el seguimiento desarrollaron la enfermedad d = no expuestos al factor de riesgo que durante el seguimiento no desarrollaron la enfermedad a + c = total de sujetos que durante el seguimiento desarrollaron la enfermedad b + d = total de sujetos que durante el seguimiento no desarrollaron la enfermedad a + b = total de sujetos expuestos al factor de riesgo c + d = total de sujetos no expuestos al factor de riesgo El riesgo relativo (RR), como medida de fuerza de asociacin, se obtiene a partir de los estudios de cohortes, ya que su diseo nos permite calcular la incidencia de la enfermedad en ambos grupos. El riesgo relativo es una razn de incidencias, o sea el cociente entre la incidencia de enfermedad en los expuestos y la incidencia en los no expuestos al supuesto factor de riesgo. Es decir,
riesgo relativo = incidencia en expuestos incidencia en no-expuestos
y, en la tabla 2x2, esto es:
66
Riesgo Relativo: razn entre el riesgo absoluto de enfermar o morir de aquellos con la exposicin de inters y el riesgo absoluto de enfermar o morir de aquellos sin la exposicin de inters .
Un RR igual a la unidad (RR=1) se interpreta como la ausencia de asociacin entre exposicin y enfermedad (el riesgo de enfermar es similar en ambos grupos); un RR mayor de 1 (RR>1) indica mayor riesgo en los expuestos (la exposicin est asociada a la enfermedad y es un factor de riesgo); un RR menor de 1 (RR<1) indica menor riesgo en los expuestos (la exposicin est asociada a la enfermedad y es un factor protector). La magnitud del RR cuantifica la fuerza de asociacin entre la exposicin y la enfermedad; as un RR igual a 3,5 expresa una asociacin ms fuerte entre exposicin y enfermedad que, por ejemplo, un RR igual a 1,4; o un RR igual a 0,2 indica una asociacin ms fuerte que un RR igual a 0,7. Consideremos un ejemplo clsico. Entre 1950 y 1952, los doctores Dawber, Meadors y Moore del Servicio de Salud Pblica de los EE.UU. seleccionaron 5.127 varones y mujeres sanos, de 30 a 59 aos, residentes de Framingham, Massachusetts, a quienes desde entonces se ha venido estudiando prospectivamente con el fin de observar la relacin entre una serie de factores de riesgo y el desarrollo de enfermedad cardiaca coronaria. Como parte del Estudio del Corazn de Framingham, el Cuadro 3.16 presenta la situacin observada al decimosexto ao de seguimiento de un grupo de 1.112 varones, sanos y de 35 a 44 aos de edad al inicio del estudio, con relacin al desarrollo de enfermedad cardiaca coronaria segn su exposicin a tres factores de riesgo seleccionados.
Cuadro 3 .16 Exposicin a factores de riesgo y enfermedad cardiaca coronaria (ECC) . Seguimiento de 16 aos a varones de 35-44 aos de edad . Framingham, EE .UU .
hipertensin Total 22 1 .090 ECC 12 206 cardiomegalia Total 111 1 .001 ECC 41 177 tabaquismo Total 800 312 ECC 181 37
cohorte expuestos no-expuestos
Veamos el primer factor de riesgo estudiado: hipertensin (definida aqu como presin arterial sistlica igual o mayor a 180 mmHg). De acuerdo a los datos, de los 1.112 varones al inicio del estudio, 22 tenan hipertensin (estaban expuestos) y 1.090 no la tenan (no estaban expuestos). Diecisis aos despus, 12 de los expuestos y 206 de los no expuestos (i.e., 218 casos) haban desarrollado enfermedad cardiaca coronaria (ECC). Esto quiere decir que el riesgo absoluto de enfermar con ECC entre quienes tienen hipertensin es: incidencia en expuestos: = 545,5 por 1.000 expuestos
67
y el riesgo absoluto de enfermar con ECC entre quienes no tienen hipertensin es: incidencia en no expuestos: = 189,0 por 1.000 no expuestos
Ahora podremos comparar ambos riesgos absolutos y determinar el exceso de riesgo como una razn de tasas. As, el riesgo relativo ser: riesgo relativo:
esto es, los individuos hipertensos tienen 2,89 veces el riesgo de enfermar con ECC que el de los individuos no hipertensos. Dicho de otro modo, la exposicin al factor de riesgo incrementa 1,89 veces el riesgo de desarrollar la enfermedad. As, el riesgo relativo indica cunto ms riesgo tienen los expuestos en relacin con los no expuestos. Examinemos el siguiente ejemplo. En la ltima quincena de mayo de 1991 se present un intenso brote de clera en tres caseros aledaos de la selva amaznica (poblacin 1.761 habitantes), que afect a 125 personas y provoc la muerte de 7 de ellas. Durante la primera semana de junio se hizo una encuesta rpida en toda la poblacin sobre su exposicin a un conjunto de supuestos factores de riesgo. El Cuadro 3.17 presenta los resultados con relacin al consumo de ciertos productos que, se sospechaba, podran estar implicados en el brote.
Cuadro 3 .17 Brote de clera en tres caseros rurales, selva amaznica; Junio 1991 .
enfermaron (n=125) expuestos 111 7 17 47 24 71 no expuestos 14 118 108 78 101 54 no enfermaron (n=1 .636) expuestos 1 .093 14 198 522 272 683 no expuestos 543 1 .622 1 .438 1 .114 1 .364 953
supuesto factor de riesgo agua no tratada pescado crudo pescado cocinado arroz recalentado tamal de arroz fruta sin lavar
68
De lo que se trata es de determinar si existe alguna asociacin entre la exposicin a los supuestos factores de riesgo y la presencia de clera en la poblacin. Para ello procedemos a construir una tabla 2x2 para cada uno de los supuestos factores de riesgo, a saber:
Agua no tratada expuesto No expuesto Total Enfermo 111 14 125 No enfermo 1 .093 543 1 .636 Total 1 .204 557 1 .761
pescado crudo expuesto No expuesto Total
Enfermo 7 118 125
No enfermo 14 1 .622 1 .636
Total 21 1 .740 1 .761
pescado cocinado expuesto No expuesto Total arroz recalentado expuesto No expuesto Total
Enfermo 17 108 125 Enfermo 47 78 125
No enfermo 198 1 .438 1 .636 No enfermo 522 1 .114 1 .636
Total 215 1 .546 1 .761 Total 569 1 .192 1 .761
tamal de arroz expuesto no expuesto Total
Enfermo 24 101 125
No enfermo 272 1 .364 1 .636
Total 296 1 .465 1 .761
fruta sin lavar expuesto no expuesto Total
Enfermo 71 54 125
No enfermo 683 953 1 .636
Total 754 1 .007 1 .761
Ahora podremos calcular ms fcilmente las medidas de asociacin. Asumiendo que este es un estudio de cohorte, por tanto, los riesgos relativos en cada exposicin seran los siguientes:
69
agua no tratada
arroz recalentado
pescado crudo
pescado cocinado
fruta sin lavar
Parece claro que la exposicin que se asocia con ms fuerza al hecho de enfermar es el consumo de pescado crudo, as como el consumo de agua no tratada. El riesgo relativo de 4,92 nos indica que la probabilidad de desarrollar clera fue 3.92 veces mayor en los sujetos que consumieron pescado crudo que en los que no lo consumieron. El riesgo de presentar clera fue tambin casi tres veces mayor en aquellos que consumieron agua no tratada que en aquellos que no la consumieron. A la vista de los restantes riesgos relativos, esta evidencia apunta hacia una implicacin causal de estos productos en el brote de clera en estas comunidades amaznicas.
70
Ejercicio 3 .6 A fin de cuantificar la asociacin entre la exposicin de mujeres gestantes a una serie de supuestos factores de riesgo y la presencia de bajo peso al nacer (BPN) en sus productos, entre mayo y septiembre de 1996 se realiz un estudio epidemiolgico en la Provincia N de un pas de Amrica del Sur. Se defini como enfermo a toda madre que haya parido un nio/a con BPN (menos de 2.500 gramos) y como no enfermo a toda madre que haya parido un nio/a sin BPN. Se seleccionaron 1.556 enfermos y 16.910 no enfermos, registrados entre 1988 y 1995 en la base de datos del sistema informtico perinatal disponible en dicha provincia. El Cuadro 3.18 presenta un extracto de los resultados de dicho estudio.
Cuadro 3 .18 Prevalencia de exposicin (%) a factores de riesgo de bajo peso al nacer . Estudio epidemilgico; Provincia N, Amrica del Sur; 1988-1995 .
factor de riesgo madre adolescente (menor de 17 aos) enfermedad de la placenta sin atencin prenatal atencin prenatal tarda (a partir del 5 mes) enfermo (n=1 .556) 13,1 24,4 15,6 56,8 no enfermo (n=16 .910) 7,1 7,2 2,1 31,0
a) Disponga apropiadamente los datos en tablas 2x2 y cuantifique la correspondiente asociacin entre exposicin y enfermedad.
b) Interprete y sintetice sus resultados.
71
Razn de Posibilidades (Odds Ratio) Como acabamos de ver, para calcular el riesgo relativo necesitamos la incidencia de la enfermedad en expuestos y no expuestos y stas se obtienen de un estudio de cohortes. Ms frecuentemente, cuando necesitamos identificar asociacin entre exposicin y enfermedad sucede que nos encontramos ante una serie de sujetos que ya presentaron la enfermedad. En tal situacin podemos recurrir a un estudio caso-control, en el cual se compara la historia de exposicin de los enfermos con la de un grupo de sujetos similares, pero sanos, al que se llama grupo control o testigo. El diseo caso-control es muy verstil y popular en el campo y es uno de los estudios que nos permite obtener una medida denominada razn de posibilidades (razn de productos cruzados, razn de ventajas, razn de suertes, razn de momios, odds ratio), anloga al riesgo relativo, que estima el exceso de riesgo. En los estudios caso-control se parte de dos grupos de sujetos, uno con la enfermedad y otro sin ella, y se investiga si haban estado previamente expuestos al factor de riesgo. As, en los estudios caso-control la tabla 2x2 (Cuadro 3.20) tiene los siguientes componentes
Cuadro 3 .19 Tabla 2x2 (Diseo Caso-Control)
caso expuesto no expuesto a c a+c control b d b+d a+b c+d a+b+c+d
a = enfermos (casos) que estuvieron expuestos al factor de riesgo b = no enfermos (controles) que estuvieron expuestos al factor de riesgo c = enfermos (casos) que no estuvieron expuestos al factor de riesgo d = no enfermos (controles) que no estuvieron expuestos al factor de riesgo a + c = total de sujetos enfermos (casos) b + d = total de sujetos no enfermos (controles) a + b = total de sujetos que estuvieron expuestos al factor de riesgo c + d = total de sujetos que no estuvieron expuestos al factor de riesgo En su original acepcin inglesa (odds ratio), la razn de posibilidades literalmente significa razn de odds. Para comprender mejor su significado, debemos revisar, una vez ms, el trmino probabilidad. La definicin frecuentista nos dice que la probabilidad de la ocurrencia de un evento, indica la frecuencia relativa lmite con que dicho evento tendr lugar a largo plazo, en pruebas repetidas en condiciones similares (Colton, 1975). El trmino frecuencia relativa implica que el valor numrico de cualquier probabilidad se sita entre 0 y 1.
72
Como hemos visto a lo largo de esta Unidad, la probabilidad se utiliza a menudo para cuantificar la frecuencia esperada de ciertas caractersticas de inters, bajo condiciones de incertidumbre como, por ejemplo, el porcentaje de individuos en quienes se espera est presente un riesgo o una enfermedad concretos. Esta misma informacin est contenida en otra medida, relacionada con la probabilidad, pero que se expresa de forma diferente. Se trata del odds. El odds (o ventaja) se define como la probabilidad de que ocurra un evento dividida entre la probabilidad de que no ocurra, es decir, el odds viene a ser una razn de probabilidades complementarias. Esto es, odds = probabilidad del evento 1 probabilidad del evento
Por ejemplo, es lo mismo decir que nuestro equipo de ftbol tiene una probabilidad de 80% de ganar su partido del domingo que decir que su odds es 4 a 1 para esa ocasin (Fletcher, 1998). O, como seala Last en su Diccionario, si 60 fumadores desarrollan tos crnica y 40 no, el odds entre estos 100 fumadores en favor de desarrollar tos es 60:40, o 1,5; en contraste, la probabilidad de que estos fumadores desarrollen tos es 60/100 o 0,6. En un estudio caso-control se definen los odds en favor de la exposicin al factor de riesgo. As, en los casos, el odds de haber estado expuesto ser:
y, en los controles, ser:
De esta manera, la razn de posibilidades (OR) no es sino la razn o cociente entre los odds, en favor de la exposicin de los casos y de los controles; es decir:
73
Razn de posibilidades: es el cociente entre dos odds . Se define de forma diferente segn la situacin de que se trate . En un estudio caso-control, la razn de posibilidades (OR) es el cociente entre las ventajas (odds) a favor de la exposicin en los casos (a/c) y los controles (b/d) (OR de exposicin) . En un estudio de cohortes o un estudio transversal, el OR es el cociente entre las ventajas (odds) a favor de la enfermedad en los expuestos (a/b) y los no expuestos (c/d) (OR de enfermedad) . En ambos casos el clculo queda reducido a ad/bc .
La razn de posibilidades de los estudios caso-control proporciona una medida que es conceptual y matemticamente anloga al riesgo relativo de los estudios de cohortes. Desde un punto de vista ms prctico, el OR, corresponde a la razn de productos cruzados en una tabla 2x2, como la presentada en esta Unidad y se calcula mediante la siguiente frmula:
Esta medida de fuerza de asociacin tiene la misma interpretacin que el riesgo relativo y en determinadas circunstancias (de baja frecuencia de la enfermedad) constituye una buena aproximacin de ste. As, un OR igual a 1 (OR=1) indica ausencia de asociacin exposicin-enfermedad; un OR mayor de 1 (OR>1) indica exposicin de riesgo y un OR menor de 1 (OR<1) efecto protector. Retomando nuestro ejemplo sobre el clera en la Amazona, asumamos que la situacin corresponde a un diseo caso-control, como podra ser si se tratara de consultas en nuestro centro de salud. En tal situacin, los casos seran todos los enfermos con clera atendidos en el centro de salud y los controles, por ejemplo, todos los otros pacientes atendidos por otra causa. Aunque as ya no podemos calcular la incidencia, s podemos medir la fuerza de asociacin entre exposicin y enfermedad por medio de la razn de posibilidades (OR), a saber:
OR agua no tratada = 111 543 60.273 = = 3,94 1.093 14 15.302 7 1.622 11.354 = = 6,87 14 118 1.652 17 1.438 24.446 = =1,14 198 108 21.384 OR arroz recalentado = 47 1.114 52.358 = =1,29 522 78 40.716
OR pescado crudo =
OR tamal de arroz =
24 1.364 32.736 = =1,19 272 101 27.472 71 953 67.663 = =1,83 683 54 36.882
OR pescado cocinado =
OR fruta sin lavar =
74
Si comparamos la fuerza de asociacin medida con el RR y con el OR apreciaremos que las diferencias observadas no cambian la conclusin acerca de las exposiciones que parecen estar causalmente implicadas en la propagacin del clera en la comunidad. Conviene reiterar que tanto el riesgo relativo como la razn de posibilidades, miden el exceso de riesgo en los expuestos con respecto a los no expuestos a un determinado factor y ambos tienen como punto de referencia la unidad (RR=1 OR=1). As, un RR u OR igual a 2, por ejemplo, no significa que los expuestos tengan dos veces ms riesgo que los no expuestos, sino una vez ms, es decir, los expuestos tienen el doble de riesgo de los no expuestos (100% ms riesgo); un RR u OR igual a 1,5 significa que los expuestos tienen 0,5 veces ms riesgo que los no expuestos (o sea, 50% de exceso de riesgo).
75
Apndice estadstico - epidemiolgico

En esta seccin se ofrecen elementos adicionales para el anlisis epidemiolgico, los cuales pueden consultarse posteriormente. Estos incluyen pruebas de significancia estadstica, estimacin de intervalos de confianza, mtodos para el anlisis de impacto de factores de riesgo en la poblacin y mtodos para el control de factores que pueden distorsionar la comparacin entre poblaciones. Comparacin de dos Promedios: La Prueba Z Despus de un brote de malaria, un centro de salud realiza un programa de tamizaje en el cual 150 frotis sanguneos de nios de 1 a 4 aos de edad son examinados para detectar la presencia de parsitos Plasmodium falciparum. Se encontraron 70 lminas positivas y el nivel promedio de hemoglobina en esos nios fue 10,6 g/dL, con una desviacin estndar de 1,4 g/dL. El nivel promedio de hemoglobina en los 80 nios con lminas negativas fue 11,5 g/dL, con una desviacin estndar de 1,3 g/dL. El centro de salud estaba interesado en saber si la infeccin por P. falciparum disminuye los niveles de hemoglobina en los nios de la comunidad. Los datos que resumen la situacin descrita son:
nios con malaria (grupo 1) tamao del grupo (n) promedio ( ) desviacin estndar (DE) 70 10,6 1,4 nios sin malaria (grupo 2) 80 11,5 1,3
Desde el punto de vista estadstico, el inters del centro de salud consiste en saber si existe o no diferencia entre los promedios de hemoglobina observados en los dos grupos de nios. En este caso podemos usar una prueba de significacin estadstica llamada Prueba Z, cuyo estadgrafo es: DE DE
Segn esta prueba, el valor crtico del estadgrafo Z para un nivel de significancia de 0.05 (5%) es 1,96. Si el valor de Z calculado es mayor que el Z crtico (1,96), se rechaza la hiptesis nula y se concluye que la diferencia observada es estadsticamente significativa con 95% de confianza (p<0,05). Reemplazando,
76
El resultado es significativo al nivel 0,05 (5%), puesto que 4,06 es mayor que 1,96 (en esta prueba se considera el valor absoluto). En consecuencia, se puede afirmar con 95% de confianza que la infeccin por P. falciparum disminuye los niveles de hemoglobina en los nios afectados. Esta confianza es estadstica, porque expresa la seguridad relativa con la que se toma una decisin estadstica: decir que hay o no hay diferencia entre dos grupos observados, en funcin de la influencia del azar. Esta decisin, en estadstica, corresponde a rechazar o aceptar la hiptesis nula o de no-diferencia. El Cuadro 3.14 presenta otros valores crticos de Z para diferentes niveles de significancia. Esta prueba se emplea slo cuando ambas muestras son grandes (>30 en cada grupo) (de otro modo se suele aplicar la prueba t de Student, no tratada en este Mdulo). Intervalos de Confianza para promedios y proporciones Un procedimiento alternativo o complementario de la inferencia estadstica para estimar el grado de incertidumbre que rodea a los estimadores de los parmetros poblacionales es el cmputo de sus intervalos de confianza. Su comparacin directa, incluso, puede ser tanto o ms informativa que los valores p del nivel de significancia para decidir si una diferencia entre los estimadores (promedios o proporciones) es o no estadsticamente significativa. En su forma general, un intervalo de confianza es simtrico respecto del estimador que contiene; es decir que se construye sumando y restando una misma cantidad al promedio o la proporcin observada en la poblacin estudiada. Esa cantidad se llama error de muestreo y corresponde al producto del error estndar del estimador y un valor crtico del estadgrafo correspondiente, que suele ser el valor de Z para un nivel de confianza de 95% (1,96). As, intervalo de con anza = estimador Z 95% error estndar (E.S.)
error de muestreo
El error estndar es el mismo que se emplea en las pruebas de significancia estadstica y, como hemos visto, es una expresin de la variacin o variabilidad entre los individuos en las muestras de la poblacin. Mas concretamente, el error estndar representa la desviacin estndar de una distribucin de muestras repetidas de la misma poblacin. Imaginemos que en una misma poblacin se repite 100 veces el mismo estudio para determinar el perodo de incubacin promedio, en das, de la difteria. Cada estudio resumir sus resultados en dos medidas: el promedio y la desviacin estndar del perodo de incubacin de la difteria. As, tendremos 100 promedios y 100 desviaciones estndar de lo mismo. Si hacemos un grfico de los 100 promedios obtenidos, veremos que stos siguen una distribucin normal y, por lo tanto, esta distribucin de muestras tendr tambin un promedio y una desviacin estndar. Este promedio es un promedio de pro-
77
medios y esa desviacin estndar es, precisamente, el error estndar; ambos representan los verdaderos parmetros poblacionales del perodo de incubacin de la difteria. El error estndar es una medida de gran importancia en la teora muestral; en la prctica se expresa como una relacin entre la dispersin de los datos observados y el tamao de la muestra estudiada. El intervalo de confianza as construdo indica el rango en el que, con una probabilidad conocida, el verdadero parmetro poblacional estudiado est contenido. Por ejemplo, si un estudio sobre el perodo de incubacin de la difteria reportara que el promedio es 3,5 das y el Intervalo de Confianza al 95% (IC95%) es 2,46,1 das, lo que estn diciendo los autores es: si bien nuestro resultado puntual es 3,5 das en promedio, reconocemos que ste es un estimado y por lo tanto est sujeto a error aleatorio; no obstante, tenemos 95% de confianza que el verdadero tiempo de incubacin de la difteria est entre 2,4 das y 6,1 das. En otras palabras, se est diciendo que si se repitiera 100 veces el mismo estudio, en 95 de las veces el promedio obtenido estar entre 2,4 y 6,1 das, o sea el intervalo de confianza, pero en 5 de las veces podr estar fuera de dicho intervalo. De esta manera, el intervalo de confianza cuantifica de manera explcita la inherente imprecisin de los datos. IC95% de un promedio: DS
El IC95% del promedio de hemoglobina en el grupo de nios con malaria (pag. 76) ser:
Lmite inferior (Li) = 10,3g/dL; Lmite superior (Ls) = 10,9g/dL. El IC95% del promedio de hemoglobina en el grupo de nios sin malaria (pag. 76) ser:
Li = 11,2g/dL; Ls = 11,8g/dL. El Grfico 3.10 compara visualmente ambos grupos de poblacin en funcin de sus respectivos intervalos de confianza. El hecho de observar que sus rangos no se superponen entre s (el lmite superior de uno y el lmite inferior de otro no se tocan) sugiere que
78
hay diferencia estadsticamente significativa entre ambos, en correspondencia con los resultados de la prueba de significancia empleada (Prueba Z).
Grfico 3 .10
12
Comparacin de intervalos de confianza de dos promedios
11.5 Hemoglobina (g/dl)
11
10.5
10 con malaria Grupo de poblacin sin malaria
IC95% de una proporcin:
El IC95% de confianza para la incidencia de malaria en campesinos (pag. 61) ser:
Li = 0,0493 (49,3 por mil); Ls =0,1272 (127,2 por mil). Obsrvese que la proporcin p en la frmula se expresa en tanto por uno (o sea, va de 0 a 1); los resultados se multiplican por 1.000 para expresarlos como tasas por mil. El IC95% de confianza para la incidencia de malaria en no campesinos (pag. 64) ser:
79
Li = 0,0367 (36,7 por mil); Ls =0,0749 (74,9 por mil). El Grfico 3.11 compara visualmente ambos grupos de poblacin en funcin de sus respectivos intervalos de confianza. El hecho de observar que sus rangos se superponen entre s (el lmite superior de uno y el lmite inferior de otro se tocan) sugiere que no hay diferencia estadsticamente significativa entre ambos, en correspondencia con los resultados de la prueba de significancia empleada (Chi cuadrado). Adems, obsrvese la longitud del recorrido del intervalo de confianza para la incidencia en campesinos: la amplitud de un intervalo de confianza tambin informa sobre la precisin del estudio; los intervalos amplios indican pobre precisin muestral.
Grfico 3 .11
130
Comparacin de intervalos de confianza de dos proporciones
110 Incidencia malaria (por mil)
90
70
50
30 campesinos
Grupo de poblacin
no campesinos
La estimacin de intervalos de confianza es un procedimiento bsico para documentar el grado de precisin de nuestros resultados. Los mtodos que hemos revisado son los ms comunes y tiles en la prctica cotidiana de la epidemiologa. Sin embargo, debe sealarse que existe una amplia variedad de tcnicas para la estimacin de intervalos de confianza de distintos parmetros poblacionales, como los intervalos de confianza de una diferencia de promedios, de una diferencia de proporciones; riesgos relativos, razones de posibilidades y otras importantes mediciones en salud. Aunque el desarrollo de estos clculos no es parte de los objetivos del MOPECE, los principios bsicos que ha descrito sobre la construccin de intervalos de confianza se aplican universalmente para tales casos.
80
Medidas de impacto potencial

Riesgos atribuibles La comparacin de dos medidas de incidencia acumulada, como se ha sealado, permite cuantificar el exceso de riesgo entre dos grupos con diferente nivel de exposicin al factor de inters. Este exceso de riesgo se puede medir en dos direcciones: la razn de tasas, dividindolas para obtener el riesgo relativo, o la diferencia de tasas, restndolas, en cuyo caso obtendremos el llamado riesgo atribuible en expuestos, es decir: riesgo atribuible en expuestos = incidencia en expuestos incidencia en no expuestos
En el ejemplo de Framingham, el riesgo atribuible en expuestos (hipertensos) ser: riesgo atribuible en expuestos: 545,5 189,0 = 356,5 por 1.000 expuestos
que es la tasa de enfermedad ECC en los expuestos que se considera debida o atribuible a la exposicin, es decir, al hecho de ser hipertensos. En otras palabras, si los individuos expuestos dejaran de ser hipertensos (esto es, si se eliminase su exposicin al factor de riesgo), su riesgo absoluto original (545,5 por 1.000) quedara reducido solamente al riesgo absoluto de los no expuestos (189,0 por 1.000); este exceso de riesgo (356,5 por 1.000) de enfermar con ECC se atribuye a la hipertensin. En forma anloga, el riesgo atribuible en la poblacin (RAP), es la magnitud absoluta de incidencia de enfermedad que se atribuye a la exposicin, ya no slo en los expuestos sino en el conjunto de la poblacin. El RAP es la diferencia entre la incidencia en la poblacin (IP) y la incidencia en los no expuestos; es decir:
riesgo atribuible en la poblacin,
En el ejemplo de Framingham, podemos determinar que la incidencia de ECC en la poblacin fue 196,0 por mil personas (218 casos en 1.112 personas). El RAP ser: riesgo atribuible en la poblacin, RAP: 196,0 189,0 = 7,0 por 1.000 habitantes
que es la tasa de enfermedad ECC en la poblacin que se considera debida o atribuible a la hipertensin (la exposicin). Es decir que, si no hubiera hipertensin en la poblacin, el riesgo absoluto de enfermar con ECC sera 189,0 por mil personas en vez de 196,0 por mil: el exceso de riesgo, atribuible a la exposicin, es slo 7,0 por mil habitantes.
81
Fracciones atribuibles A partir de los riesgos atribuibles podemos calcular otras dos medidas importantes, llamadas medidas de impacto potencial: la fraccin atribuible en expuestos y la fraccin atribuible en la poblacin. La fraccin atribuible en expuestos es simplemente el riesgo atribuible en expuestos expresado porcentualmente, es decir, la proporcin de la incidencia en expuestos que se considera debida a la exposicin al factor de riesgo. Esto es,
fraccin atribuible en expuestos:
En el ejemplo de Framingham sobre hipertensin y ECC, la fraccin atribuible en expuestos llamada tambin riesgo atribuible porcentual, RA%, ser:
fraccin atribuible en expuestos (RA%):
que quiere decir que el 65% del riesgo absoluto en expuestos es debido a la exposicin al factor de riesgo, es decir, al hecho de ser hipertensos (el riesgo atribuible en expuestos, 356,5 por 1.000, equivale al 65,4% del riesgo absoluto en expuestos, 545,5 por 1.000). Finalmente, la fraccin atribuible en la poblacin o fraccin etiolgica es una medida que cuantifica el exceso de riesgo de enfermar, que se atribuye a la exposicin ya no slo en los expuestos, sino en el conjunto de la poblacin. Esta medida es simplemente el riesgo atribuible en la poblacin expresado porcentualmente (RAP%). De esta manera, la fraccin atribuible en la poblacin queda expresada como:
fraccin atribuible en la poblacin, RAP%:

La fraccin atribuible en la poblacin permite identificar la importancia relativa de la exposicin a un determinado factor de riesgo en la poblacin, pues expresa la magnitud en que se reducira el riesgo absoluto de enfermar en el conjunto de la poblacin (es decir, la incidencia de la enfermedad en la poblacin) si se eliminara dicha exposicin. Por ello, se considera que el RAP% es una medida de gran trascendencia en salud pblica. En el ejemplo de Framingham sobre hipertensin y ECC, la fraccin etiolgica o riesgo atribuible poblacional porcentual, RAP%, ser:
fraccin atribuible en la poblacin, RAP%:
82
lo que quiere decir que la hipertensin da cuenta nicamente del 3.6% del riesgo absoluto de enfermar con ECC, i.e., la incidencia, en la poblacin estudiada. En otras palabras, si se tuviera xito en eliminar la hipertensin en toda la poblacin, se habra conseguido reducir nicamente en 3.6% el riesgo de desarrollar enfermedad cardiaca coronaria en esa poblacin. Esto, como veremos luego, tiene obvias implicaciones en la priorizacin e implementacin de medidas de control de alcance poblacional en salud.
83
Ejercicio 3 .7 Complete la informacin del cuadro siguiente con relacin al impacto potencial asociado a los otros dos factores de riesgo de ECC presentados en el Cuadro 3.16a:
factor de riesgo Medida cardiomegalia (medida por el incremento de la sombra cardiaca a los rayos X) tabaquismo (hbito de fumar cigarrillos presente)
riesgo relativo
riesgo atribuible en expuestos
riesgo atribuible en la poblacin
fraccin atribuible en expuestos
fraccin atribuible en la poblacin
Hagamos ahora un resumen de nuestras observaciones sobre la situacin descrita en el ejemplo de Framingham. Hemos estado interesados en ver cul es el riesgo de desarrollar enfermedad cardiaca coronaria en una poblacin en funcin de la exposicin a tres factores de riesgo: hipertensin, cardiomegalia y tabaquismo. Hemos visto que el factor con mayor riesgo relativo es la hipertensin (RR=2,9) y el de menor el tabaquismo (RR=1,9)
84
pero, por otro lado, la fraccin etiolgica ms alta es la del tabaquismo (RAP%=39,5%) y la ms baja la de hipertensin (RAP%=3,6%). En otras palabras, aunque claramente tiene ms riesgo de desarrollar ECC un individuo hipertenso que uno fumador, a nivel poblacional resultara ms recomendable aplicar una estrategia de reduccin del tabaquismo, que una de reduccin de la hipertensin. Por qu?. Esta situacin, relativamente comn, ilustra el contraste entre riesgo individual y riesgo poblacional. Esta situacin se explica por las diferencias en la prevalencia de exposicin en la poblacin a los distintos factores de riesgo. Con los datos del Cuadro 3.21 podemos inferir que la prevalencia de hipertensin en la poblacin fue 2%, mientras que la de tabaquismo fue 72%. As, el RAP% es sensible no slo a la magnitud del exceso de riesgo entre expuestos y no expuestos, sino tambin a la magnitud de la exposicin al riesgo en la poblacin. En el ejemplo de Framingham, que sintetizamos en el Cuadro 3.21 y Grfico 3.12 siguientes, si tuviramos que decidir por una intervencin de salud pblica para disminuir el riesgo de ECC una situacin habitual cuando hay limitacin de recursos la intervencin dirigida a disminuir la prevalencia de consumo de cigarrillos tendr definitivamente mayor impacto en dicha poblacin.
Cuadro 3 .21 Exposicin a factores de riesgo y enfermedad cardiaca coronaria (ECC) . Seguimiento de 16 aos a varones de 35-44 aos de edad . Framingham, EE .UU .
riesgo relativo (RR) 2,9 2,1 1,9 prevalencia fraccin etiolgica de exposicin (PE) (RAP%) 2,0 10,0 71,9 3,6 9,8 39,5
factor de riesgo inicial A B C hipertensin sistlica cardiomegalia tabaquismo
Adaptado de Kahn y Sempos .
Grfico 3 .12 Exposicin a factores de riesgo y enfermedad cardiaca coronaria (ECC) . Seguimiento de 16 aos a varones de 35-44 aos de edad . Framingham, EE .UU .
Riesgo relativo 3.0 2.5 2.0 1.5 1.0 A B C 75 60 45 30 15 0 A B C Prevalencia de exposicin 40 30 20 10 0 A B C Fraccin etiolgica
85
Otro ilustrativo ejemplo de la importancia de considerar el impacto potencial de las medidas de control en la comunidad a la hora de tomar decisiones se encuentra en el caso del clera en la Amazona, presentado en el Cuadro 3.17 (pgina 68). De acuerdo con la informacin disponible, podemos determinar la fraccin atribuible en la poblacin (fraccin etiolgica, RAP%) de la exposicin a pescado crudo y a agua no tratada:
pescado crudo
agua no tratada
Esto nos permite saber que, aunque el consumo de pescado crudo est ms fuertemente asociado a la presencia de clera (RR=4,9), su impacto potencial en la poblacin es muy bajo, por que la prevalencia de exposicin (consumo de pescado crudo) en la poblacin es muy baja (1,2%). Si eliminramos el consumo de pescado crudo en esa poblacin, solamente conseguiramos reducir cerca de 5% su incidencia de clera. En cambio, el consumo de agua no tratada una prctica altamente prevalente en dicha comunidad (68,4% consume agua no tratada) tiene gran impacto potencial: eliminar este factor de riesgo reducira 65% la incidencia de clera en la poblacin. Aunque, es obvio que las campaas de prevencin del clera en esa comunidad habrn de advertir del riesgo de consumir pescado crudo o fruta sin lavar, la inversin tendr que dirigirse prioritariamente a evitar que su poblacin consuma agua no tratada. Estandarizacin de tasas Con el fin de sintetizar la informacin disponible, frecuentemente las tasas se presentan para la poblacin completa o para grandes categoras de la misma. A estas tasas se les llaman tasas crudas. Con estas tasas-resumen se suele comparar la mortalidad o la incidencia de una enfermedad entre dos reas geogrficas, dos grupos de poblacin o dos momentos en el tiempo y ver si existen diferencias relevantes. Consideremos la siguiente situacin:
grupos de edad (aos) Total PAS A defunciones 1 .269 .166 poblacin 68 .386 .000 tasa por mil 18,6 defunciones 5 .564 .944 PAS B poblacin 198 .250 .000 tasa por mil 28,1
Los datos de mortalidad y poblacin corresponden al mismo ao calendario. El Pas A es un pas escasamente industrializado; el Pas B es un pas altamente industrializado. Qu informacin comparativa se obtiene a partir de estos datos?. Bsicamente, podramos
86
sacar dos conclusiones: 1) que la tasa de mortalidad en el Pas B es ms alta que en el Pas A; y, 2) que el riesgo de morir en el Pas B es 50% ms alto que en el Pas A. Es decir que, en trminos de mortalidad, el Pas B est en una situacin ms desfavorable que el Pas A. El Pais B, como se mencion, un pas altamente industrializado. Las tasas pueden tambin ser presentadas en forma desagregada para varias categoras de poblacin, definidas sobre la base de caractersticas relevantes a la comparacin, tales como edad, sexo, etnia, ocupacin o nivel de exposicin a determinado factor de riesgo. A estas tasas se les denomina tasas especficas. Puesto que el riesgo de morir o de contraer la gran mayora de enfermedades est relacionado, en general, con la edad y a menudo difiere entre los sexos, el anlisis de la mortalidad o la incidencia de enfermedad en una poblacin debe necesariamente hacer uso de las correspondientes tasas especficas. Regresemos ahora a la situacin entre los pases A y B:
grupos de edad (aos) Total <15 15 44 45 64 65 y + PAS A defunciones 1 .269 .166 317 .308 338 .100 270 .261 343 .497 poblacin 68 .386 .000 19 .831 .740 35 .218 .790 10 .941 .760 2 .393 .710 tasa por mil 18,6 16,0 9,6 24,7 143,5 defunciones 5 .564 .944 94 .169 380 .430 1 .223 .875 3 .866 .470 PAS B poblacin 198 .250 .000 24 .781 .250 79 .256 .250 61 .501 .250 32 .711 .250 tasa por mil 28,1 3,8 4,8 19,9 118,2
A partir de esta informacin es posible identificar al menos tres hechos relevantes: 1) el Pas A tiene tasas de mortalidad especficas por edad ms altas que el Pas B en todos los grupos de edad considerados; 2) la estructura por edades difiere marcadamente entre las dos poblaciones: el pas A concentra su poblacin hacia edades tempranas, el pas B hacia edades tardas; y, 3) hay una aparente contradiccin entre lo que esta informacin refleja y lo que se concluye observando las tasas crudas de mortalidad de los dos pases. Cmo se explica esta aparente confusin?. Dado que, como ha sido mencionado, el riesgo de morir o enfermar est habitualmente asociado con la edad, las tasas crudas de mortalidad e incidencia dependen crticamente de la composicin etrea de una poblacin. Esto cobra mayor relevancia cuando el objetivo es comparar dos poblaciones. Puede ser, por tanto, inapropiado emplear tasas crudas para comparar dos poblaciones distintas a menos que tengan la misma estructura por edades. La diferencia de composicin etrea (o sea, la variable edad) ejerce un efecto confusor en la comparacin de tasas crudas de mortalidad por pas. De hecho, una tasa cruda es bsicamente un promedio ponderado de las tasas especficas por categora, siendo los pesos las proporciones de poblacin en cada categora.
87
Para poder realizar una comparacin libre de las distorsiones que pueden provocar las diferencias en la composicin de la poblacin se deben emplear tasas estandarizadas. Las tasas estandarizadas o ajustadas son tasas-resumen construdas estadsticamente para tomar en cuenta y remover el potencial efecto confusor de la variable edad u otra tercera variable, al comparar las tasas de mortalidad o incidencia de dos poblaciones diferentes. El procedimiento bsico para el ajuste de tasas (el llamado mtodo directo) requiere contar con las tasas especficas por categora de la variable a ajustar (por ejemplo, la edad) en ambas poblaciones a comparar. Es decir, se requiere dos conjuntos de tasas especficas por edad (uno por cada pas) y una poblacin estndar. La idea general es ver cul sera el nmero total de defunciones que habra en cada uno de los dos pases, si stos tuvieran exactamente la misma estructura de edad (la poblacin estndar) y ocurrieran las tasas especficas por edad realmente observadas en cada uno. En otras palabras, se trata de ajustar la estructura de mortalidad observada de cada pas, a una estructura de edad nica y estndar para los dos. El procedimiento incluye los siguientes cuatro pasos: 1. fijar la poblacin estndar: se puede seleccionar una ya conocida o se puede construir una a partir de los datos; por ejemplo, sumando las poblaciones especficas por categora de edad en cada grupo;
grupos etreos Total <15 15 44 45 64 65 y + PAS A 68 .386 .000 19 .831 .740 35 .218 .790 10 .941 .760 2 .393 .710 PAS B 198 .250 .000 24 .781 .250 79 .256 .250 61 .501 .250 32 .711 .250 POBLACIN ESTNDAR (A + B) 266 .636 .000 44 .612 .990 114 .475 .040 72 .443 .010 35 .104 .960
2. calcular el nmero esperado de defunciones en cada categora de edad de la poblacin estndar, aplicando las tasas especficas por edad observadas en cada una de las dos poblaciones a comparar;
88
grupos etreos Total <15 15 44 45 64 65 y +
POBLACIN ESTNDAR 266 .636 .000 44 .612 .990 114 .475 .040 72 .443 .010 35 .104 .960
PAS A tasa observada defunciones esperadas 713 .808 1 .098 .959 1 .789 .339 5 .037 .556
PAS B tasa observada defunciones esperadas 169 .530 549 .480 1 .441 .616 4 .149 .407
16,0 9,6 24,7 143,5
3,8 4,8 19,9 118,2
por ejemplo, el nmero de defunciones esperadas en el grupo de menores de 15 aos para el Pas A, se calcula por medio de una regla de tres simple: si ocurren 16 defunciones por cada mil personas, cuntas defunciones ocurrirn en 44.612.990 personas?. Esto es,
nmero de defunciones esperadas en <15 aos, Pas A:
3. obtener el nmero total de defunciones esperadas en cada pas, sumando los resultados correspondientes del paso anterior; y,
grupos etreos Total <15 15 44 45 64 65 y + POBLACIN ESTNDAR 266 .636 .000 44 .612 .990 114 .475 .040 72 .443 .010 35 .104 .960 16,0 9,6 24,7 143,5 PAS A tasa observada defunciones esperadas 8 .639 .663 713 .808 1 .098 .959 1 .789 .339 5 .037 .556 3,8 4,8 19,9 118,2 PAS B tasa observada defunciones esperadas 6 .310 .033 169 .530 549 .480 1 .441 .616 4 .149 .407
4. calcular las respectivas tasas ajustadas por edad para cada poblacin, dividiendo el nmero total de casos esperados obtenido en el paso previo, entre el total de la poblacin estndar.
tasa ajustada de mortalidad, Pas A: tasa ajustada de mortalidad, Pas B:
89
Comparemos una vez ms los resultados crudos y ajustados:

tasa de mortalidad por mil cruda estandarizada PAS A 18,6 32,4 PAS B 28,1 23,7
Luego de haber removido la distorsin producida por la diferencia en la estructura de edades, se cuenta con una medida-resumen vlida para comparar la mortalidad entre los dos pases: la tasa de mortalidad es cerca de 40% ms alta en el Pas A que en el Pas B. Cabe recalcar que el uso de tasas estandarizadas slo est indicado con fines comparativos; su construccin estadstica est basada en la eleccin arbitraria de un estndar y, por ello, la magnitud de la cifra carece de valor intrnseco. Por ltimo, la estandarizacin de tasas no suple las deficiencias en la calidad, cobertura ni registro de los datos.
90
Referencias bibliogrficas
Alleyne GAO. Gente sana en entornos saludables. Informe Anual del Director OPAS 1998. Organizacin Panamericana de la Salud; Washington DC, 1999. Alleyne GAO. Emerging diseasesWhat now?. Emerging Infectious Diseases 1998 July; 4(3):498-500. Beaglehole R, Bonita R, Kjellstrm T. Epidemiologa bsica. Organizacin Panamericana de la Salud; Washington DC, 1994. Bortman M. Factores de riesgo de bajo peso al nacer. Revista Panamericana de Salud Pblica/ Pan American Journal of Public Health 1998 May;3(5):314-21. Castillo-Salgado C [Editor]. Manual sobre el enfoque de riesgo en la atencin maternoinfantil. Segunda edicin. Organizacin Panamericana de la Salud; Washington DC, 1999. Centers for Disease Control. Epidemiologic notes and reports: Eosinophilia-Myalgia SyndromeNew Mexico. Mortality and Morbidity Weekly Report 1989 November 17,38(45):765-67. Colton T. Estadstica en medicina. Ediciones Daz de Santos S.A.; Madrid, 1995. Donaldson RJ, Donaldson LJ. Medicina comunitaria. Editorial Daz de Santos; Madrid, 1989. Fletcher RH, Fletcher SW, Wagner EH. Epidemiologa clnica: aspectos fundamentales. Segunda edicin. Masson, Williams & Wilkins Espaa, S.A.; Madrid, 1998. Freund JE, Williams FJ. Dictionary/Outline of basic statistics. Dover Publications, Inc.; New York, 1991. Gordis L, Epidemiology. Second edition. W.B. Saunders Company; Philadelphia, 2000. Gore SM, Altman DG. Statistics in practice. British Medical Association; London, 1982. Kahn HA, Sempos CT. Statistical methods in epidemiology. Oxford University Press; New York, 1989. Kirkwood BR. Essentials of medical statistics. Backwell Scientific Publications; Osney Mead, 1988. Last J [Editor]. A dictionary of epidemiology. Third edition. International Epidemiological Association. Oxford University Press; New York, 1995. Lwanga SK, Tye CY, Ayeni O. Teaching health statistics. Lesson and seminar outlines. Second edition. World Health Organization; Geneva, 1999. Newcomer RJ, Benjamin AE. Indicators of chronic health conditions. Monitoring communitylevel delivery systems. The Johns Hopkins University Press; Baltimore, 1997. Norell SE. Workbook of epidemiology. Oxford University Press, Inc.; New York, 1995. Norman GR, Streiner DL. Bioestadstica. Mosby/Doyma Libros, S.A.; Madrid, 1996. Organizacin Panamericana de la Salud. Las condiciones de salud en las Amricas. Volumen I. Edicin de 1994. Organizacin Panamericana de la Salud; Washington DC, 1994.
91
Quick RE, Vargas R, Moreno D, et al. Epidemic cholera in the Amazon: the challenge of preventing deaths. American Journal of Tropical Medicine and Hygiene 1993;48(5):597-602. Rosner B. Fundamentals of Biostatistics. Fifth Edition. Duxbury Thompson Learning; Pacific Grove, 2000. Silva LC. Cultura estadstica e investigacin cientfica en el campo de la salud: una mirada crtica. Ediciones Daz de Santos, S. A.; Madrid, 1997. Tukey JW. Exploratory Data Analysis. Addison Wesley Publishing Co. 1977. Turnock BJ. Good news and bad news for public health. Journal of Public Health Management and Practice 1997 May;3(3):x-xi. Wallgren A, Wallgren B, Persson R, Jorner U, Haalad JA. Graphing statistics & data. Creating better charts SAGE Publications, Inc; Newbury Park, 1996.
92
ISBN: 92 75 32407 7
9 789275 324073

LIBRO... Principios de Epidemiol para Control de Enf

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

LIBRO... Principios de Epidemiol para Control de Enf

Uploaded by

Copyright:

Available Formats

Organizacin Panamericana de la Salud Organizacin Mundial de la Salud

Mdulo de Principios de Epidemiologa para el Control de Enfermedades (MOPECE)

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Medicin de salud y enfermedad en la poblacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Tipos de datos y su tabulacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

grupos de edad (en aos) 20 - 23 24 - 27 28 - 31 32 - 35 36 - 39 40 - 43 44 - 47 48 - 51 52 - 55 56 - 59 60 - 63 Total

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Presentacin grfica de datos

Distribucin de muertes por suicidio segn sexo . Lugar X,1995-2000

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Casos de dengue por mes de inicio . Lugar Y, 2000

Casos de tuberculosis por edad . Lugar Z, 2000

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Efecto de las dimensiones de las escalas en los grficos

B. Incorrecto. Escala horizontal exagerada

400 300 200 100 0 2000

C. Correcto. Escalas proporcionadas

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Tipo de variable Nominal Ordinal

(*) manteniendo el orden de las categoras (**) en variables discretas o categorizadas

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Medidas de resumen de una distribucin

Distribuciones normal, observada y asimtrica de la edad

0,04 Observada 0,03 Densidad

0,00 15 25 35 edad (aos) 45 55 65

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Organizacin Panamericana de la Salud / OMS

Mdulos de principios de epidemiologa para el control de enfermedades (MOPECE)

Los promedios aritmticos calculados fueron:

Organizacin Panamericana de la Salud / OMS

Unidad 3: Medicin de las condiciones de salud y enfermedad en la poblacin

Casos de suicidio . Lugar X, 1995-2000