Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Monografa preparada por los profesores Armando E. Gonzlez y Nstor Falcn Prez para
ser usadas como material didctico y de estudio en el curso de Epidemiologa Veterinaria de
postgrado de la Maestra en Salud Animal de la Unidad de Postgrado de la Facultad de
Medicina Veterinaria de La Universidad Nacional Mayor de San Marcos y elaboradas con
tesn y perseverancia desde las actividades de la XXIV Reunin Cientfica Anual APPA y
hasta el taller de Planeamiento Estratgico en la Facultad de Medicina Veterinaria.
creencia que los cerdos que son enjutos de patas pero anchos de espalda estn
afectados por cisticercosis porcina. Igual se asume que las vacas inusualmente
delgadas deben estar afectadas por tuberculosis o que los animales de pelaje hirsuto y
opaco tienen parsitos gastrointestinales. Estas aseveraciones se han hecho en el afn
de la gente para poder clasificar a los animales como sanos o enfermos evaluando
indicadores a simple vista. Definitivamente, es ms probable que por ejemplo un
torete de pelo hirsuto y opaco est parasitado, de hecho son signos de parasitismo,
pero as como no todos los sanos tendrn un pelaje reluciente, tampoco todos los
enfermos tendrn, necesariamente, pelaje hirsuto. Lo evidente es que se han
formulado reglas de decisin para clasificar a los animales como sanos y enfermos y
que an mas, las reglas no necesariamente son definitivas, para cada regla habr, en
mayor o menor grado, falsos positivos y falsos negativos.
En cualquier caso, la clasificacin entre sanos y enfermos empleando una regla de
decisin constituye un proceso de diagnstico. Puede ser por ejemplo, que el
diagnstico sea hecho a simple vista, como es el caso de animales con garrapatas, o
que sea hecho empleando una prueba clnica, como por ejemplo, la prueba del palo
para retculo-peritonitis traumtica (vaca clavada). Asimismo la clasificacin podra
basarse en definiciones de caso o en criterios diagnsticos que incluyan varios
indicadores. Lo cierto es que se trata de clasificar a los animales en aquellos que
tienen o no una enfermedad. Que la mayor parte de las veces se empleen pruebas
inmunolgicas o tcnicas sofisticadas para poder hacer la clasificacin no le quita ni
le da nada al proceso diagnstico, se trata de clasificar a los animales. Ahora bien, es
bueno considerar que no importa que mtodo empleemos para clasificar a los
animales, siempre existir errores en homenaje a la naturaleza elusiva de la verdadera
verdad.
Sensibilidad
La sensibilidad denota la probabilidad de que un individuo ENFERMO, de resultado
positivo a la prueba. Vale decir, la probabilidad calculada de dividir el nmero de
individuos enfermos que dieron positivo a la prueba entre el total de individuos
enfermos.
Especificidad
La especificidad denota la probabilidad de que un individuo SANO (libre de
enfermedad), de resultado negativo a la prueba. En este caso, la probabilidad
calculada de dividir el nmero de individuos sanos que dieron negativo a la prueba
entre el total de individuos negativos.
Resultado de la
PRUEBA
Total
+
-
Total
(a+b)
(c+d)
N
Sensibilidad:
Especificidad:
b
(b + d )
a
(a + b )
b
(c + d )
Evidentemente, no hemos perdido de vista que sea que se presente como proporcin o
como porcentaje, se tratara de un indicador puntual, de manera que es NECESARIO,
REQUERIDO e INDISPENSABLE presentarlo con Intervalos de Confianza para
darle sentido a su significado biolgico. De otra manera, tal vez nuestro estimado no
tent ningn valor (en sentido figurado y real y contando para varios niveles). En todo
caso, habra que denotarlos con Intervalos de Confianza calculados con la frmula:
IC = z (95% )
p(1 p )
n
Empero, hay que hacer una salvedad. La gran ventaja de trabajar con las definiciones
ms que con las frmulas, es que si aprendemos las frmulas nunca estaremos seguros
de que los resultados estn bien. Sobretodo cuando nos invierten el orden de la
Lab Med Prev Vet, Pgina 5
Estado real
(naturaleza)
Total
+
-
Resultado de la prueba
+
a
b
c
d
(a+c)
(b+d)
Total
(a+b)
(c+d)
N
error grave. Incluso en el caso de parasitosis, podra ser que el animal haya tenido un
contacto lo suficientemente fuerte como para disparar una respuesta inmune pero no
para instalar una infeccin. Pudo haberse dado la infeccin, producir una
seroconversin y estar el parsito en desarrollo. Hasta que el parsito sea lo
suficientemente grande como para ser notado a simple vista, el individuo podra ser
considerado negativo a la necropsia, pero el suero nunca ser control negativo. Es
ms, hay infecciones que llegan a ser rechazadas por el hospedero, que si se libra del
parsito ser negativo a necropsia, pero su suero tendr anticuerpos especficos a la
infeccin por un largo tiempo.
Evidentemente, es ms difcil manejar negatividad. Una salida a este problema es
emplear sueros de animales provenientes de reas libres de la infeccin. De esa
manera podremos estar seguros, mas all de cualquier sospecha, que el suero sea
control negativo. Una observacin general podra ser entonces, que los grupos tanto
de controles positivos como negativos son muy seleccionados y que en principio
seran muy difciles de obtener en un rea localizada. Ahora bien, tambin hay que
tener en cuenta que la enfermedad, ms que un estado, es un proceso. Por ejemplo, si
un cerdo se infecta con scaris, va a ser aparentemente negativo hasta que se cumpla
con el perodo pre-patente, an si empleamos la necropsia para hacer la evaluacin.
Este tambin es el caso para cualquier enfermedad con perodos de incubacin.
Voy a insistir un poco en la moraleja inspirada en una prctica usual hoy en da: no se
puede ir de buenas a primeras a un rea, hacer necropsias y suponer que los negativos
tienen sueros negativos y los positivos tienen sueros positivos. Si se trata de reas
endmicas, nos servirn para definir y ubicar sueros controles positivos. Si se trata de
reas endmicas NO SIRVEN para definir y ubicar sueros controles negativos. Si se
trata de reas endmicas, lo mejor ser buscar los sueros control negativos EN OTRO
lugar, de hecho, uno que este libre de enfermedad y cuya historia y el consenso
corroboren el estado de libre de la enfermedad.
Claro, a veces lo malo es suponer que un entorno en particular sabe de lo que se est
hablando, algo que de hecho no slo pasa con epidemiologa, pero esa, es otra
historia. El hecho es que a veces, cuando no, no basta con suponer que todos estamos
hablando de lo mismo o, para tal caso, que estamos empleando la misma definicin.
Es por eso aconsejable discutir sobre las definiciones al principio de cualquier
discusin sobre pruebas diagnsticas, ms en aras de garantizar las lneas de
comunicacin que otra cosa. Lo cierto es, que una prueba por ser ms sensible, puede
tener alta sensibilidad, o se puede tener alta sensibilidada pesar se ser
relativamente poco sensible. En cada caso, son conceptos DIFERENTES y no
saberlos distinguir, sobre todo si se trata de una discusin alturada, puede llevar a
terribles HEKIBOCASIONES.
80
80
60
60
40
40
20
20
Especificidad
100
89
100
111
122
133
144
155
100
1
12
23
34
45
56
67
78
Sensibilidad
Densidad Optica
negativo a la mayora de los negativos, tendr una alta especificidad, pero la mayora
de los positivos dar falso negativo y tendr por tanto una baja sensibilidad. En este
caso se ha calculado cul sera la sensibilidad y la especificidad para cada valor de
densidad ptica. Esta relacin de proporcionalidad inversa se puede extrapolar incluso
a cualquier prueba diagnstica, aunque se trate de pruebas de resultado cualitativo, y
en general a cualquier procedimiento de diagnstico. A medida que una prueba se
hace ms sensible, pierde especificidad y viceversa.
(-)
Total
Prueba
(+)
n1
(-)
n2
f1
f2
Total
FORMULA DE KAPPA
N (a + d)
(n
f +n f
N (n f + n f )
1
Valor de K
Grado de Asociacin
<0
Muy pobre
0.00 - 0.20
Ligera
0.21 - 0.40
Regular
0.41 - 0.60
Moderada
0.61 - 0.80
Sustancial
0.81 - 1.00
Perfecta
FORMULA DE Mc NEMAR
(b c )
2
Mc
b+c
REGLA DE DESCISION
El estadstico calculado se compara con el valor tabular de Chi Cuadrado utilizando
un grado de libertad y al nivel de significancia pertinente (generalmente 5%)
2 Mc < 2 Mt
2 Mc > 2 Mt
EJEMPLO NUMERICO
Prueba A
(+)
(-)
Total
Prueba
(+)
27
31
(-)
23
32
36
27
63
Total
CLCULO DE KAPPA
63( 27 + 23)
+
31
36
32
27
63 ( )( ) ( )( )
[
CLCULO DE MC NEMAR
( ) = 1 . 92
= 49
2
2
Mc
4+9
2
Mt
= 3 . 84
2 Mc < 2 Mt
DONDE SE PRESENTAN ALGUNAS DE LAS PREGUNTAS
QUE PODRIAN MOTIVAR LAS PRUEBAS DIAGNOSTICAS A
FIN DE QUE EL ESTUDIANTE ACUCIOSO LAS RESUELVA
Durante sus vacaciones fuera de Lima, un juez lo cita en provincias a una audiencia
en calidad de perito para decidir la suerte de un perro que ha mordido a una niita de
12 aos en la cara y las manos. El dueo del perro ha insistido en la audiencia
aduciendo a que el animal es manso y que est muy encariado con la familia.
Aparentemente, no se tiene certeza sobre si el perro fue o no vacunado alguna vez. En
tanto, el serumista que atiende a la nia aduce que ella es alrgica a la vacuna y que la
mejor salida es hacer el diagnstico a partir de cerebro lo antes posible, pues la
localizacin de las heridas acortara el perodo de incubacin. El dueo ha pagado un
descarte de rabia de impronta de cornea (sensibilidad = 70%; especificidad = 75%) y
el perro ha salido negativo. Cul es la probabilidad que el resultado negativo sea
cierto, si la mordedura se efectu en un vecindario durante el pico de un brote
epidmico que se estima que afect al 8% de los perros de la zona?
El diagnstico de la criptosporidiasis se suele realizar empleando la tincin cido
resistente. Si la literatura reporta que este mtodo de diagnstico tiene una
sensibilidad de 95% y una especificidad del 90%, diga usted cules seran los valores
predictivos positivo y negativo si empleara la prueba para diagnosticar la infeccin de
potrillos con criptosporidium durante el verano (prevalencia = 70%) y alpacas
(prevalencia = 12%).
Se quiere estandarizar la prueba de ELISA de captura de antgeno circulante para el
diagnstico de Taenia solium en cerdos y Dirofilaria en perros. Proponga usted las
definiciones que se emplearan para buscar los sueros control positivo y negativo.
Modifique, si es necesario, sus definiciones, si a usted le prohben sacrificar animales
para el experimento.
El laboratorio del SENASA desea implementar un banco de sueros para estar
preparados a evaluar nuevas tcnicas diagnsticas. Le piden que defina controles de
suero negativos para las siguientes enfermedades: Clera porcino, Peste Porcina
Africana, Sarcocistiosis en alpacas, Parvovirosis canina y panleucopenia felina. Las
definiciones deben sustentarse, las referencias a lugares deber ser especfica en
cuanto al lugar geogrfico.
Se quiere estandarizar una nueva prueba diagnstica para detectar la infeccin de
filetes de pescado con Difilobotrium. Se ha desarrollado un colorante no txico que
RESULTADO
POSITIVO
NEGATIVO
PROBLEMAS DE MASTITIS
PRESENTE
AUSENTE
240
40
60
160
RESULTADO
POSITIVO
NEGATIVO
PROBLEMAS DE MASTITIS
PRESENTE
AUSENTE
270
60
30
140
p(1 p )
n
Ejemplo
Un estudio de cisticercosis porcina en Huamachuco ha encontrado que 8 de 30
porcinos muestreados en la villa A eran positivos a la prueba de EITB para el
diagnstico de cisticercosis. Asimismo, encontr que 52 de 104 cerdos muestreados
en la villa B, a 20 Km. de A eran a su vez positivos a la misma prueba de EITB.
Discuta los resultados.
p + 1
+ 1
Donde:
p = prevalencia corregida
p = prevalencia encontrada
= especificidad
= sensibilidad
Incluso luego de revisar la frmula nos encontramos que incluye la sensibilidad y la
especificidad de la prueba empleada para el diagnstico de la enfermedad. Pero
cuidado, ambos son estimadores puntuales del verdadero valor de sensibilidad y
especificidad, que incluye intervalos de confianza. Entonces, hay que estar prevenidos
de la posibilidad que cometamos un error al asumir para la frmula que el verdadero
valor de sensibilidad y especificidad se encuentran a la mitad del intervalo, sobretodo
si se han calculado con pocas muestras y en realidad consideran un intervalo de
confianza ms bien amplio
perodo de estudio. Todos estos individuos han contribuido con tiempo de exposicin.
Tambin es el caso de los mismos individuos que se enfermaron en el perodo. Estos
colaboran con perodos de exposicin hasta el momento en que adquieren la
enfermedad y dejan de contar en la poblacin expuesta. De ah que lo interesante de
este enfoque sea considerar como indicador de enfermedad el nmero de casos nuevos
sobre la cantidad de tiempo total expuesto. Obviamente estamos considerando un
clculo un poco ms complicado, tenemos que determinar el tiempo expuesto por
individuo. Por ejemplo, el denominador se expresa como individuos tiempo. En el
caso de personas sera personas-ao y si se trata de vacas, vacas-mes por ejemplo. A
pesar de estas complicaciones menores, las ventajas de este indicador son enormes, la
Tasa real de Incidencia, tambin llamada simplemente Incidencia, representa mejor
que ninguna la fuerza de morbilidad de la enfermedad. Por ejemplo, si nos dicen que
la tasa de incidencia es de 2 nuevos casos de tuberculosis por cada 100 vacas-mes, nos
podemos estar refiriendo a 2 casos cuando observamos 10 vacas por 10 meses o
cuando seguimos 50 vacas por dos meses. En cualquier caso, es claro que por cada
100 vacas-mes de exposicin podemos esperar 2 nuevos casos. De esta manera
estamos trabajando con un indicador muy til para evaluar ocurrencias, comparar dos
localidades o situaciones e incluso plantear pronosticar escenarios plausibles de
enfermedad dadas diferentes exposiciones e incidencias de enfermedad.
N + Nt
Exposicin = 0
2
Otra manera es el mtodo directo. En este caso hay que registrar, primero, la
exposicin de todos los individuos expuestos durante todo el perodo sin haber
enfermado. En este caso se cuentan todos los individuos sanos que han permanecido
Lab Med Prev Vet, Pgina 18
A usted lo ponen a cargo de un pequeo galpn con 750 codornices en plena postura
en un contrato de 6 meses. En realidad, el trabajo result requiriendo no slo
produciendo un intenso trabajo intelectual, sino que tambin requiri una dosis
elevada de actividad motriz. El alimento se lo proporcionaban en cuotas de media
tonelada que tenan que ser llevadas cuesta arriba empleando un triciclo y eso requera
al menos dos viajes realmente agotadores por embarque. Por si fuera poco, el
administrador se le acaba el dinero y le pide a usted que venda codornices para
afrontar los gastos de arbitrios de la granja. Le pide, eso s, que reporte la saca como
muerte idioptica con fines contables. Esta usted tan fastidiado que a la novena
semana de contrato decide vender 250 codornices a un comedor popular, en cuotas de
50 aves semanales. A fin de mes paga las deudas de la granja y a partir de ese
momento lleva los alimentos en un solo viaje bien trabajado. Dos meses antes de
cumplirse el contrato, entra un brote de Colibacilosis 100% mortal que hasta que
controla usted el brote el quinto mes, ha matado a 1 de cada 4 codornices. Para colmo,
usted no estaba prevenido que tendra que llenar un formulario sanitario antes de
pagarle sus honorarios. Responda las siguientes preguntas del cuestionario, que por
cierto es supervisado por el SENASA:
Cul fue la tasa de mortalidad de codornices durante su gestin?
Hubo algn problema sanitario durante su gestin?
Si es as, Cules fueron y cul fue la incidencia del(os) problema(s) hasta que usted
estuvo a cargo?
Responda el inciso (c) asumiendo que la poblacin de su granja fuera una muestra
representativa de la poblacin de codornices de la zona.
Detalle la mortalidad para cada mes de su gestin?
En una reunin cientfica de estudiantes de Medicina Veterinaria se presentan varias
ponencias de prevalencia de toxoplasmosis en gatos. Ms precisamente, de encuestas
serolgicas realizadas en Chiclayo, Arequipa y Lima. Los participantes, agrupados en
algn momento en barras, se han atrincherado en las siguientes posiciones:
Los chiclayanos encontraron que 123 de los 350 sueros fueron positivos y opinan que
su estudio demuestra que la mayor prevalencia de toxoplasmosis felina se da en
Chiclayo dado su clima tropical y hmedo, propicio para la perduracin del parsito.
Los arequipeos denuncian que los estudios de Chiclayo y Lima han tomado muestras
insuficientes, que ellos estn orgullosos de haber colectado ms muestras que nadie
(380) y que encontrado adems, que la prevalencia previamente reportada de 18% ha
subido a la que encontraron ellos en ste ltimo estudio, 20.7895%.
Los limeos no slo han presentado sus datos, sino que los han comparado con el de
los de Chiclayo y Arequipa. Estn confiados de sus resultados porque han empleado
un tamao muestral igual a 30, nmero que aunado a la tremenda diferencia les
permite confiar en la fuerza de sus conclusiones. Aducen que la prevalencia en Lima
es la mitad que en Arequipa y la tercera parte de la de Chiclayo, que ms datos. Han
concluido que la baja cantidad de seropositivos, uno de cada 10, se explica porque el
nivel de desarrollo en una ciudad cosmopolita de alguna manera controla la
enfermedad.
Le piden a usted que concluya sobre la validez de los estudios y sobre las
conclusiones que del anlisis general se puedan sacar, donde hay ms, donde hay
menos y adicionalmente, una pregunta comprometedora, quien no desperdici. Usted
Lab Med Prev Vet, Pgina 20
Causas de enfermedad
Algunos fenmenos o eventos ocurren en secuencias regulares tan dependientes que
se puede hablar sin problemas de causa y efecto. Dentro de epidemiologa las causas
de las enfermedades se estudian con objeto de explicar y eventualmente prevenir
enfermedades. En este sentido, se dice que una relacin causal existe si la incidencia
de la enfermedad es menor en los individuos que no tienen el factor en comparacin
con aquellos en los que el factor est presente.
El factor F y la enfermedad E se pueden asociar, en principio, de tres diferentes
formas:
F es la causa de E
F
F y E tienen una causa comn desconocida (X)
F
Lab Med Prev Vet, Pgina 22
E es la causa de F
Secuencia Temporal
Una asociacin causal requiere que la causa o factor de riesgo o factor predisponente
preceda a la enfermedad. Este criterio es fundamental para la relacin causal.
Consistencia
Una segunda condicin es que la relacin causal se encuentre en diferentes lugares
bajo diferentes condiciones.
Fuerza de asociacin
Esta caracterstica se resume en que a mayor fuerza de asociacin, menor la
posibilidad de que la asociacin sea espuria.
Gradiente biolgica
La existencia de una gradiente biolgica o curva de dosis-respuesta hace la
explicacin de una relacin causal mucho ms plausible.
Plausibilidad biolgica
En la prctica, la evidencia biolgica colateral se usa extensivamente para apoyar o
rechazar la hiptesis de causalidad. En este sentido, es el mismo caso que el sentido
comn en epidemiologa, la relacin causal tiene que ser lgica y tener sentido.
Coherencia
Muy relacionada a la plausibilidad biolgica, la coherencia implica que la
interpretacin causa-efecto no conflicta con el conocimiento terico actual. En buena
cuenta, plausibilidad biolgica se puede interpretar como tener asidero terico.
Evidencia experimental
Postulada como criterio adicional, se refiere al caso en el que obtiene evidencia
experimental adicional. Evidentemente, su uso se restringe a relaciones causales
viables en algn modelo experimental de infeccin.
agente principal y eventos subsecuentes. Una manera rpida de salir del paso es
preguntarse Quin le va a hacer qu a quin?, en realidad una pregunta de inters que
funciona muy bien en un nmero de niveles. En este caso, es muy til para identificar
en los objetivos. Porqu, para qu, cundo y dnde son preguntas adicionales cuya
respuesta debe considerarse junto a la justificacin de la hiptesis y los objetivos
propuestos al sustentar el marco terico de la investigacin.
En realidad, visto de esta manera, es evidente que no se requiere ser un iluminado
para proponer los objetivos de una propuesta de investigacin en epidemiologa. Una
vez caracterizado el problema que se espera resolver, la solucin ms probable es
evidente y de ah a plantear los objetivos generales solo hay un paso que no requiere
mucha reflexin. Sin embargo, decidir qu se va a medir para estudiar el agente en s
y el efecto del agente en el estado inicial si requiere una buena dosis de conocimiento,
experiencia y manejo del recurso logstico y econmico. Se necesita definir una
estrategia de investigacin que permita medir el efecto y no siempre es el caso que se
pueda hacer directamente. Un ejemplo grfico se tiene en la variable dolor por
ejemplo. Primero, seleccionar al agente a evaluar y el tratamiento alternativo con el
cual se va a comparar requiere un conocimiento profundo de la farmacologa y la
clnica. Otro si, la variable con la que se compara el efecto. Yo puedo asumir que una
droga analgsica tendr un efecto mucho ms fuerte que otra droga dada, pero a falta
de un dolormetro confiable que todava no se ha inventado, tenemos que recurrir a
algn artificio que nos permita evaluar dolor. Sobre todo cuando se trata de
diferencias muy sutiles. Si las decisiones tomadas a este nivel no son satisfactorias, el
resto de la investigacin podra ser inaceptable.
Una vez que la hiptesis define lo que se quiere demostrar y si los objetivos son
correctos y delinean lo que se va a hacer el anlisis de datos cae por su propio peso.
Nuevamente, recurramos a un ejemplo. Supongamos que se desea evaluar un
tratamiento post-parto que acorta el intervalo parto-primer servicio. Obviamente, la
hiptesis sostendr que el nuevo tratamiento acorta el intervalo y los objetivos
definirn las acciones que se tienen que tomar para comprobar o rechazar que el
tratamiento acorte el intervalo. As a grosso modo, se hace evidente que la variable
fundamental es el tiempo entre el parto y el primer servicio. Como se trata de un
intervalo, es necesario registrar dos variables previas, fecha del parto y fecha del
primer servicio. Ms an, ya se limitan las pruebas estadsticas que pueden ayudarnos
a evaluar el efecto del tratamiento en el intervalo. Necesitamos pruebas estadsticas
que evalen intervalos de tiempo o mejor an, analicen una variable del tipo tiempo a
un evento.
El problema de este enfoque directo es precisamente, que es sencillo y directo. En
realidad, de alguna manera se cae en el vicio de querer evaluar muchas cosas en la
intencin de que nuestro anlisis sea mejor y se mejore por tanto la calidad de los
resultados. Se puede sugerir por ejemplo medir alguna hormona, alguna enzima que
sugiera estado de salud, el peso, la produccin lctea y el contenido graso de la leche.
Es que resulta muy fcil complicarse la vida. Total, se aduce que en vez de no hacer
nada, se puede medir la enzima, o cuantificar la produccin y muchas cosas ms. Ese
desperdicio de recursos tiene un impacto sobre la eficiencia del experimento y sobre
el concepto que se puede tener del anlisis. Lo ideal es definir de manera meridiana
que se quiere demostrar, cmo se va a demostrar, que se tiene que medir y como se va
a analizar. Si no se sabe que tanto una nueva variable nos va a ayudar a comprobar o
rechazar nuestra hiptesis, lo mejor es no tomarla en cuenta desde el principio. Del
mismo modo, si se sospecha que cualquier variable puede modificar el resultado final,
Lab Med Prev Vet, Pgina 27
Ensayo clnico
El ensayo clnico es un estudio con pacientes como sujetos experimentales. La meta
del estudio clnico es la de evaluar una cura potencial de una enfermedad o encontrar
un mtodo preventivo de secuelas de la enfermedad, tales como mortalidad y
discapacitacin. No se previene la exposicin a la enfermedad porque, en principio,
los pacientes ya tienen la enfermedad. Este diseo no estudia por tanto relaciones
causales o factores de riesgo de enfermedad. Se enfoca en el tratamiento de la
enfermedad y la prevencin de las secuelas de la misma.
Los pacientes considerados en los ensayos clnicos deben haber sido diagnosticados
con la enfermedad y remitidos al centro en el que se desarrolla el estudio lo
suficientemente rpido como para que se les asigne a uno de los tratamientos en
estudio de manera oportuna. Individuos con cursos leves o muy severos de
enfermedad no se consideran en el estudio sino ms bien son excluidos de l. Un
aspecto importante en este sentido es que los nuevos tratamientos o procedimientos no
se comparan con no hacer nada (a menos que no hacer nada sea el tratamiento
usual), sino que se comparan con el tratamiento de uso corriente.
Ensayos de campo
En estos casos se evalan tratamientos preventivos de la enfermedad. A diferencia del
ensayo clnico, no se usan pacientes sino sujetos sanos. Los individuos considerados
en el estudio son aquellos que no tienen la enfermedad, pero que estn en riesgo de
adquirirla. Lo que se hace es medir la capacidad del tratamiento para prevenir la
enfermedad. Una vacuna o un tratamiento estratgico son buenos ejemplos de ensayo
de campo.
Estudios ecolgicos
Todos los tipos de estudio descritos tienen en comn que las observaciones se hacen a
individuos. Es posible conducir un estudio cuya unidad de observacin sea un grupo
de individuos ms que individuo por individuo. Estos estudios son llamados estudios
ecolgicos o estudios de conglomerados (agregados). Los grupos pueden ser
promociones en la universidad, empresas agropecuarias, galpones de aves, establos
Lab Med Prev Vet, Pgina 30
Medidas globales que representan caractersticas del grupo que no se pueden reducir a
medidas individuales porque no tienen variables anlogas a nivel individual. Ejemplos
de estas variables incluyen tipo de sistema de salud, alguna ley u ordenanza local y la
presencia y magnitud de diferencias de trato en prestaciones de salud.
En un estudio ecolgico tpico, dos variables ecolgicas se contrastan y evalan para
determinar su posible relacin. Usualmente se comparan una medida ecolgica de
exposicin y una medida agregada de enfermedad o mortalidad. Las medidas
ecolgicas tambin se pueden emplear en estudios de individuos, en las que el
investigador decide definir la exposicin usando un criterio ecolgico en base a su
validez esperada
seleccionar los controles se verifica que ellos tengan las mismas caractersticas, de ah
el nombre controles, en cuanto a variables potencialmente confundentes se refiere. Por
ejemplo, se busca aparear individuos afectados (casos) con individuos pareados por
variables que podran afectar la presencia de la condicin en estudio.
En realidad el caso control es un diseo alternativo al de cohortes por cuanto tambin
investiga asociaciones entre exposicin y enfermedad. En contraste con el estudio de
cohortes, en los que el seguimiento va de causa a efecto, el caso control va de efecto a
causa, comparando la chance (odds) de una exposicin pasada a un factor de riesgo
potencial en grupos de casos (que ya tienen la enfermedad) comparados con grupos
controles (sin la enfermedad). Consecuentemente, la estrategia analtica se basa en el
clculo del odds ratio de la exposicin.
Entonces, la mayor diferencia entre los estudios de cohortes y de caso-control es la
seleccin de los individuos en el estudio. En el estudio de cohortes se seleccionan
individuos que inicialmente estn libres de la condicin o enfermedad en estudio y
luego se establece cuantos de ellos desarrollan dicha condicin en funcin a si
estuvieron o no expuestos al factor o los factores en los que se piensa evaluar si son o
no predisponentes. A su vez, el estudio de cohortes selecciona a los individuos sobre
la base de la presencia o ausencia de la enfermedad en estudio. Ambos mtodos
permiten estudiar el efecto de la exposicin sobre el riesgo de contraer la enfermedad
en trminos de parmetros relativos de riesgo.
Donde se presentan y comparan dos tipos de estudios de casocontrol, los exploratorios y los analticos
El estudio de caso-control es el diseo de eleccin cuando se inician los estudios de
etiologa y de factores de riesgo de una enfermedad. Un estudio exploratorio se
ejecuta a ver que se encuentra y que factores de riesgo podran estar asociados a la
enfermedad. De all que le llame expedicin de pesca, como que a falta de
informacin, tiramos una red y vemos que aparece en ella. En este caso, se proponen
y evalan hiptesis mltiples para ver, de manera preliminar, en cul o cules valdra
la pena insistir con estudios posteriores ms detallados. Un ejemplo se tiene en un
primer estudio sobre factores de riesgo de cisticercosis porcina. En una primera
evaluacin se consideraron factores mltiples entre los que se consider la letrina
como factor de proteccin. Una vez analizados los datos, se encontr que la presencia
de letrina en la casa era un factor de riesgo para cisticercosis porcina. Este resultado
intrigante dio lugar a una investigacin epidemiolgica ms detallada que encontr
que el mal uso de la letrina era predisponente de la enfermedad.
El estudio de caso-control de tipo analtico es una investigacin diseada para evaluar
una hiptesis especfica concerniente a una causa supuestamente predisponente de
enfermedad. En este caso la hiptesis debe ser planteada meridianamente, de manera
que permita una evaluacin definitiva. Un ejemplo se tiene en la toxoplasmosis como
factor de riesgo del aborto en alpacas. Se disea un experimento para comprobar o
rechazar la hiptesis y punto.
ESTUDIOS TRANSVERSALES
Es el estudio que incluye todos los individuos en una poblacin al momento de
evaluar una poblacin, subpoblacin o muestra, incluyendo a aquellos que tienen la
enfermedad y que tiene como objeto describir la enfermedad. Por tanto, en un diseo
de estudio transversal una muestra o el total de una poblacin referencial es
examinada en un punto de tiempo dado. Como en los estudios de caso control, el
estudio transversal se pueden conceptuar como una manera de analizar datos de
estudios de cohortes, por cuanto consiste de tomar una imagen de la cohorte al
registrar la informacin sobre eventos de exposicin y enfermedad en un momento
dado. En consecuencia, cuando se obtienen datos transversales para una poblacin
referencial o cohorte definida, el enfoque de anlisis debe consistir de una
comparacin las tasas de prevalencia puntual o emplear una estrategia de caso control,
en la que los que los Odds de exposicin se comparan entre casos y controles
prevalentes.
Ventajas
Ventajas
Si
No
Muri
17
14
Vivi
115
118
132
132
Lo primero que se hace es definir un poco los intervalos de confianza de los outcomes
calculando los intervalos de confianza para cada proporcin:
IC ( p) =
p(1 p)
n
Al terminar el clculo tenemos que los intervalos de confianza del 95% definen el
intervalo en el que se encontrar el porcentaje en riesgo de muerte para cada caso,
esto es, (7.1 18.7) para el grupo de cuidado en casa y (5.2 16.0) para el porcentaje
de pacientes que se han internado en el hospital. Este mtodo nos permite calcular
diferencias estadsticas de una manera rpida, sea para dos o ms muestras, en estos
casos, se trata de ver si existen puntos en comn en el intervalo. De ser el caso, no se
puede descartar que el verdadero valor se encuentre precisamente en los puntos en
comn y por ende no se puede descartar que en realidad tengan los mismos
porcentajes.
Empero, cuando se comparan los parmetros de dos poblaciones es til calcular el
intervalo de confianza para la diferencia (o tasa) de los dos parmetros en cuestin. En
este caso la frmula para el error estndar sera:
SE ( p1 p2 ) =
p1 (1 p1 )
n1
p2 (1 p2 )
n2
Al hacer los clculos para la diferencia resulta que sta es 2.3% y el error
estndar calculado por la frmula 0.039. Los intervalos de confianza del 95% seran
entonces (-5.5 10.1). Ac hay que destacar que el intervalo de confianza de la
diferencia comprende al 0. Por tanto, deducimos que como el intervalo comprende al
0, entonces tericamente, no se puede descartar que la diferencia entre ambos grupos
sea precisamente 0, vale decir, no existe diferencia entre grupos. Esta frmula se
puede aplicar indistintamente a dos o ms observaciones, comparando de dos en dos,
pero sin poder referirnos de ninguna manera a riesgo y menos a causalidad.
Probabilidad =
Exitos
Nmero total de eventos
A su vez, la chance expresa la relacin entre los xitos y fracasos a despecho del
tamao de la poblacin:
Chance =
Exitos
Fracasos
p
1 p
Ahora bien, ambas probabilidades p y (1-p) se obtienen a partir del nmero de xitos
y fracasos sobre el nmero total de eventos:
p=
exitos
n
(1 p) = n exitos
n
Entonces la chance queda una frmula totalmente equivalente a la anterior, que sera:
exitos
Odds (Chance) =
n exitos
La chance no es, ni ser nunca probabilidad y eso debe quedar muy claro. La relacin
entre dos chances, la chance del grupo expuesto (casos) sobre la chance del grupo no
expuesto (controles). El OR es una medida relativa de asociacin muy relacionada al
Riesgo Relativo (R). Al OR tambin se le denota con el smbolo griego. El OR es
importante por dos razones. Primero, en las enfermedades raras (prevalencia baja), su
valor se aproxima bastante al riesgo relativo. Segundo, el OR se puede calcular tanto
en estudios de cohortes o de caso-control. En general, el riesgo relativo slo se puede
calcular a partir del estudio de cohortes, aunque, como veremos ms adelante, el
riesgo relativo se puede estimar a partir del valor de OR empleando una frmula de
aproximacin.
En el caso ms simple, el anlisis de datos de riesgo empieza por la presentacin de
datos en una tabla de contingencia 2 x 2:
Tabla 3. Tabla de contingencia 2x2 para riesgo
Exposicin
Enfermedad
ad
bc
se calcula
1 1 1 1
+ + +
a b c d
Ie
I0
Exposicin
Enfermedad
n1
n0
R=
a n1
b n0
1 1 1 1
+
a n1 b n 0
Exposicin
+
Casos nuevos
Total exposicin
L1
L0
El riesgo relativo de los dos grupos de exposicin puede ser definido como tasa de
densidades de incidencia, para diferenciarlo de los otros riesgos relativos (a pesar que
nunca dejan de ser lo mismo). El estimado de densidad de incidencia para este caso es
entonces:
IDR =
a L1
b L0
Para los casos en los que el riesgo individual es pequeo, el estimado del error
estndar del logaritmo de la tasa de densidad de incidencias se da por la frmula:
1 1
+
a b
= I f I0
Exposicin Total
Incidencias
Si
M1
f1
f1a
f 1b
f/ 1 a
f/ 1 b
f/ 1 a
f/ 1 (a + b )
No
M2
f2
f 2c
f2d
f/ 2 c
f/ 2 d
f/ 2 c
f/ 2 (c + d )
OR ()
ad
bc
RR (R)
b
d
a
c
(a + b )
(c + d )
If
I0
En este caso, es interesante ver que en este estudio no es necesario conocer las
fracciones muestrales para calcular el OR y el riesgo relativo. Las fracciones
muestrales se cancelan. El requisito es obvio, eso es cierto cuando se va de causa a
efecto. Ahora bien, si hiciramos un muestreo de efecto a causa, tendramos tambin
que se considerara una fraccin f1 (desconocida) de un total de M1 individuos
enfermos (cuidado con la diferencia, esta vez se muestrean los positivos). Asimismo,
se toma una proporcin f2 (tambin desconocida) de un total de M2 individuos sanos.
Entonces, los datos ordenados en una tabla nos ofrecen la siguiente informacin:
Exposicin
Enfermedad
Si
Chance
Incidencia
No
Si
f1a
f 2b
f1a
f 2b
f1a
f1a + f 2 b
No
f 1c
f2d
f1c
f2d
f 1c
f 1c + f 2 d
Fraccin muestral f 1
f2
Total (todos)
M1
M2
OR ()
f1a
f1c
RR (R)
f 2b
( f/1 a )( f/ 2 c )
( f/ 2 b )( f/1c )
ad
bc
a( f 1c + f 2 d )
c( f 1 a + f 2 b )
f2d
f1a
( f1 a +
f 2b)
f 1c
( f 1c +
f2d )
176
293
No
sobrevivi
el mes
CLINICA A
17
197
23
CLINICA B
3 * 293
= 1.25 (IC:0.27 - 5.83) para la clnica
4 * 176
17 * 23
= 0.99 (IC:0.21 - 4.71). Ninguno de estos dos estimados difiere de 1 pues
2 * 197
los intervalos de confianza lo comprenden, de manera que no hay evidencia de que
exista alguna asociacin entre cuidado prenatal y mortalidad en el primer mes de vida
en ninguna de las dos clnicas. Esta conclusin difiere de la que se hubiera obtenido si
se hubieran agregado los datos de las dos clnicas, donde el estimado hubiera sido
Ay
20 * 316
=2.824 (IC: 1.10 7.25).
6 * 373
La conclusin es que la muerte neonatal es ms probable en mujeres que
atienden a la clnica B y que la cantidad de atencin prenatal no es un problema. En
este caso la clnica es una variable confundente entre la mortalidad neonatal y la
atencin prenatal. Como lo demuestra este ejemplo, errores en identificar variables
confundentes pueden llevar a conclusiones completamente errneas.
Exposicin
Enfermedad +
50
30
30
20
40
60
90
130
Enfermedad
OR = 2.5
OR = 2.17
AGREGADO
Enfermedad
Exposicin
+
80
50
130
190
OR = 2.34
Como se ve, a pesar que al estratificar se observan OR ligeramente diferentes, el OR
de los valores agregados sigue siendo ms o menos el mismo. Recuerden, para
demostrar una posible confusin, nosotros vamos de los datos agregados y los
desagregamos por el factor que se sospecha sea confundente (proceso inverso al
ejemplo) y si los odds son diferentes, entonces podemos tener cierta evidencia que la
confusin existe.
Veamos un segundo ejemplo de confusin, presentado de desagregado a agregado con
fines didcticos. El siguiente ejemplo corresponde a una confusin que se llama de
inflacin:
Exposicin
Exposicin
Enfermedad +
80
20
10
30
80
20
40
120
Enfermedad
OR = 1.0
OR = 1.0
AGREGADO
Enfermedad
Exposicin
+
90
50
120
140
OR = 2.1
En este caso, los datos crudos (agregados), sugieren que existe asociacin entre
exposicin y enfermedad (OR = 2.1), pero al estratificarlo por el factor confundente,
tenemos que el OR de los estratos es igual a 1. Entonces, como los OR son diferentes,
podemos concluir que existe confusin y que sta es del tipo inflacin.
Exposicin
Enfermedad +
120
10
80
190
160
30
40
170
Enfermedad
OR = 2.25
OR = 1.79
AGREGADO
Exposicin
Enfermedad
200
200
200
200
OR = 1
Recuerden siempre, primero nos encontramos con los datos crudos (agregados), pero
luego, al desagregarlos (estratificarlos), por un posible factor confundente, hacemos
evidente la confusin y actuamos de acuerdo a este nuevo escenario. En este caso, al
evaluar los datos agregados, tenemos que el OR es igual a 1 y por tanto aparentemente
no hay relacin entre exposicin y enfermedad, sin embargo, cuando los
estratificamos por una posible variable confundente, tenemos que esta variable ha
estado enmascarando la relacin. Esta es una confusin de enmascaramiento.
Enfermedad
Exposicin
Exposicin
120 10
Enfermedad +
80
190
160 30
40
170
AGREGADO
Enfermedad
Exposicin
+
80
50
130 190
w y
w
g
1
SE g2
, wg =
Donde los estimados para el error estndar (SE) se dan por la frmula para el error
estndar del odds ratio. Los pesos w g al ser inversamente proporcionales al cuadrado
de los errores estndar, son por tanto directamente proporcionales a los totales.
Tambin hay una frmula para el error estndar del promedio as calculado, lo que
nos permitira definir intervalos de confianza:
SE =
1 SE g
yg
SEg
Wg
wgyg
0.811
0.385
6.76
5.48
0.582
0.221
20.56
11.96
37.32
17.44
a d
b c
ng
g g
ng
P R
SE ln(OR MH ) =
2R
2
+
(P S
g
+ Qg R g
2 R+ S +
) + Q S
g
2S
2
+
En la que:
R+ = R g , S + = S g
Y tambin:
Pg =
ag + dg
ng
, Qg =
bg + c g
ng
, Rg =
agd g
, Sg =
ng
bg c g
ng
Problema
Calcule el riesgo de mortalidad neonatal empleando los estimados de Mantel y
Haenzel.
Mantel y Haenzel tambin propusieron un mtodo estadstico para comprobar la
hiptesis que el odds ratio general de varias tablas de contingencia 2 x 2 es igual a 1.
Esta prueba estadstica se puede evaluar comparando el valor obtenido con el de una
tabla X 2 con un grado de libertad y esta dado por:
2
=
X MHZ
G
(a
G a g d g bg c g
ng
g =1
)(
)(
)(
+ c g bg + d g a g + bg c g + d g
(n 1)n
g =1
2
g
80
50
130
190
n1
N0
a n1
b n0
RR =
SE [ln( RR) ] =
1 1 1 1
+
a n1 b n0
Casos nuevos
Total exposicin
L1
L0
El riesgo relativo de los dos grupos de exposicin puede ser definido como tasa de
densidades de incidencia, para diferenciarlo de los otros riesgos relativos (a pesar que
nunca dejan de ser lo mismo). El estimado de densidad de incidencia para este caso es
entonces:
IDR =
a L1
b L0
Para los casos en los que el riesgo individual es pequeo, el estimado del error
estndar del logaritmo de la tasa de densidad de incidencias se da por la frmula:
SE [ln( TDI ) ] =
1 1
+
a b
Que a su vez se puede emplear para obtener los intervalos de confianza y verificar si
el intervalo comprende al 1. Los mtodos de estratificacin del odds descritos
anteriormente tambin se pueden extrapolar al caso de la tasa de densidad de
incidencias. La frmula de Mantel Haenzel para estimar la tasa de densidad de
incidencia basada en un estudio de cohortes estratificado esta dado por la frmula:
TDI MH =
a L
b L
g
0g
1g
(L
(L
0g
+ L1g
0g
+ L1g
)
)
Una prueba estadstica para descartar que la tasa de densidad de incidencia sea igual a
1, similar a la de odds, se da por la siguiente frmula:
2
MH
G a g bg L1g L0 g
=
g =1 1 + L1g L0 g
g =1
(a + b ) L L
(1 + L L )
g
1g
0g
1g
0g
Muertes
Fumador
No Fumador
32
2
104
12
206
28
186
28
102
31
Personas - ao
Fumador
No Fumador
52,407
18,790
43,248
10,673
28,612
5,710
12,663
2,585
5,317
1,462
TDI
5.74
2.14
1.47
1.36
0.90
CLINICA
No
+
sobrevivi
el mes
17
197
176
No
sobrevivi
el mes
23
293
Cuidado prenatal < 30 das (OR Cuidado prenatal 30+ das (OR
=5.06)
= 6.37)
Si empleamos la frmula de Mantel-Haenzel encontraremos que el odds ratio
combinado es de 5.27 para la clnica B versus la clnica A. Ahora consideremos el
cuidado prenatal y la clnica en conjunto. En este caso la variable de exposicin tiene
cuatro categoras que corresponden a la combinacin de factores, y los datos se
pueden ordenar de la siguiente manera:
Resultado
Vivos
Muertos
A:CPN+
4
293
Categoras de exposicin
A:CPNB:CPN+
3
2
176
23
B:CPN17
197
Aunque hay cuatro categoras en vez de dos, todava se puede proseguir con el
anlisis escogiendo uno de los estratos como exposicin de referencia y computando
los odds para cada estrato con relacin a la referencia. En este caso, si escogemos la
primera categora (clnica A y mayor cuidado prenatal) como referencia, tendremos:
Clnica/CPN
A:CPN+
A:CPNB:CPN+
B:CPN-
Odds Ratio
(1)
1.25
6.37
6.32
Hay que tener cuidado al escoger el estrato de referencia cuando hacemos este tipo de
clculos debido a que nmeros bajos en el estrato de referencia llevan a intervalos de
confianza muy amplios. Tambin hay que ver que el estrato escogido tenga, de
preferencia el odds mas bajo. Los resultados se pueden acomodar de la siguiente
manera para facilitar la interpretacin:
CPN+
CPN-
Clnica
A
B
(1)
6.37
1.25 6.32
Nmero de Casos
Poblacin expuesta
Riesgo anual
Riesgo Relativo
Hombres
Expuestos
No Expuestos
4,500
50
900,000
100,000
0.005
0.005
10
Mujeres
Expuestos
No Expuestos
100
90
100,000
900,000
0.001
0.0001
10
33
Tabla 2.1. Cohorte de comparacin por exposicin y sexo. Clculos hechos sobre la
base que 90% de los expuestos y 10% de los no expuestos son hombres.
Expuestos
No expuestos
Hombres
90,000
90,000
Mujeres
10,000
10,000
Total
100,000
100,000
Nmero de Casos
Poblacin expuesta
Riesgo Relativo
Hombres
Expuestos
No Expuestos
450
45
90,000
90,000
10
Mujeres
Expuestos
No Expuestos
10
1
10,000
10,000
10
10
Nmero de Casos
Nmero de
controles
Odds Ratio
Hombres
Expuestos
No
Expuestos
4,500
50
4,095
455
Mujeres
Expuestos
No
Expuestos
100
90
19
171
10
TOTAL
4,740
4,740
10
Al agregar los datos tendramos los resultados presentados en la Tabla 4. En este caso,
se presenta una clara confusin, pues el odds ratio de los datos agregados difiere del
encontrado en los datos estratificados por sexo.
Tabla 4. Datos de la Tabla 3 agregados
Casos
Controles
Odds Ratio
Expuestos
4,600
4114
No Expuestos
140
626
5
Edad
La edad es probablemente la variable del hospedador ms importante, debido a que el
riesgo de enfermedad es usualmente ms relacionado a la edad que a otros factores del
hospedador. Por esto, la edad debera ser incluida siempre que se describa la
distribucin de la enfermedad. Despus de todo, existen muchos factores que pueden
afectar el patrn de ocurrencia de la enfermedad con la edad. Es importante el
considerar cuando la distribucin se debe a la edad en s, a los efectos actuales de la
exposicin reciente de los animales de diferentes edades al medio ambiente, o a
exposiciones pasadas de los animales de diferentes edades al medio ambiente.
Posteriormente se describirn tcnicas para separar estos efectos. Se desconoce si es
que la edad de por s altera el riesgo de enfermedad independientemente del medio
ambiente de los factores medio ambientales. De cualquier manera, los epidemilogos
intentan identificar los factores medio ambientales que se relacionan con la edad pero
que se pueden separar de la misma y que puedan alterar el riesgo de enfermedad. Por
ejemplo, las injurias consecutivas de la mquina de ordeo pueden proveer una
explicacin ms razonable para el incremento progresivo en el riesgo de infecciones
en las glndulas mamarias mientras las vacas envejeces que la edad de por s. Tal
hiptesis es muy fcil de probar, y si se encontrara soporte para este hallazgo, se
Lab Med Prev Vet, Pgina 60
Sexo
Varias enfermedades estn asociadas con el sexo de los animales; por ejemplo, las
enfermedades infecciosas pueden ocurrir con mayor frecuencia, o con mayor
severidad, en jvenes varones que en mujeres jvenes. Por otro lado, las perras tienen
un riesgo mucho mayor de diabetes mellitus que los machos. Esto es verdad tambin
para los humanos, y es un indicativo de que los perros podran ser un buen modelo
para estudiar la patognesis de la diabetes.
Muchas de las enfermedades asociadas al sexo estn directa o indirectamente
relacionadas a las diferencias anatmicas y/o fisiolgicas entre los sexos. Tales
enfermedades incluyen la paresia post parto (fiebre de la leche), mastitis, metritis y
cncer de glndula mamaria en hembras, as como problemas relacionados con la
conducta sexual como abscesos en gatos machos como resultado de peleas y rociado
de orina sobre las heridas.
La castracin puede estar relacionada tambin con la presentacin de enfermedades.
Estas asociaciones van desde el efecto de la esterilizacin en el riesgo de cncer de la
glndula mamaria en hembras esterilizadas hasta aumento en el riesgo de laminitis en
ponis castrados, estando este ltimo relacionado tambin con cambios conductuales y
de manejo. El riesgo del sndrome urolgico felino se incrementa en machos
castrados; de cualquier modo, no todos estos incrementos son debidos a cambios
anatmicos debidos a que las hembras esterilizadas tienen tambin un riesgo mayor
que las hembras enteras. Cuando investigamos los efectos de la esterilizacin, la edad
a la que fue realizada debe ser considerada.
El sexo del animal tambin necesita ser tomado en cuenta cuando se evala la
productividad, desde que la habilidad para la carrera, la ganancia de peso, la
deposicin de grasa corporal, y la eficiencia de la conversin alimenticia puede diferir
entre sexos.
Raza
Las diferencias en el riesgo de enfermedades y el nivel de productividad entre razas
son comunes, y los efectos de la raza deben ser considerados y controlados (ajustados
para) cuando se estudia los efectos de otros factores en la ocurrencia de la enfermedad
o en la productividad. En general, las diferencias en la raza deben ser separadas en dos
componentes: diferencias debido a factores genticos y las diferencias debido a
factores fenotpicos.
La gentica de poblaciones, como la epidemiologa, depende bastante de la coleccin
y anlisis de informacin de estudios observacionales. Ambas disciplinas estn
interesadas en los determinantes de la enfermedad, y como a menudo no es claro si
una enfermedad tiene determinantes genticos, hay muchas coincidencias entre
ambas disciplinas. Los genetistas animales han desarrollado un grupo de mtodos
analticos especializados para identificar la heredabilidad de las caractersticas de la
produccin continua. Recientemente estas tcnicas han sido modificadas para estudiar
la heredabilidad de las caractersticas discretas como la presencia o ausencia de
enfermedades. La equivalencia entre estas tcnicas y la estadstica epidemiolgica
como la fraccin poblacional atribuible an no esta clara. Aunque an esta en paales,
una cosa es clara: pocas enfermedades son determinadas solamente por el genotipo o
factores medioambientales. En realidad, en realidad, nuestro actual material gentico
es producto de la presin de seleccin ejercidas por el medio ambiente o nuestros
ancestros.
La estrecha relacin entre los determinantes genticos y medio ambientales puede ser
demostrada por dos enfermedades aviares, como patas amarillas o buche penduloso.
Las patas amarillas se producen en aves con cierto defecto gentico que son
alimentadas con maz amarillo. Si un granjero que slo tiene aves con este defecto
gentico, y las alimenta con maz amarillo ay maz blanco, la racin aparentemente
seria el determinante, ya que solamente las aves alimentadas con maz amarillo
desarrollaran la enfermedad. Si un granjero tuviera aves normales y aves con el
defecto gentico y las alimentara slo con maz amarillo, el genotipo sera el
determinante, desde que slo las aves genticamente defectuosas desarrollaran la
enfermedad. En este sndrome, ambos factores son requeridos para producirla
enfermedad, y es la sintaxis de las causas suficientes, el defecto gentico y el factor
medioambiental especfico (maz amarillo) seran considerados componentes
necesarios de la causa suficiente (por ejemplo, ambos deben de estar presentes para
que la enfermedad ocurra). El buche penduloso en pavos es ligeramente ms
complejo ya que tres factores genotipo (pavos bronceados), medio ambiente (clima
muy caliente) y exceso de consumo de agua se combinan para producir el sndrome.
Suponiendo que no hay restriccin en el consumo de agua que slo se cren pavos
bronceados, la enfermedad parecera ser determinada por el medio ambiente. Si se
criaran dos o ms razas son criadas bajo condiciones medioambientales calurosas, la
enfermedad aparentemente sera determinada genticamente. Nuevamente, el
genotipo y los factores medioambientales son componentes de una causa suficiente.
La fenilcetonuria representa una enfermedad anloga en nios en los que tanto los
factores genticos y medioambientales estn involucrados. En estos ejemplos, debido
a que ambos factores (genotipo y medio ambiente) son requeridos para que ocurra la
enfermedad, la interaccin entre el genotipo y los factores medioambientales se dice
que es completa. La relacin entre los determinantes genotpicos y medioambientales
de muchas enfermedades a menudo no es tan obvia como en los ejemplos antes
mencionados. Si la enfermedad tiene otros determinantes y no una combinacin
particular genotipo-medio ambiente, la interaccin estadstica entre el genotipo y el
medio ambiente es menos que completa. Aunque es factible, es ms difcil identificar
causas putativas en estas circunstancias. En general, la meta es identificar el rol que
juega cada factor como determinante de la enfermedad, y utilizar este conocimiento
para prevenir la enfermedad mientras los factores puedan ser manipulados.
En algunos casos, las enfermedades inicialmente se consideraron como de origen
gentico, y ms adelante se demostr que son esencialmente determinadas por
factores medioambientales. Por ejemplo, se condujeron experimentos detallados para
probar que una malformacin ciclopiana particular en ovejas era causada por un
defecto gentico. Los experimentos fallaron, y luego, estudios experimentales
observacionales identificaron una planta venenosa, el Veratrum californicum como la
causa principal. En retrospectiva, el anlisis cuidadoso de la informacin
observacional disponible puede haber convencido a los investigadores de esto sin la
puede estar relacionada con el tamao del canal plvico o el tamao del feto) en el
riesgo de desplazamiento de abomaso y otras enfermedades.
Los perros han sido y continuar siendo objeto de estudio intensivo para ayudar en el
entendimiento del rol de los factores genotpicos y fenotpicos en la ocurrencia de la
enfermedad y para identificar los modelos de enfermedades humanas. Ninguna otra
especie de animales domsticos tiene tan amplio rango de genotipos y fenotipos como
los perros, y estos comparten el medio ambiente del hombre muy de cerca y la
ocurrencia de sus enfermedades (tales como el cncer de vejiga) pueden ser un
indicativo de las sustancias txicas en el medio ambiente que seran potencialmente
dainas para el hombre.
Como se mencion previamente, los factores del hospedador pueden distorsionar la
asociacin entre la enfermedad y los factores de un inters ms inmediato. Por
ejemplo, las perras con diabetes tuvieron 16 veces ms diagnsticos positivos de
tumores mamarios benignos que las perras con otras enfermedades endocrinas.
Cuando se calcula un estadstico de resumen (odds ratio) ajustado por la edad (usando
la tcnica de Mantel-Haenzel) el odds ratio se redujo a 5.6. Esta tcnica es utilizada
frecuentemente en estudios analticos para controlar el efecto de factores extraos.
ESTANDARIZACIN DE TASAS
Debido a que los factores del hospedador a menudo son determinantes de enfermedad,
las tasas atribuibles especficamente al hospedador (por ejemplo, tasas especficas de
edad, sexo, y/o raza) deben ser utilizadas para describir patrones de enfermedad. Cada
nivel de cada caracterstica es utilizado para formar un estrato; las tasas especificas da
los estratos deben ser estudiadas cuidadosamente antes de intentar resumirlas, desde
que los resmenes de tasas ignoran y a menudo sobre simplifican y/o distorsionan el
patrn verdadero de la enfermedad en la poblacin bajo estudio. De cualquier modo, a
pesar de estos percances, sera deseable el tener un estadstico de resumen uni base
(libre de la influencia de los factores del hospedador) para describir la frecuencia de la
enfermedad. Un mtodo que puedes ser utilizado para producir dicha tasa resumen es
la estandarizacin (o ajuste) de tasas. La estandarizacin puede ser utilizada tambin
para prevenir la distorsin por otros factores distintos a las caractersticas del
hospedador. (A este respecto es muy similar a la tcnica de Mantel-Haenzel; de
cualquier modo, no es tan poderosa y se utiliza principalmente con propsitos
descriptivos en ves de para probar hiptesis.) Los dos mtodos de estandarizacin son
directos e indirectos.
ESTANDARIZACIN DIRECTA
Mediante estandarizacin directa, deben conocerse las tasas especificas de estratos
observadas (OBS R i), y una distribucin de poblacin estndar (STD P i), con
respecto a los factores por los que seran ajustadas, se utilizarn como base para el
ajuste. La STD P i es la proporcin de la poblacin estndar en cada uno de los
estratos, el indicador de estrato i varia de 1 hasta el nmero de estratos a ser
considerados. Cada estrato representa cada nivel de edad, raza, sexo o una
combinacin de estas.
(STD P i x OBS R i )=
Este clculo se repite para cada grupo a ser comparado, como se muestra en la Tabla
1. La tasa ajustada nos da la tasa esperada si las tasas especficas de los estratos
observados caen dentro de la poblacin estndar. Cualquier diferencia entre las tasas
ajustadas debe ser debido a factores diferentes a los incluidos en el proceso de ajusta.
Las tasas directamente ajustadas solamente pueden ser comparadas con otras tasas
directamente ajustadas cuando se usa la misma distribucin estndar de poblacin
como base para la estandarizacin. Existen pruebas estadsticas disponibles para
calcular la posibilidad de que la variacin en el muestreo pueda explicar cualquier
diferencia entre el resumen de las tasas del grupo que permanece luego del ajuste.
Neumona
Feria de Venta
Sin Neumona
Total
120
380
500
24
25
475
500
Granja
Superficialmente, estos resultados incriminan a las ferias como determinantes de neumona. UD.
est preocupado, de cualquier modo, estos resultados pueden estar distorsionados debido a la edad
del ganado, desde que se adquieren tanto terneros como vaquillas / toretes. El mtodo siguiente
puede ser utilizado para ajustar la tasa para efecto de la edad.
Fuente
Nmero
de
Distribucin
observada
animales
OBS (P i )
Cantidad de
casos de
Tasa de
Distribucin
incidencia
Estndar de la
Neumona OBS (P i ) %
Poblacin STD(R i )
Ferias
Terneros
Vaquillas / Toretes
400
100
0.8
0.2
112
28
0.45
14
0.55
Granja
Terneros
50
Vaquillas / Toretes
450
0.1
0.9
18
0.45
0.55
Es obvio que la edad tiene un efecto marcado en la tasa de neumona, pero la fuente
parece interferir tambin. La distribucin estndar de la poblacin fue obtenida
promediando las dos distribuciones observadas [por ejemplo: 0.45 = (0.8 + 0.1) / 2].
Las tasas ajustadas directamente se encuentran multiplicando la tasa de observados de
la enfermedad en cada estrato por la distribucin estndar de la poblacin en ese
estrato y aadiendo los productos de todos los estratos.
Para el grupo Feria:
ESTANDARIZACIN INDIRECTA
La estandarizacin indirecta puede ser usada si las tasas especficas de cada
estrato son desconocidas, y la distribucin (OBS P i) del(los) factor(es) de inters (por
ejemplo; edad) en los grupos a ser comparados es conocida. Es til tambin cuando el
nmero de animales en el estrato es pequeo, y por lo tanto las tasas especficas para
cada estrato seran imprecisas.
El ajuste se realiza utilizando un grupo de tasas especficas para cada estrato de una
poblacin estndar (STD R i). Para escoger la tasa estndar uno debe seguir las
mismas consideraciones que se utilizaron en el ajuste directo. De cualquier modo, es
muy importante que las tasas de poblacin estndar reflejen lo que en realidad ocurri
en los grupos a comparar. El primer paso en el ajuste indirecto es calcular la tasa
anticipada dada (tasa global esperada), toda vez que las tasas de poblacin estndar se
aplican a cada uno de los grupos a ser comparados, como se muestra en la Tabla 2.
El procedimiento general es el siguiente:
Tasa global esperada =
Luego, la tasa observada cruda es dividida por la tasa global esperada; el resultado es
llamado una proporcin
estandarizada de morbilidad / mortalidad (SMR)
dependiendo en el punto final (puede ser otro evento tal como el beneficio). Para
completar estos clculos, la tasa ajustada indirectamente se halla utilizando la
siguiente frmula:
Tasa global promedio en poblacin estndar x SMR
Las diferencias en las tasas ajustadas indirectamente (o en las SMRs) son
interpretadas de manera similar a las ajustadas directamente; es as, que cualquier
diferencia remanente no es debido a los factores considerados en el proceso de ajuste.
Debe de tomarse en cuenta, de cualquier modo, que los ajustes indirectos remueven la
mayora pero no todos los efectos de las diferentes distribuciones de los factores en
cada grupo. Es por esto que es importante que la seleccin de las tasas de poblacin
estndar reflejen las tasas (desconocidas) en los grupos a ser comparados. La ventaja
de la estandarizacin indirecta es que las tasas especficas para cada estrato en cada
grupo no son requeridas, slo la distribucin de los factores en los grupos a ser
comparados. Como se mencion, la estandarizacin indirecta es preferida por sobre
los mtodos directos si el nmero de individuos en los diferentes estratos es pequeo.
rea B
Tasas de Poblacin
Edad
estndar
(aos)
No
2 3.9
100
0.17
25
0.04
0.3
4 5.9
200
0.35
100
0.16
0.4
6 7.9
150
0.26
8 9.9
75
0.13
150
0.24
0.6
10 +
50
0.09
100
0.16
0.7
Total
575
Reactores
300
Tasa Cruda
0.52
(OBS P i )
No
(OBS P I )
250
(STD R i )
0.40
625
325
0.52
0.5
Asuma que tiene disponible un grupo de tasas de reactores de poblacin estndar edad(STD R i) y que estas sern utilizadas para obtener la tasa esperada de reactores.
especficas
INMUNIDAD EN POBLACIONES
El que una enfermedad se disemine o persista depende no slo de la naturaleza del
agente causal, pero tambin en la inmunidad de los individuos y en la estructura y
dinmica de la poblacin.
La habilidad individual de los animales para resistir a las infecciones, o para resistir a
enfermarse si se infectan, se conoce como inmunidad y puede ser innata o adquirida.
La inmunidad innata es a menudo de origen gentico y no depende de un contacto
previo con el agente por el individuo o sus parientes. Algunos ejemplos incluyen a la
resistencia de los caballos al virus de la fiebre aftosa y la actual resistencia de los
conejos Europeos en Australia al virus de la mixomatosis. La inmunidad adquirida es
la resistencia resultante de un contacto previo del individuo con un agente (inmunidad
activa), o a la resistencia que le transmiti su madre (inmunidad pasiva) como
resultado de su contacto con el agente. El contacto con el agente puede haber sido
natural o artificial (por ejemplo, despus de la vacunacin). En trminos simples, la
inmunidad adquirida en la naturaleza es humoral (anticuerpo mediada) y/o celular
(clula mediada).
La inmunidad en los individuos es ms relativa que absoluta, dependiendo en la
naturaleza del agente, la dosis del desafo y el medio ambiente del individuo. Para
propsitos de nuestra discusin. Se clasificar como alta, moderada o baja. Desde el
punto de vista del organismo infectivo, un hospedador con una inmunidad alta
constituye un mayor impedimento para la supervivencia desde que es difcil infectarlo
y por esto el organismo infectante morira. Un hospedador con una inmunidad
moderada sera ms favorable para la supervivencia ya que permite la infeccin, algo
de multiplicacin y a menudo muestra pocas seales de enfermedad. Los
hospedadores con una inmunidad baja o nula (por ejemplo, individuos altamente
susceptibles) son infectados fcilmente, y el organismo puede multiplicarse
libremente, resultando a menudo en enfermedad en el hospedador infectado. Este
ltimo estado puede significar un gran peligro a otros animales debido al incremento
en el desafo a su inmunidad. El mejor plan para la supervivencia del organismo
aparentara ser el invadir a individuos altamente susceptibles y multiplicarse
libremente. De cualquier modo, si como resultado de la enfermedad es hospedador
Lab Med Prev Vet, Pgina 71
anticuerpos maternales a los 3 a 4 meses de edad. Esta es tambin la poca en que los
gatitos se dispersan, tanto en las poblaciones de gatitos mascota como en la de gatitos
callejeros, y podra explicar los brotes de distemper felino a finales del verano, y
comienzos del otoo. Aun cuando no esta muy bien documentado, la falta de
inmunidad de rebao puede ayudar en explicar los hallazgos duales de incremento de
ocurrencia de enfermedades (principalmente enfermedades respiratorias) en rebaos o
jaulas conteniendo grandes cantidades de animales, y el impacto negativo de mezclar
animales de diferentes procedencias. La exposicin de estos animales a nuevos medio
ambientes y/o clima adverso probablemente reducira tambin la inmunidad de los
individuos. Es por esto que, bajo estas condiciones, los organismos que estn
presentes normalmente sin producir enfermedad pueden volverse patgenos.
FACTORES MEDIOAMBIENTALES
El medio ambiente incluye todos los componentes biticos y abiticos de un lugar,
pudiendo ser ste una jaula o corral dentro de un granero o un rea geogrfica amplia.
El conocimiento de la tasa de riesgo de enfermedad de acuerdo al lugar es un primer
paso esencial en el entendimiento de la enfermedad. En investigaciones iniciales la
cantidad de diferencias potenciales entre las reas donde la enfermedad es frecuente y
donde es infrecuente es tan amplia que slo las teoras generales pueden desarrollarse
para explicar su distribucin. Subsecuentemente, investigaciones ms detalladas de
componentes especficos del medio ambiente pueden ser declaradas. Las categoras
generales de los factores medio ambientales incluyen caractersticas de la tierra o
lugar, elementos abiticos (por ejemplo, aire, tierra, agua y clima), y caracteres
biticos incluyendo la flora y la fauna. Las causas inmediatas de enfermedad, ya sean
organismos vivos o txicos, deberan ser vistas tambin y se debera cuantificar su
importancia como causantes de enfermedad. Dependiendo de la localizacin y
naturaleza del problema, uno deber concentrarse ya sea inicialmente en las
caractersticas generales como calidad del aire o la vida de las plantas de un rea, o en
la identificacin de agentes especficos. Como una sugerencia general uno no debe
concentrar su inters en agentes especficos excluyendo el estudio de caractersticas
ms generales de la ocurrencia de la enfermedad. A menudo, el conocimiento de las
caractersticas generales provee de ayuda til para la generacin de series lgicas de
hiptesis acerca de la naturaleza y dimensin de agentes especficos.
Como un ejemplo de este alcance, consideremos a la esclerosis mltiple en humanos,
la ltima causa que an elude a los investigadores. La frecuencia de esclerosis
mltiple est directamente correlacionada con la latitud y se incrementa
dramticamente junto con la distancia desde el ecuador. Por esto, una de las mayores
constantes de los estudios epidemiolgicos actuales est concentrada en cohortes de
personas que bien entren o salgan de zonas de alto o bajo riesgo. Desde que el cambio
en el riesgo de la enfermedad en los individuos parece estar relacionado con su edad
al migrar, se supone la presencia de un agente especfico en reas de alto riesgo.
Cuando la enfermedad ocurre con mayor frecuencia en ciertas reas que en otras, se
dice que la enfermedad est agrupada (cluster). La enfermedad puede estar limitada
geogrficamente por una variedad de razones, muchas de las cuales se relacionan a
fuerzas que actan en el hospedador, el vector o el agente de la enfermedad.
Caractersticas geogrficas tales como ros. Lagos y montaas pueden servir tambin
para restringir la diseminacin de la enfermedad. Algunas veces la enfermedad est
limitada a las rutas comerciales o migratorias comunes; esto fue lo que sucedi con la
fiebre de Texas (piroplasmosis bovina). Aunque usualmente es grande, el rea
geogrfica de inters puede variar de tamao desde una jaula o corral dentro de un
establo, establo dentro de una granja, o reas a lo largo de un pas. Una publicacin
reciente provey de informacin en la distribucin de una variedad de enfermedades y
de brotes de enfermedades en pases a travs del mundo.
Histricamente, se saba que ciertos marcadores geogrficos (por ejemplo, cinagas o
pantanos) eran predictivos de un incremento en el riesgo de la enfermedad, y se
utilizaban para prevenir las enfermedades simplemente con evitar esas reas. Algunas
enfermedades como la fiebre del pantano (anemia infecciosa equina) son nombradas
por su asociacin con estas caractersticas geogrficas. Durante los aos 1800s, se
observ que la distribucin de la fiebre de Texas era similar a la de la garrapata
sospechosa de diseminar la enfermedad, esto sirvi de instrumento para apoyar un
estudio posterior sobre el papel de la garrapata. Luego se demostr que esta garrapata
era reservorio del agente y era capaz de pasar la infeccin por transmisin vertical a
una siguiente generacin de garrapatas. Recientemente, el estudio de la asociacin
entre los agentes de la enfermedad y ciertos ecosistemas o marcadores geogrficos se
ha expandido y se le conoce como epidemiologa de paisaje.
Existen varias maneras de determinar el agrupamiento espacial, muchos de los cuales
se basan en procedimientos matemticos muy justos. Para los propsitos prcticos, los
mtodos grficos simples para detectar el agrupamiento son tiles. Estos incluyen
tcnicas cartogrficas como mapas de puntos, lminas transparentes superpuestas,
mapas isodmicos y mapas de coordenadas.
MTODOS CARTOGRFICOS
Los mapas de puntos son una herramienta bsica para el estudio de los patrones
geogrficos de la enfermedad. Cada ocurrencia de la enfermedad se ingresa (plotea)
en un mapa estndar, la escala del mismo depende de la investigacin. Los mapas de
puntos pueden ser modificados para mostrar el cambio en la distribucin de la
enfermedad a travs del tiempo. Por ejemplo, se puede usar diferentes colores para
plotear la ocurrencia de la enfermedad durante diferentes periodos de tiempo, o cada
punto puede numerarse para indicar el tiempo relativo de la ocurrencia de la
enfermedad.
Algunas veces, en lugar de plotear cada caso individualmente, se puede representar el
nivel promedio de enfermedad por medio de diferentes tipos de marcas en mapas en
blanco y negro, o diferentes colores en mapas a color. Las tasas ajustadas, o ms
frecuentemente, los ndices estandarizados de morbilidad y mortalidad pueden ser
ploteados en lugar de tasas no ajustadas (usualmente se incluyen en el ajuste los
factores del hospedador que puedan afectar el nivel de enfermedad). An cuando son
muy elaborados para ser utilizados rutinariamente, los mapas tridimensionales
diseados por computadora (con la altura proporcional al nivel de enfermedad)
proveen una visin fabulosa de la distribucin geogrfica de la enfermedad. La
poblacin de zorros de Suiza se ha demostrado utilizando esta tcnica.
Las lminas transparentes superpuestas son tiles tambin
para mapear la
enfermedad. Uno puede describir la diseminacin de la enfermedad (como rabia a lo
largo del pas) ploteando la cobertura de la rabia en diferentes periodos de tiempo en
MTODOS ANALTICOS
A menudo, un ploteo de premisas de infeccin indicara agrupamiento, sugiriendo una
diseminacin de granja a granja. De cualquier manera, en ausencia de informacin en
la distribucin de todas las granjas en el rea, tales agrupamientos son difciles de
interpretar. Una forma de calcular este agrupamiento aparente es comparar la
distancia promedio entre dos granjas infectadas cualesquiera con la distancia
promedio entre dos granjas libres seleccionadas al azar, o con la distancia ente granjas
no infectadas seleccionadas al azar y la granja infectada ms cercana. La distancia
puede ser por el camino o a vuelo de pjaro dependiendo de la situacin. Si los
automviles o camiones son sospechosos de diseminar la infeccin, debe medirse la
distancia por los caminos. (Esto no impedir que se trace el movimiento de vehculos
ya conocido y se que relacione con la distribucin de las granjas afectadas.) Si se
sospecha de diseminacin aergena, sera ms til medir la distancia con una lnea
recta. Esto ltimo puede ser obtenido utilizando un comps para medir la distancia en
un mapa ploteado con precisin y con una escala apropiada. Si la diseminacin de
granja a granja es un medio importante de transmisin, uno podra esperar que la
distancia promedio entre pares de granjas infectadas sea menor a la distancia
promedio entre una granja no infectada y la granja infectada ms cercana. Un mtodo
similar se utiliz en dos condados de Ontario, Canad en un estudio caso-control de
brucelosis. Las granjas caso eran granjas infectadas identificadas de los registros
veterinarios regulares del distrito. Los controles se obtuvieron tomando una muestra
promedio de hatos con pruebas negativas, habindose realizados estas durante el
periodo de tiempo sealado por el estudio. La distancia promedio entre las dos granjas
infectadas ms cercanas era menor a la distancia entre una granja libre y la granja
infectada ms cercana, apoyando la hiptesis de la diseminacin granja-granja. Esta
BIOCLIMATOGRAMAS
Un mtodo grfico til para investigar la relacin entre dos factores climticos y la
supervivencia de parsitos es el bioclimatograma Por ejemplo, la temperatura puede
ser ploteada en el axis vertical Y y la precipitacin en el axis horizontal X. Para cada
mes del ao la temperatura y precipitacin promedio son ingresadas como un punto.
Cada uno de esos puntos es unido por medio de una lnea empezando en enero,
conectndose con el punto de febrero, y continuando as hasta completar la lnea con
el punto de diciembre. Si los requerimientos de temperatura y humedad para la
supervivencia y/o desarrollo de un agente o sus vectores son conocidos, el
bioclimatograma puede proveer una presentacin visual de los meses en los que los
requerimientos de temperatura y precipitacin son suficientes para permitir la
sobrevivencia y/o desarrollo de un agente en particular. Como un ejemplo, la tasa de
enfermedad mensual puede ser representada directamente en el bioclimatograma (o
con la utilizacin de lminas transparentes superpuestas) para calcular visualmente si
la ocurrencia de enfermedad pudiera estar asociada con la temperatura y la
precipitacin. Este conocimiento puede ser aplicado por ejemplo, para disear
alojamientos para terneros de forma que se reduzca incidencia de neumona enzotica.
Al plotear la temperatura promedio y los requerimientos de humedad para la
supervivencia de un agente (como el micoplasma) uno puede planear sus instalaciones
de forma de que la temperatura y la humedad dentro del establo sean consistentes con
las condiciones necesarias para mantener al ternero saludable, pero inconsistente con
las condiciones necesarias para el mantenimiento del medio para la sobrevivencia de
los micoplasmas.
Flora
Las plantas pueden ser causas importantes de enfermedades debido a que son la base
de la racin o dieta de la mayora de los animales. La seleccin y procesamiento de
plantas y sus productos para formar una dieta nutritiva a un mnimo costo es ahora
una industria altamente especializada y competitiva. Adems, la disponibilidad y
costos de los componentes principales de una racin (como el maz) dictarn la
expansin o reduccin de las industrias animales.
De cualquier modo, no todas las plantas son comestibles. Las intoxicaciones por
plantas (por ejemplo, toxicidad por alcaloides en las especies lupin, el tejo japons y
los gneros Crotalaria o Senecio) ocurren comnmente. Las enfermedades
carenciales son muy comunes (por ejemplo, hipomagnesemia resultante de una
Lab Med Prev Vet, Pgina 80
Fauna
Con respecto a las especies animales, y para la mayora de las enfermedades
infecciosas, cualquier grupo particular de animales puede estar en riesgo de infeccin
por otros miembros de su propia especie o por miembros de otras especies de
invertebrados. Las zoonosis proveen de una buena explicacin de lo complejo del
mecanismo por el que se combinan para asegurar la supervivencia y transmisin de
agentes infecciosos. Para propsitos de la presentacin, las zoonosis han sido
clasificadas en base a su ciclo de perpetuacin como directas, ciclo-, meta- y
saprozoonosis.
Agentes de Enfermedades
La mayora de las enfermedades tienen agentes especficos identificados como una de
sus causas. En realidad, muchas enfermedades se llaman segn su agente causal. En
otros casos, los organismos son nombrados de acuerdo a los signos del sndrome que
producen. Esta relacin de agentes y enfermedades ha tenido mucha utilidad en lo que
a prevencin y control de enfermedades se refiere, de cualquier modo, esto demuestra
tambin algunas de las predisposiciones que se tuvieron en la nomenclatura y
conceptualizacin del rol de los agentes especficos en el proceso de enfermedad. Por
ejemplo, el meningococo reside normalmente en la faringe y el tracto respiratorio
superior junto con organismos llamados neumococos, y ninguno produce enfermedad
a este nivel. Los nombres de estos organismos reflejan la localizacin anatmica de
las enfermedades que causan. Las condiciones bajo las cuales los meningococos
infectan el sistema nervioso an no se comprenden; talvez el origen de esta
enfermedad humana es similar a la enfermedad del sistema nervioso producida por H.
somnus en vacunos, un residente aparentemente normal del tracto respiratorio y otras
Lab Med Prev Vet, Pgina 83
afectado por el secado o por la luz del sol. Para los agentes infecciosos, es importante
el conocer sus condiciones optimas para la sobrevivencia (incluyendo si sobreviven
fuera del tejido vivo), que vehculos proveen de proteccin para el organismo y su
resistencia al desecado, a la luz solar y a los agentes antimicrobianos, incluyendo
desinfectantes.
Finalmente, debido a la naturaleza dinmica de los agentes infecciosos y a la falta de
conocimiento acerca de sus distribuciones, es importante revisar tanto animales sanos
como enfermos utilizando las mismas tcnicas diagnsticas. Debido a la mayora
abrumadora de organismos ubicuos, se debe dar poca importancia al hallazgo de un
organismo especfico en el tejido de los animales. Con respecto a las investigaciones
acerca de la relacin entre el agente y la enfermedad, la pregunta es usualmente no si
un organismo puede causar una enfermedad, sino que evidencias existen de que este
organismo en particular es una causa importante de enfermedad bajo condiciones
naturales. Adems, el identificar las circunstancias bajo las cuales el agente puede
producir enfermedad puede ser de ms ayuda en trminos de prevencin y control de
la enfermedad que actuar directamente contra el organismo.
Factores Temporales
As como la ocurrencia de la enfermedad esta relacionada al hospedador y a su
medio, hay cambios en la frecuencia de muchas enfermedades con el tiempo. Los
patrones temporales de enfermedad deben ser elucidados claramente y se deben
buscar explicaciones detalladas para ellos utilizando estudios formales. En esta
seccin se presentan varios mtodos grficos utilizados para identificar el patrn de
los cambios temporales en la enfermedad. El conocimiento de los patrones temporales
puede proveer de un nuevo enfoque a los factores que afectan el balance entre el
hospedador y el agente. Por ejemplo, en brotes de enfermedad, el patrn de cambio
(particularmente su manera abrupta) puede necesitar un mtodo de investigacin
ptimo para el brote.
Tcnicas Grficas
Los patrones temporales de morbilidad yo mortalidad deben ser investigados y
presentados mediante tcnicas grficas adecuadas. Inicialmente, uno poda plotear el
nmero de eventos de inters, o preferiblemente, la tasa (incidencia, prevalencia o
mortalidad) versus es tiempo. Los patrones pueden ser obvios a ese punto. Por
acuerdo general, tendencias seculares tienden a describir cambios por muchos aos o
dcadas; los cambios cclicos son los que se dan con una periodicidad de 2 a 5 aos,
los cambios estacionales tienen una periodicidad de 1 ao o menos.
4.1. Prevalencia de animales tratados en hatos del condado Bruce segn dias luego de la llegada.
6,5
6,0
5,5
% en Grupos Mezclados
% en Grupos No Mezclados
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
0
10
12
14
16
18
20
22
24
26
28
30
que contrajeron la infeccin al ir a la clnica veterinaria por su vacuna. (El lector debe
considerar como calcular retrospectivamente cada uno de estos factores como
explicaciones de este agrupamiento temporal). Debe notarse que la vacunacin puede
desencadenar la enfermedad clnica en algunos individuos vacunados, mientras que al
mismo tiempo es efectiva para prevenir la enfermedad. Por esto, este enfoque no
ilumina el valor potencial general de la vacuna.
Este enfoque puede extenderse para identificar la causa mas aparente de un brote
cuando todos los animales son expuestos a (los) presuntos efecto (s) causal (es). (Esta
ltima situacin evita la comparacin de grupos expuestos y no expuestos para
identificar la razn ms aparente del brote). La variabilidad del periodo entre la
exposicin a la causa verdadera de la enfermedad y la presentacin subsiguiente de la
misma debe ser menor que la variabilidad del periodo entre la presentacin de la
enfermedad y la exposicin a un factor no causal de la enfermedad. Como un paso
inicial, se calcula el tiempo entre la exposicin a cada factor presunto y la ocurrencia
de enfermedad en cada individuo. (Si las unidades de muestreo estn constituidas por
grupos de animales, se toma en cuenta el tiempo medio del brote y se calcula el
tiempo entre el da medio y la exposicin al presunto agente). Luego, se determinan el
periodo de tiempo promedio y la desviacin estndar del periodo entre la ocurrencia
de la enfermedad y la exposicin a cada factor sospechoso. Si los periodos promedio
son aproximadamente de la misma duracin, el factor que tiene la desviacin estndar
menor (o varianza) es la causa o fuente ms aparente del problema. Si los promedios
difieren mucho, debe utilizarse el coeficiente de variacin (la desviacin estndar
dividida entre el promedio) para realizar la inferencia.
Tabla 3. Cantidad y tasas de Incidencia al primer diagnstico de enfermedades
seleccionadas en ganado vacuno lechero en intervalos de 7 das, hasta los 56 das
posparto (2711 lactaciones)
Das
Desplazamiento
Mastitis
Post Parto
07
de Abomaso
15b (0.6)c
Cetosis
77 (2.8)
Severa
30 (1.1 )
8 14
8 (0.3)
44 (1.7)
3 (0.1)
15 21
2 (0.1)
39 (1.5)
1 (0.0)
22 28
1 (0.1)
13 (0.5)
3 (0.1)
29 35
2 (0.1)
10 (0.4)
1 (0.0)
36 42
0 (0.0)
5 (0.2)
1 (0.0)
43 49
0 (0.0)
3 (0.1)
1 (0.0)
50 56
0 (0.0)
3 (0.1)
2 (0.1)
37% de todos los problemas de patas se diagnosticaron dentro de 60 das luego
del parto.
b
tiempo.
c
Nuevamente, esta frmula debe ser modificada dependiendo de que sea lo que se va a
medir. Todos los animales en el numerador son un subgrupo de la cohorte inicial de
animales. Las cohortes se definen usualmente en base a la fecha de nacimiento (mes o
ao), fecha de ingreso al rebao, o en base a la experiencia de un hecho de inters
como el parto.
Para separar los efectos de la edad de los factores ambientales actuales, los resultados
de por lo menos 3 estudios realizados en diferentes periodos calendarios deben estar
disponibles. Los efectos de la edad estn presentes cuando el patrn de enfermedad
vara por la edad, sin tener relacin con la cohorte; los efectos de la cohorte estn
presentes cuando los patrones de enfermedad varan segn la cohorte, sin tener
relacin con la edad. Los efectos actuales estn presentes cuando el patrn de
enfermedad vara con el tiempo calendario sin guardar relacin con la edad o la
cohorte.
Un ejemplo de este enfoque (utilizando informacin ficticia describiendo tasas de
beneficio o saca actuales en vacas lecheras, basndose en una serie de estudios
anuales) se ofrece en la tabla 4. Considerando la informacin relativa a 1973; vea el
incremento general en la tasa de beneficio (saca) con la edad, y el pico en las vacas de
2 a 3 aos de edad. Una interpretacin del incremento en el riesgo de saca con la edad
debe ser que las vacas se gastan con la edad. El pico en las vacas de 2 a 3 aos
puede explicarse como un efecto de la edad (es ms probable que las vacas sean
sacrificadas en su primera lactacin) o que los factores medioambientales existentes
en 1973 ejercieran un efecto daino mayor en las vacas de 2 a 3 aos que en las de
otras edades. No es posible el discriminar entre estas posibilidades sin informacin
adicional.
Suponiendo que en 1978, otro estudio peridico sobre beneficio se realiz en la
misma poblacin. Nuevamente, observen el incremento general en la tasa de saca con
la edad, y el pico de riesgo en vacas de 7 a 8 aos. Como interpreta uno este pico? Es
un efecto de la edad o es debido a factores medioambientales actuales que
particularmente van en contra de la supervivencia de vacas de 7 a 8 aos? La
respuesta no es obvia.
Desde que el ambiente pasado de las vacas pueda influenciar la probabilidad actual de
beneficio, es deseable examinar las tasas basndose en el enfoque de cohortes. Como
en este ejemplo, las cohortes usualmente se definen y las tasas se calculan de forma
retrospectiva, a partir de la informacin disponible.
.10
.10
.05
.05
.10
.10
.10
.10
.10
.10
2<3
.15
.15
.20
.10
.15
.15
.15
.15
.15
.15
3<4
.20
.20
.15
.30
.40
.20
.20
.20
.20
.20
4<5
.25
.25
.25
.20
.25
.50
.25
.25
.25
.25
5<6
.30
.30
.30
.25
.30
.30
.60
.30
.30
.30
6<7
.35
.35
.35
.30
.35
.35
.35
.70
.35
.35
7<8
.40
.40
.40
.35
.40
.40
.40
.40
.80
.40
8<9
.45
.45
.45
.45
.45
.45
.45
.45
.45
.90
9<10
.50
.50
.50
.50
.50
.50
.50
.50
.50
.50
Tabla 5. Tasas Hipotticas de saca de ganado lechero por edad y cohorte de nacimiento
AO DE NACIMIENTO
Edad
1970
1971
1972
1978
1979
0<1
.05 1970
.10
1971
.05
1972
.05
1978
.05 1979
1<2
.10
1971
.20
1972
.10
1973
.10
2<3
.15
1972
.30
1973
.15
1974
......
.....
3<4
.20
1973
.40
1974
.20
1975
......
.....
4<5
.25
1974
.50
1975
.25
1976
........
....
5<6
.30
1975
.60
1976
.30
1977
.......
.......
6<7
.35
1976
.70
1977
.35
1978
......
.....
7<8
.40
1977
.80
1978
.40
1979
......
....
8<9
.45
1978
.90
1979
......
.....
9<10
.50
1979
.......
..........
.......
1979
......
....
.....
Tabla 6. Prevalencia para anticuerpos contra BLV en un hato de pura raza Holstein, por
edad y ao calendario
Edad (meses)
< 24
1977
No.
%
09 / 53 17.0
24 35
24 / 94
25.5
16 / 65
16.9
3 / 92
3.3
6 / 128
4.7
36 47
9 / 31
29.0
19 / 79
24.1
9 / 57
15.8
5 / 76
6.6
48 59
13 / 55
23.6
5 / 20
25.0
18 / 72
25.0
6 / 34
17.6
6 / 32
18.8
13 / 56 23.2
14 / 59
23.7
23 / 73
31.5
61 / 265
23.0
50 / 267 18.7
46 / 365
12.6
40 / 340
11.8
> 60
1978
No.
%
02 / 47 4.3
1979
No.
%
02 / 85
2.4
1980
No.
%
0 / 29
0.0
a11
a
21
.
A =
.
.
a m1
a12
a 22
.
.
.
am2
. . . a1n
. . . a 2 n
. . . a mn
Si es que m = n entonces se trata de una matriz cuadrada. Si una matriz tiene una sola
columna, por ejemplo:
c1
c2
.
c= .
.
c m
En este caso, se le llama vector columna. Si hay slo una fila, por ejemplo:
r = (r1 , r2 ,..., rn )
se le llama vector fila.
La transpuesta de una matriz se halla intercambiando filas por columnas. Por ejemplo,
la transpuesta de la matriz A sera:
a11
a
12
.
'
A =
.
.
a1n
a 21
a 22
.
.
.
a2n
. . . a m1
. . . a m 2
. . . a mn
0 0 . . . 0
0 0 . . . 0
. .
0=
. .
. .
0 0 . . . 0
Una matriz diagonal es una matriz cuadrada en la que todos los elementos son cero,
excepto a lo largo de la diagonal principal, de manera que tenemos:
t1 0
0 t
2
0 0
T = . .
. .
. .
0 0
0
0 . . . 0
t3 . . . 0
0
tn
0 . . .
Una matriz simtrica es una matriz cuadrada que no cambia cuando se transpone, de
manera que si A tiene esta propiedad si es que A ' = A . Finalmente una matriz de
identidad es una matriz diagonal en la que los elementos de la diagonal principal son
iguales a 1:
1
0
0
T = .
.
.
0 0 . . . 0
1 0 . . . 0
0 1 . . . 0
0 0
1
Dos matrices son iguales slo si todos los elementos son los mismos. Por ejemplo:
a11
a
21
a31
a12
a 22
a31
a13 b11
a 23 = b21
a33 b31
b12
b22
b31
b13
b23
b33
a12 d11
a 22 + d 21
a32 d 31
a12 + d12
a 22 + d 22
a32 + d 32
a11
A D = a 21
a31
a12 d11
a 22 d 21
a32 d 31
a12 d12
a 22 d 22
a32 d 32
Mientras tanto
Obviamente, estas dos operaciones se pueden efectuar slo en matrices del mismo
tamao.
ka12
ka 22
ka32
.
a m1
a12
a 22
.
.
.
am2
a1 j b j1
a 2 j b j1
.
=
.
.
a b
mj j1
Donde
. . . a1n b11
. . . a 21 b21
.
.
.
a mn bn1
a
a
b j2
2 jb j2
.
.
.
amj b j 2
1j
. . .
. . .
. . . b1 p
. . . b2 p
bnp
b12
b22
.
.
.
bn 2
a
a
b jp
2 j b jp
a mj b jp
1j
a b
ij
jk
2 1 1 1 2 1
1 1 0 1 = 1 2
Mientras
1 1 2 1 3 0
0 1 1 1 = 1 1
Inversin de matrices
La inversin de matrices es anloga al proceso matemtico de divisin. Por lo tanto,
para un escalar k est demostrado que k x k 1 = 1 . De una manera similar, si A es una
matriz cuadrada, entonces su inversa es A 1 , donde A x A 1 = I , donde I es la matriz
de identidad. La inversin slo se define para matrices cuadradas. Sin embargo, no
todas las matrices cuadradas tienen una matriz inversa. Cuando A 1 existe, se puede
invertir a la derecha y a la izquierda, de manera que A x A 1 = A 1 x A = I
2 3 1 3
=
1 3 2 3
2 1 2 3 1 3 1 0
1 2 1 3 2 3 = 0 1
a 22
a 22
a a12
= 22
,
a 21 a11
FORMAS CUADRTICAS
Sea A una matriz n x m y x un vector de columna tamao n. Entonces, la expresin:
Q = x ' Ax
Q = xi aij x j
i =1 j =1
Estmago
124
42
25
45
412
51
1112
46
103
876
146
340
396
Colon
248
377
189
1843
180
537
519
455
406
365
942
776
372
163
101
20
283
Ovarios
1234
89
201
356
2970
456
Seno
1235
24
1581
1166
40
727
3808
791
1804
3460
719
(S
S1 ) ( c 1)
S1 ( n c )
Donde
c
nj
nj
S 0 = y ij y , S1 = y ij y j
j =1 i=1
j =1 i=1
Y tambin
yj =
1
nj
nj
y
i=1
nj
ij , y = y ij , n = n j
j =1 i=1
j =1
( 37983904 26448146) ( 5 1)
26448146 64 5
= 6.43
Lo que da un valor de P = 0.0002 con 4 y 59 grados de libertad, indicando que las sub
poblaciones son diferentes. Sin embargo, esta conclusin es vlida si es que los
desvos estndar son los mismos, algo que tal vez no suceda en este caso. Por tanto
hay que realizar una transformacin para poder trabajar los datos, en este caso,
trabajar con el logaritmo en base dos de los datos. La razn por la que insisto en el
logaritmo en base dos tiene algn fundamento prctico, relativo a la interpretacin de
los datos. En tanto se trabaje con logaritmos en base 2 la interpretacin se hace
sencilla porque cada unidad corresponde al doble del tiempo de supervivencia.
Repitiendo el anlisis de varianza vamos a tener entonces que S 0 = 226.36 y S1 =
175.40 y F = 4.29, lo que da un P = 0.004, confirmando que los tiempos de
supervivencia son diferentes.
Ojo, la prueba de F requiere otra Asumcin, que es que los datos (en este caso los
datos transformados) deben seguir una distribucin normal. Lo que toca entonces, es
hacer una prueba de K-S de una muestra para demostrar si es o no normal.
Juez
Partici 1
pante
33.1 32.0
31.2
31.2
31.4
21
27.3 28.1
28.4
27.5
26.4
26.2 29.2
28.4
27.3
25.3
22
29.5 28.1
27.3
28.4
26.4
31.2 30.1
30.1
31.2
29.2
23
28.4 29.5
28.4
28.6
27.5
27.0 27.9
27.3
24.7
28.1
24
31.2 29.5
29.2
31.2
27.3
28.4 25.3
25.6
26.7
26.2
25
30.1 31.2
28.1
31.2
29.2
28.1 28.1
28.1
32.0
28.4
26
31.2 31.2
31.2
31.2
30.3
27.0 28.1
28.1
28.1
27.0
27
26.2 28.1
26.2
25.9
26.2
25.1 27.3
26.2
27.5
27.3
28
27.3 27.3
27.0
28.1
28.1
31.2 29.2
31.2
32.0
30.1
29
29.2 26.4
27.3
27.3
27.3
10
30.1 30.1
28.1
28.6
30.1
30
29.5 27.3
29.2
28.4
28.1
11
29.0 28.1
29.2
29.0
27.0
31
28.1 27.3
29.2
28.1
29.2
12
27.0 27.0
27.3
26.4
25.3
32
31.2 31.2
31.2
31.2
28.4
13
31.2 33.1
31.2
30.3
29.2
33
28.1 27.3
27.3
28.4
28.4
14
32.3 31.2
32.3
31.2
31.2
34
24.0 28.1
26.4
25.1
25.3
15
29.5 28.4
30.3
30.3
28.4
35
27.0 29.0
27.3
26.4
28.1
16
29.2 29.2
29.2
30.9
28.1
36
27.5 27.5
24.5
25.6
25.3
17
32.3 31.2
29.2
29.5
31.2
37
27.3 29.5
26.2
27.5
28.1
18
27.3 30.1
29.2
29.2
29.2
38
31.2 30.1
27.3
30.1
29.2
19
26.4 27.3
27.3
28.1
26.4
39
27.0 27.5
27.3
27.0
27.3
20
27.3 26.7
26.4
26.4
26.4
40
31.2 29.5
30.1
28.4
28.4
Ahora bien, es lgico suponer que haya diferencias entre las puntuaciones de los
jueces. Hay jueces que califican ms o menos, eso es a veces, esperado. Sin embargo,
es difcil ver que sucede cuando el efecto individual perturba un poco el anlisis. En
este caso, el anova da un valor para la suma de cuadrados de los datos corregidos S 0 =
704.2 y un valor de S1 = 685.23 para los residuales, de manera que el estadstico F es:
F=
( 704.32 685.23) ( 4)
685.23 195
= 136
.
Por tanto, el valor de probabilidad asociada sera P = 0.25, sugiriendo que la hiptesis
nula que los jueces califican igual no puede ser rechazada. En realidad, el anlisis de
varianza falla al no tomar en cuenta que los datos vienen de 40 individuos que tienen
cinco observaciones repetidas de la misma variable. En contraste, el anova de dos vas
toma en cuenta que es son datos pareados, remueve el efecto en comn de cada
subgrupo y luego los compara. Como los sets de datos (los 40 participantes) se listan
en 40 filas, el procedimiento involucra restar el efecto de las filas.
Para ver como funciona el Anova, note que el promedio general de los puntajes es
28.53. El promedio de puntajes para el primer participante esta dado por (33.1 + 32.0
+ 31.2 + 31.4)/5 = 31.78, que es 3.25 unidades sobre el promedio general. Del mismo
modo, el segundo competidor tiene un promedio de (26.2 + 29.2 + 28.4 + 27.3 +
25.3)/5 = 27.28 y esto es 1.25 unidades menos que el promedio general. Si se contina
de esta manera se puede computar el efecto relativo de los 40 competidores. Estos
efectos son positivos y negativos e indican la performance relativa de cada
competidor.
Ahora bien, para comparar los jueces ajustando por los efectos de las diferencias
individuales entre los competidores se deben de restar de los datos en cada una de las
filas de la tabla de puntuacin. Entonces queda una tabla ms o menos como sigue:
Participante
1
2
3
4
...
Ajuste
3.25
-1.25
1.83
-1.53
...
1
29.28
27.45
29.37
28.53
...
2
28.75
30.45
28.27
29.43
...
3
27.95
29.65
28.27
28.83
...
4
27.95
28.55
29.37
26.23
...
5
28.15
26.55
27.37
29.63
...
Al tomar en cuenta las diferencias entre los competidores, los jueces pueden ser
comparados aplicando el mtodo de anova a los valores ajustados. Sin embargo, este
mtodo no da el valor correcto de p, debido a que el Anova requiere que las muestras
sean independientes una de otra. Si la matriz de datos tiene r filas y no hay valores
perdidos (dando n = r * c ) el valor correcto de P se basa en el estadstico F definido
como:
(S
F=
S12
S 12 ) ( c 1)
( n c r + 1)
Donde
c
S 2 = y ij y i , S12 = y ij y i y j + y
j =1 i=1
j =1 i=1
Y tambin
yi =
1 c
1 r
1 c r
y ij , y j = y ij , y = y ij
c j=1
r i=1
rc j=1 i=1
Hay que notar que S 2 es la suma de cuadrados de los datos luego de ajustar por el
efecto filas y S1 es la suma de cuadrados luego de ajustar por el efecto columnas y S12
es la suma de cuadrados luego de ajustar por filas y columnas. Para el caso del nado
sincronizado, el valor de F es 4.54, dando un valor P = 0.0017, de manera que la
hiptesis nula no se puede sostener. Para calcular el error estndar en cada caso, se
aplica la siguiente frmula:
s=
S12
n c r +1
Las asunciones bsicas para el anlisis de varianza de dos vas son 1) que las
desviaciones estndar sean las mismas, 2) que los datos se distribuyan normalmente.
La prueba de anova de dos vas incorpora estas asunciones.
La regresin es un mtodo estadstico que se usa para estudiar la relacin entre una
variable dependiente y una o ms variables independientes es un poco buscar el
detalle de la relacin entre variables. Se emplea con dos fines en general, para
prediccin y anlisis causal. De lo que se trata es de determinar la frmula matemtica
que explica, y tal vez, predice los datos. Es un poco buscar, a partir de los datos
encontrados, la frmula matemtica terica con la que se hubieran obtenido. Este
proceso puede ser bien complicado si la frmula es compleja, pero es relativamente
sencillo si la relacin es lineal, pues se basa en la frmula de la recta, que como
sabemos es:
y = a + bx
Frmulas
Correlacin:
r=
( X )( Y )
( X ) ][ N Y ( Y ) ]
N XY
[N X
( Y )( X ) ( X )( XY )
a=
N X ( X )
N XY ( X )( Y )
b=
N X ( X )
2
Problemas escogidos:
Se desea conocer la relacin entre la produccin total de carne de cerdo y de embutido
producidas por una integracin porcina (medidas en toneladas mtricas). Diga usted si
la produccin total de carne se relaciona a la produccin de embutido, desarrolle una
frmula que explique y prediga esta relacin y diga si esta relacin es significativa o
no desde el punto de vista estadstico.
Ao
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
Produccin de Carne ()
40
44
46
48
52
58
60
68
74
80
Produccin de Embutido ()
6
10
12
14
16
18
22
24
26
32
Se desea saber si la altura a la cruz de las vicuas se relaciona con la altura de sus
madres. Se registr la altura de 10 pares de vicuas madre-cra, presentados en la
siguiente tabla. Diga usted si la altura de las vicuas se relaciona con la de la madre.
Par
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Progesterona
28.42
24.95
37.05
26.34
27.69
27.93
39.88
28.60
25.37
40.61
28.45
25.89
Diga usted si existe alguna relacin entre la cantidad de grasa y la produccin lctea
de una muestra de las vacas del establo analizando los siguientes datos:
Nmero de vaca
1
2
3
4
5
6
7
8
9
10
11
12
Produccin Lctea
13.08
8.47
9.65
10.98
8.28
8.03
7.89
8.11
13.64
15.57
7.78
12.71
Porcentaje de grasa
2.18
2.82
2.67
2.42
3.36
3.93
5.61
3.87
2.09
2.05
6.21
2.23
Una asumcin adicional a la regresin simple es que no hay una relacin lineal exacta
entre las variables independientes Xs.
El parmetro de mnimos cuadrados ordinario (OLS) se puede obtener minimizando la
suma de los residuales al cuadrado:
2
i
= Yi Yi
) = (Y b
2
b1 X 1i b2 X 2i
1i i
2i i
= nb0 + b1 X 1i + b2 X 2i
Y = b0 X 1i + b1 X 12i + b2 X 1i X 2i
Y = b0 X 2i + b1 X 1i X 2i + b2 X 22i
( x y )( x ) ( x y )( x x )
( x )( x ) ( x x )
b1 =
2
2
2
1
1 2
2
2
1 2
( x y )( x ) ( x y )( x x )
( x )( x ) ( x x )
b2 =
2
1
2
1
2
2
1 2
1 2
Por lo tanto:
b0 = Y b1 X 1 b2 X 2
Ejemplo ilustrativo
Dado una produccin de mazorcas de maz por hectrea y las variables independientes
fertilizantes e insecticidas calcule la regresin.
Ao
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
Y
40
44
46
48
52
58
60
68
74
80
X1
6
10
12
14
16
18
22
24
26
32
X2
4
4
5
7
9
12
14
20
21
24
Entonces:
b1 =
b2 =
( x y )( x ) ( x y )( x x ) (956)(504) (900)(524)
=
0.65
(576)(504) (524)
( x )( x ) ( x x )
2
2
2
1
1 2
2
2
1 2
( x y )( x ) ( x y )( x x ) (900)(576) (956)(524)
=
1.11
(576)(504) (524)
( x )( x ) ( x x )
2
1
2
1
2
2
1 2
1 2
Varb2 = u2
2
2
x x ( x x )
x
x x ( x x )
2
1
2
2
1 2
2
1
2
1
2
2
1 2
2
i
nk
e
2
u
2
2
x x ( x x )
x
x x ( x x )
nd
s =
2
b2
2
i
2
1
2
2
1 2
2
1
2
1
2
2
bi
sb
1 2
Huevo
0.14
0.21
0.23
0.24
0.26
0.28
0.29
0.29
0.30
0.31
0.34
0.36
0.37
0.39
0.42
0.46
0.49
PCP
184
177
146
296
188
89
198
122
250
256
261
132
212
171
164
199
Huevo
0.19
0.22
0.23
0.25
0.26
0.28
0.29
0.30
0.30
0.31
0.34
0.36
0.37
0.40
0.42
0.46
PCP
115
214
177
205
208
320
191
305
230
204
143
175
119
216
185
236
Huevo
0.20
0.22
0.23
0.25
0.26
0.28
0.29
0.30
0.30
0.32
0.35
0.36
0.39
0.41
0.42
0.47
PCP
315
356
289
324
109
265
193
203
214
150
229
236
144
232
87
237
Huevo
0.20
0.22
0.23
0.26
0.27
0.29
0.29
0.30
0.30
0.34
0.35
0.37
0.39
0.41
0.44
0.49
En este caso, lo que vamos a hacer es fijar una recta con los datos de manera de
calcular la frmula de los datos de manera que fijen:
y = a + bx
Name
Constant
PCP
Coeff
0.37494
-0.00028
Rsq:0.06391
StErr
p-value
0.02990
0.00000
0.00013
0.04217
s: 0.07848
SS
6.50329
0.02649
RSS: 0.38802
De aqu tambin se nota que el valor de P para PCP es igual a 0.04217, menor a 0.05.
Por tanto, se puede rechazar la hiptesis nula de que el PCP no afecta el grosor de la
cscara de huevo de los pelcanos.
El anlisis de regresin requiere que se cumpla con las siguientes asunciones: 1) Que
la asociacin sea lineal; 2) que la variabilidad de los errores (en la variable outcome),
sea uniforme; 3) que los errores se distribuyan normalmente. Se puede comprobar las
asunciones examinando los residuales. Los residuales pueden ser graficados contra los
valores predichos dados por el modelo lineal. La Asumcin de normalidad se puede
evaluar haciendo K-S de una muestra.
II
6.9
9.0
6.6
8.1
9.3
9.2
8.6
III
4.9
5.5
4.6
4.5
IV
5.3
5.6
5.5
5.1
6.2
5.8
5.8
Y
5.9
6.8
6.4
7.0
6.6
7.7
7.2
6.9
6.9
9.0
6.6
8.1
9.3
9.2
8.6
En este caso, hemos escogido uno de los valores para que sea basal y para comparar
el otro contra el basal. La ecuacin fijada es entonces y = 6.744 + 1.498x indicando
que la variable outcome (porcentaje de plata), se incrementa 1.498 veces en la
segunda muestra comparada con la primera (este es el concepto clave, comparamos
contra el basal, ojo). Ahora, esta diferencia de 1.498 es la misma diferencia entre los
promedios de ambas muestras, 6.744 y 8.243 (con redondeos al tercer decimal). El
siguiente resultado se puede obtener de calcular la regresin en un paquete estadstico
comercial:
Linear regression analysis
Response: % plata
Column
0
1
df: 14
Name
Constant
Muestra
Coeff
6.744
1.498
Rsq: 0.479
StErr
0.276
0.418
s: 0.829
p-value
0.000
0.003
SS
876.160
8.841
RSS: 9.619
Nuevamente, este resultado tiene los valores del coeficiente, los errores estndar y los
valores de P. Ac lo importante es darse cuenta de que el valor de P es igual al
calculado por la prueba de t.
Determinantes multicategricos (k valores)
Estrictamente, las variables cuantitativas discretas (poco, mucho, bastante) son
inapropiadas para una regresin mltiple debido a que la regresin, para tener sentido,
y = a + bj x j
j =1
Name
Constant
II
III
IV
Coeff
6.744
1.498
-1.869
-1.130
Rsq: 0.774
StErr
0.231
0.349
0.416
0.349
S: 0.692
p-value
0.000
0.000
0.000
0.004
SS
1162.957
26.668
6.050
5.029
RSS: 11.015
Ahora bien, este resultado nos ofrece informacin acerca de la diferencia entre las
muestras II, III y IV y la muestra referencial Y. Como nos informa que hay al menos 3
diferencias, ya detect el mnimo necesario para no necesitar el anlisis de varianza.
Es ms nos ha provisto de informacin acerca de algunas de las diferencias entre
subgrupos. Es ms, si se quisiera investigar por ejemplo, si existen diferencias entre la
muestra II y la IV, solo escogemos una de ellas como valor referencial:
Linear regression analysis
Response: % plata
Column
0
2
3
4
df: 23
Name
Constant
I
II
III
Coeff
5.614
1.130
2.629
-0.739
Rsq: 0.774
StErr
0.262
0.349
0.370
0.434
S: 0.692
p-value
0.000
0.004
0.000
0.102
SS
1162.957
0.445
35.912
1.391
RSS: 11.015
Es importante saber la precisin de los valores que obtenemos en la regresin para los
coeficientes. Cuando los estimados no son correctos hay tres posibilidades de error:
Error de medida: muy pocas variables se pueden medir con una
precisin perfecta, especialmente en ciencias veterinarias.
Error de muestreo: En muchos casos, nuestros datos son slo una
muestra de una poblacin grande y por definicin una muestra no
necesariamente representa los valores de una poblacin.
Variacin no controlada: hay variables que pueden confundir las
relaciones entre variables porque no se les ha incluido o porque se las
incluy errneamente.
Para salirnos con la nuestra, hay que hacer algunas asunciones acerca de cmo operan
estas fuentes de error. Sin entrar en mayores detalles, la Asumcin bsica es que los
errores ocurren al azar de una manera no sistemtica. Los resultados representan por
tanto una variacin al azar de los estimados de nuestros coeficientes. Nosotros
evaluamos el grado y la importancia de la variacin al azar calculando intervalos de
confianza y empleando pruebas de hiptesis. Los intervalos de confianza nos dan un
rango posible de valores para los coeficientes. Aunque nunca podremos estar
completamente seguros que el valor del coeficiente est en el intervalo, al menos
conocemos la probabilidad que eso sea correcto, que es de 95% usualmente. Cada
programa e computadora que hace regresin mltiple calcula y reporta
automticamente el error estndar para cada coeficiente de la regresin. Lo nico que
hay que hacer por tanto es calcularlo como cualquier intervalo multiplicndolo por el
valor de z del 95% (1.96) y sumndolo y restndolo del valor calculado.
En las publicaciones cientficas es ms frecuente observar pruebas de hiptesis que
intervalos de confianza. Usualmente el tipo de pregunta que se pregunta es La
variable independiente realmente afecta la variable dependiente?. Si una variable no
la afecta, entonces su coeficiente verdadero es cero. Ahora bien, cuando uno calcula
una regresin mltiple, rara vez encuentra el valor cero, aunque se pueden encontrar
valores realmente pequeos. Coeficientes pequeos se pueden encontrar por las tres
razones que producen error descritas lneas arriba, an en el caso que el verdadero
coeficiente sea cero. Empero, la pregunta es cundo algo insignificante es realmente
no significativo o cun grande tiene que ser el coeficiente para concluir que es
diferente de cero?. Ese es el trabajo de la prueba de hiptesis, ofrecer informacin
acerca de la posibilidad que un coeficiente diferente de cero se deba al error al azar.
1+ e
( + i X i )
1+ e
( + i X i )
A partir de esa ecuacin se puede deducir que el odds para el grupo no expuesto va a
ser igual a e ( ) , esto es, cuando x = 0 . Si desarrollamos la ecuacin para x = 1 .
Entonces, el odds ratio va a ser igual a:
OR =
exp( a + b)
= exp( b)
exp( a )
exposicin
Cuidado Prenatal (das)
0 - 29
30+
Murieron
20
6
Sobrevivieron 373
316
A partir de ellos se realiz un anlisis de regresin logstica que dio los siguientes
resultados
Logistic Regression Analysis
Response: Died within one month
Col
Name
Coeff
St. Error P
- Odds
95% CI
value
0
Constant
-3.964
0.412
0.000
3
Less PNC
1.038
0.472
0.028
2.824
1.12
7.118
Df: 0 Dev:0 %(0):96.364 #Iter:9 Rsq:1
Los nmeros ms importantes son aquellos titulados Odds y 95% CI. Estos son los
estimados de Odds ratio y los lmites de confianza del 95% para el dicho valor de
Odds ratio. De hecho el Odds ratio (OR) y no el riesgo relativo (RR) es la nica
medida de asociacin que se puede estimar directamente de un modelo logstico sin
requerir mayores asumciones a despecho de si el diseo del estudio es seguimiento,
caso-control o transversal. Hay que notar que algunos paquetes estadsticos no
incluyen justo esa informacin. Sin embargo, hay que recordar siempre que el valor
de Odds no es sino el antilogaritmo (Exp) del valor del coeficiente. Asimismo, si al
coeficiente se le agrega el valor del Error Estndar multiplicado por el valor de z de
95% (1.96), tambin se puede reconstruir los intervalos de confianza. Esto, tal cual se
acostumbraba en Epidemiologa, cuando el objeto de buscar el odds ratio era
completar el anlisis de un estudio caso control. En realidad, este todava es el caso,
pero la regresin logstica lo hace ms sencillo. Es de gran utilidad examinar el valor
de P para la variable en estudio. Este valor se obtiene evaluando la hiptesis nula que
el odds ratio para esa variable es igual a 1. Como comentamos, los valores Coeff y
StError son los estimado para el parmetro b (el logaritmo natural del odds ratio y su
error estndar, respectivamente).
La fila de la tabla que comienza con 0 Constant nos ofrece el valor del parmetro a,
que est asociado a un error estndar y de P. Aparte de representar el valor de el odds
para el grupo no expuesto, este parmetro es solamente una constante normalizadora y
no tienen nada que ver con la interpretacin del odds ratio (fijarse en la diferencia
sutil, pero definitiva).
Los nmeros al final de la tabla tambin son de importancia. El primero, df, es el
nmero de grados de libertad que quedan en la tabla de datos luego de fijar el modelo
logstico, que en este caso es 0 porque es el valor que SIEMPRE da luego de fijar una
tabla 2 x 2 porque son dos colecciones de datos resultado de fijar dos categoras de
exposicin y son dos parmetros (a y b) que se estn fijando. El segundo nmero
(Dev), es la devianza, una medida del error luego de fijar el modelo (similar a la suma
cuadrado de residuales en una regresin lineal cualquiera). Nuevamente, esto tiene
que ser igual a 0 para una tabla 2 x 2 desde que el modelo es perfecto y no queda error
asociado a el. Por la misma razn, el valor al final Rsq (que significa coeficiente de
determinacin), es una medida de bondad de ajuste que cae entre 0 y 1 y que siempre
da 1 en una tabla 2 x 2. #iter es el nmero de interacciones que prob la computadora
hasta fijar el modelo.
El modelo logstico se puede utilizar para fijar datos de cualquier tabla de
contingencia 2 x 2, no importa que los datos provengan de un estudio transversal, caso
control o de cohortes. Ojo, si los datos son muy simples tampoco vale la pena andar
fijando un modelo de regresin logstica. Ms hay que pensar en el caso que queramos
evaluar a la vez varios factores, interacciones entre factores, combinacin de variables
cualitativas y binarias, inclusin de factores cuantitativos y as.
Otro ejemplo para demostrar el manejo de covariantes. Es el caso que los resultados
del ejercicio anterior haban sido consolidados de dos clnicas, veamos que pasaba
cuando analizamos las dos por separado:
Resultado
Final
CLINICA A
Murieron
Sobrevivieron
Exposicin
Cuidado Prenatal (das)
0 - 29
30+
3
4
176
293
Resultado
Final
CLINICA B
Murieron
Sobrevivieron
Exposicin
Cuidado Prenatal (das)
0 - 29
30+
17
2
197
23
Entonces nuestros datos hay que arreglarlos para ingresarlos al paquete estadstico
ms o menos como sigue:
Muertos
Total
CPN
CLINICA
3
179
1
1
4
297
0
1
17
214
1
0
2
25
0
0
Luego de fijar el modelo, tenemos el siguiente resultado:
Logistic Regression Analysis
Response: Died within one month
Col
Name
Coeff
St. Error P
- Odds
95% CI
value
0
Constant
-2.549
0.561
0.000
3
Less PNC
0.110
0.561
0.844
1.117
0.372
4
Clinic A
-1.699
0.531
0.001
0.183
0.065
Df: 1
3.353
0.517
Dev:0.043
La lnea al final del resultado demuestra que hay 1 grado de libertad, resultado de fijar
un modelo de tres parmetros con cuatro observaciones. La devianza ofrece una
medida de que tan bien el modelo logstico fija los datos. El valor de p para esta
bondad de ajuste esta dado por el rea fuera del lmite de una distribucin Chi
cuadrada con los grados de libertad del modelo. En el presente caso, una devianza de
0.043 tiene una probabilidad de 0.84 de manera que el ajuste es adecuado. El Rsq
tambin demuestra que el ajuste es adecuado.
En realidad, la regresin logstica implica, hasta cierto punto, una bsqueda del
modelo que mejor explica nuestros datos. Ya hemos revisado cmo saber si el modelo
es bueno o no, pero hay que estar prevenidos de pruebas que se emplean para evaluar
cambios graduales al modelo durante la bsqueda del modelo ideal. Los estadsticos
han demostrado que la diferencia entre el valor obtenido para el logaritmo de
probabilidad del modelo (log likelihood statistics) entre dos modelos dados, sigue una
distribucin de X2 en muestras grandes. Los grados de libertad para esta prueba de X2
son iguales a las diferencias entre los grados de libertad de los modelos que se estn
comparando.
Ms ejemplos
La siguiente tabla presenta los valores obtenidos en una regresin logstica que
emple datos de un experimento dirigido a evaluar el efecto de la presin sistlica en
el evento infarto cardiaco.
Variable
Intercepto
Sexo (Masc = 1; Fem = 0)
Fumador (si = 1; o no = 0)
Edad (aos) *
Presin sistlica
Colesterol srico
ndice de masa corporal
coeficiente
-8.9502
1.3075
0.7413
0.0114
0.0167
0.0074
0.0240
Odds Ratio
3.70
2.10
1.011
1.017
1.007
1.024
*: de 45 a 65 aos
Otro ejemplo en el mismo sentido, categorizando variables para un estudio de infarto
cardiaco:
Variable
Intercepto
Sexo (Masc = 1; Fem = 0)
Fumador (si = 1; o no = 0)
Mayor a 55 aos (si = 1; o no = 0)
hipertensin (si = 1; o no = 0)
Hipercolesterolemia (si = 1; o no = 0)
Obesidad (si = 1; o no = 0)
coeficiente
-4.567
1.3106
0.7030
0.1444
0.5103
0.4916
0.1916
Odds Ratio
3.71
1.02
1.16
1.67
1.63
1.21
coeficiente
0.7747
0.8459
0.6931
0.0296
0.0198
Odds Ratio
2.17 (1.31 3.58)
2.33 (1.19 4.57)
2.00 (1.13 3.54)
1.03 (0.99-1.06)
1.02 (0.97 1.08)
j =1
= exp a + b j x j
Donde es la densidad de incidencia y a y bj (j = 1, 2,, p) son los parmetros que se
estn evaluando en el modelo. Los datos son similares a los de una regresin logstica,
con las personas tiempo reemplazando los totales en cada registro. Para ilustrar este
anlisis estudiemos el siguiente ejemplo:
En este caso, se encontr que 14 y 5 muertes de pacientes con cncer a la vejiga se
registraron en grupos de pacientes expuestos o no a contaminantes industriales,
basados en estadsticas vitales de 5.5y 7.3 respectivamente. Se registraron los
siguientes datos:
Casos
14
5
Exposicin
5.5
7.3
Cdigo de exposicin
1
0
Name
Constant
Exposed
10.282
Predictor
variables
Constant
Treatment
Pair 1
Pair 2
Pair 3
Coefficient
-6.07016
-0.49225
-0.84032
-0.03337
-0.44072
Deviance
p-value
Standard
error
0.24205
023990
0.45426
0.29306
0.29804
Incidence Density
Ratio
0.0000
0.0402
0.0643
0.9093
0.1392
0.611
0.432
0.967
0.644
6.28
0.0987
h(t ) =
El peligro es una tasa que tambin se mide en unidades de tiempo-1. La tasa de peligro
es un concepto de gran utilidad para cualquiera que trate de entender algunos de los
procedimientos estadsticos empleados en el anlisis de supervivencia,
particularmente, la metodologa conocida como modelo de regresin de peligros
proporcionales. A pesar de su importancia, la tasa de peligro no se puede obtener
directamente de estudios epidemiolgicos. Empero su interpretacin est relacionada
a la probabilidad condicional de ocurrencia de un evento que se calcula para cada
tiempo empleando Kaplan-Meier.
El modelo proporcional de Cox es un modelo matemtico muy popular empleado para
analizar datos de supervivencia. Vamos a tocar este tema haciendo hincapi en la
lectura de la regresin, su interpretacin y su uso. Para presentar el modelo, vamos a
emplear datos de remisin de leucemia que considera dos grupos de tratamiento y en
los que se desea descartar el efecto potencialmente confundente del recuento total de
leucocitos, manejados como el logaritmo neperiano del recuento de clulas blancas
(Tabla 8). El modelo de Cox se basa en que el peligro en el tiempo t es el producto de
dos cantidades. La primera es la funcin de peligro basal h0 (t ) . La segunda cantidad
es la expresin exponencial e elevado a la suma lineal de i X i , donde la suma se da
para las p variables independientes. Un rasgo muy importante de la frmula concierne
a la asumcin de proporcionalidad de peligros (PH), que seala que el peligro basal es
una funcin de t, pero no involucra a las variables independientes (X), mientras que la
expresin exponencial involucra a las variables independientes (X), pero no involucra
a t. De ah que a las variables X se les llame variables X independientes de tiempo. En
este caso, nos valdremos de un ejemplo para documentar el uso y la interpretacin de
la regresin de Cox o modelo de regresin de peligro proporcional. Se trata de datos
de remisin de leucosis luego de dos terapias, (1 y 2), cuando sospechamos que el
recuento leucocitario (WBC) est relacionado a la remisin y podra ser una variable
potencialmente confundente. El recuento leucocitario se trabajar empleando el
logaritmo del recuento log WBC. Los datos se presentan a continuacin en la Tabla 8.
Tratamiento 1
Tratamiento 2
Semanas
Log WBC
Semanas
Log WBC
2.31
2.80
4.06
5.00
3.28
4.91
4.43
4.48
10
2.96
4.01
13
2.88
4.36
16
3.60
2.42
22
2.32
3.49
23
2.57
3.97
6+
3.20
3.52
9+
2.80
3.05
10+
2.70
2.32
11+
2.60
3.26
17+
2.16
11
3.49
19+
2.05
11
2.12
20+
2.01
12
1.50
25+
1.78
12
3.06
32+
2.20
15
2.30
32+
2.53
17
2.95
34+
1.47
22
2.73
35+
1.45
23
1.97
Para este ejemplo, la pregunta bsica es si los tratamientos tienen tiempos al evento
remisin iguales o diferentes descontando el efecto potencialmente confundente del
recuento de clulas blancas. Estamos entonces, frente a dos variables predictoras y la
variable tiempo a un evento (en semanas). Lo que haremos para explicar la regresin
de Cox es proceder a la regresin considerando el efecto del tratamiento solamente y
luego, el efecto del tratamiento ajustado por el logaritmo del recuento de clulas
blancas. Finalmente, presentaremos los datos obtenidos al efectuar la regresin
incluyendo la interaccin entre ambas variables predictoras, tratamiento y logaritmo
neperiano del recuento de clulas blancas. En este caso, se ha buscado la ecuacin que
mejor explique los datos ingresando las variables una por una, primero el modelo
solamente con el tratamiento (Rx), despus el tratamiento ms el logaritmo del
recuento leucocitario (log WBC) y finalmente, se ha incluido la interaccin entre el
tratamiento y el recuento leucocitario. Vale la pena recordar que para obtener los
valores de la variable de interaccin (Rx x Log WBC) lo que se hace es multiplicar los
valores de las dos variables (caso por caso). La Tabla 9 presenta los resultados tal y
como salen de efectuar la regresin con un paquete estadstico. Los paquetes suelen
ofrecer algunas diferencias en cuanto a la informacin que presentan, pero todos
ofrecen al menos el valor del coeficiente y el error estndar. El resto de columnas, de
no estar, se pueden calcular directamente.
Tabla 9. Resultados de regresin de Cox
Modelo 1
Columna
Rx
Coeff
StErr
p-value
HR
0.95
CI
P(PH)
1.509
0.410
0.000
4.523
2.027
10.094
0.794
n: 42
%Cen: 28.571
-2 log L: 172.759
Coeff
StErr
p-value
HR
0.95
CI
P(PH)
Rx
1.294
0.422
0.002
3.648
1.505
8.343
0.944
Log WBC
1.604
0.329
0.000
4.975
2.609
9.486
0.917
CI
P(PH)
Modelo 2
Columna
n: 42
%Cen: 28.571
-2 log L: 144.559
Coeff
StErr
p-value
HR
Rx
2.355
1.681
0.161
10.537 0.391
284.200 0.628
Log WBC
1.803
0.447
0.000
6.6067 2.528
14.561
0.996
Rx x log WBC
-0.342
0.520
0.510
0.710
1.967
0.410
Modelo 3
Columna
n: 42
%Cen: 28.571
0.95
0.256
-2 log L: 144.131
Para poder leer bien los resultados, describamos primero qu denotan las columnas.
La primera columna seala el nombre de las variables que se han ingresado al modelo.
La segunda columna (Coeff) nos ofrece los coeficientes, en el caso del modelo de
peligro proporcional de Cox, nos da el logaritmo neperiano de la tasa de peligro. La
tercera columna nos da el error estndar del coeficiente, la columna p-value nos da la
significancia de cada coeficiente, la columna HR nos da la tasa de peligro (hazard
ratio) que, como su nombre lo indica, nos da el peligro (en trminos relativos), de la
variable en cuestin en relacin con el peligro basal. Las siguientes columnas sealan
los intervalos de confianza del 95% de la tasa de peligro (HR) y el valor de P (PH),
evala la asumcin de proporcionalidad de peligros necesarios para efectuar la
prueba.
Hay varias maneras de verificar que el ajuste es adecuado. Entre otras, ver si el valor
de significancia de la variable en cuestin es significativa o no. La segunda, el valor
de la columna P (PH), que nos indica el valor de bondad de ajuste de los datos
observados versus los esperados. En este caso, hay que verificar que el valor de la
columna y ver que sea mayor a 0.05. Otra manera es verificar los valores de 2 log L
de los modelos que se est afinando. La diferencia entre los valores de 2 log L siguen
una distribucin Chi cuadrado con un grado de libertad. Si la diferencia entre los
modelos es estadsticamente significativa, podemos concluir que la inclusin de la
variable en cuestin lo ha mejorado. Caso contrario, podemos descartar la variable del
Lab Med Prev Vet, Pgina 128
Mortalidad
La muerte prematura de los animales es un resultado obvio de la enfermedad y
tiene un efecto pronunciado en la productividad de las poblaciones animales. En la
agricultura intensiva, los costos de mortalidad son mayores cuando hablamos de
animales de alto valor gentico, que mueren durante sus aos pico de reproduccin.
El costo de la muerte de animales de mayor edad ha recibido menor preocupacin;
esto es particularmente cierto en el caso de los animales domsticos desde que la
mayora de ellos son sacrificados para dar mas espacio a los animales jvenes ms
productivos mucho antes de que lleguen a la edad equivalente a la vejez humana. En
muchos pases del tercer mundo donde los animales son utilizados para transporte y
fuerza en la agricultura as como para alimento, la mortalidad puede tener efectos
devastadores tanto para familias individuales como para pases enteros En
Norteamrica, los productores han tolerado durante aos prdidas considerables en
animales jvenes, a pesar de ello, se espera que las prdidas en muerte neonatal se
reduzcan si es que una profilaxis (biolgica y econmica) ms efectiva se tuviera
disponible. El mencionarle al productor la magnitud de las prdidas econmicas
causadas por la mortalidad puede constituir suficiente incentivo como para que ste
instaure de una forma ms rigurosa, procedimientos efectivos para reducir la
mortalidad.
Sacrificio
Se trata del sacrificio deliberado de animales infectados, potencialmente
infectados o que estuvieron en contacto con la intencin de detener la enfermedad y
prevenir su diseminacin a la poblacin sana. Esto puede realizarse de forma selectiva
Lab Med Prev Vet, Pgina 134
(en base a un animal individual) o por eliminacin completa de la poblacin (en base
a un rebao /hato o a un rea definida). La actividad directa conocida como matanza
selectiva se ha utilizado en varias campaas contra enfermedades animales. Esto
involucra un mtodo de hallazgo de casos, usualmente por medio de una prueba de
tamizado inmunolgico, y luego la matanza de los animales que resulten positivos a la
prueba, esto juega un rol importante en la efectividad del mtodo, y debe haber una
necesidad de revaluar la eficacia (por ejemplo, sensibilidad y especificidad) de la
prueba, mientras la prevalencia de la enfermedad cambia.
La matanza selectiva puede ser usada durante los primeros esfuerzos de control,
particularmente si el agente se disemina de forma lenta. La matanza selectiva se us
extensivamente en las fases iniciales de muchos programas de erradicacin de
brucelosis. Es menos perjudicial que la eliminacin general no-selectiva,
particularmente si la enfermedad es razonablemente comn. La eliminacin general es
una situacin extrema, en la cual la poblacin completa, incluyendo a los individuos
no infectados as como a los infectados es sacrificada. Esto puede ser aplicado a los
reservorios silvestres as como a las especies domsticos. Todos los cerdos fueron
sacrificados durante los intentos de erradicacin de la Fiebre Porcina Africana en la
Repblica Dominicana. La eliminacin general tiende a ser preferida a la matanza
selectiva si el agente infeccioso es extico en el rea o se disemina rpidamente, as
como en los estados terminales de los esquemas de erradicacin. En Norte Amrica,
la eliminacin general es utilizada a menudo cuando se encuentra que un rebao est
infectado con tuberculosis bovina. En esta situacin, es ms importante que el
programa de investigacin pueda identificar a los rebaos infectados, siendo el nivel
actual de enfermedad en el rebao de menor importancia.
Cuarentena
La cuarentena implica separacin fsica forzosa de la poblacin saludable de los
individuos infectados o potencialmente infectados, sus productos o artculos
posiblemente contaminados. Tales medidas pueden ser aplicadas a nivel nacional,
regional o a nivel del rebao y pueden ser voluntarias o requeridas por la legislacin.
Por ejemplo, el ganado bovino importado usualmente se ponen en cuarentena por un
perodo definido (usualmente el perodo de incubacin mximo) antes de ser
transferidos al comprador, para asegurar (mediante monitoreo clnico y/o serolgico)
que no se encuentren infectados con agentes indeseables como el virus de la fiebre
aftosa. De una forma similar, los perros son usualmente puestos en cuarentena por un
perodo determinado para asegurar que estn libres de rabia, antes de ser admitidos a
pases libres de rabia.
Utilizacin de Qumicos
Los qumicos pueden ser utilizados para reducir la transmisin de enfermedades en
varias maneras. Los desinfectantes pueden usarse para disminuir el riesgo de
transmisin de agentes infecciosos (por ejemplo, el uso de formaldehdo entre las
bandejas de huevos en las nacedoras, o el uso de cal como desinfectante despus de la
remocin del ganado bovino infectado con Brucella). Los pesticidas pueden ser
utilizados para reducir o eliminar la poblaciones de vectores (por ejemplo luego de la
aparicin de poblaciones de mosquitos o de la ocurrencia de encefalitis equina en
caballos) y como una ayuda en el control de las enfermedades. Un primer ejemplo del
uso exitoso de qumicos fue la utilizacin de baos de arsnico en el sur de los
Estados Unidos durante los aos 1800s para liberar al ganado bovino del vector
(garrapata) de la piroplasmosis bovina. Como se menciono previamente, esto permiti
el control de la enfermedad an antes de que el agente (Babesia bigemina) fuera
identificado. Hoy en da, los antibiticos son utilizados a menudo como profilaxis o
para tratamientos masivos (por ejemplo, las sulfonamidas en el agua de bebida para el
control de la coccidiosis en aves). Otras aplicaciones del tratamiento masivo son el
uso de selladores de pezones y el secado de vacas para el control de la mastitis bovina.
Los qumicos (como los que se utilizan en el secado de las vacas) pueden ser tambin
utilizados en forma selectiva, luego de realizar un cultivo de cada vaca, o a nivel de
hato. En general, debido a la resistencia por parte del vector y/o el agente, y debido a
los problemas relacionados a los residuos de drogas y otros peligros directos para la
salud de las personas que manejan estos qumicos, es ms importante enfocarnos en la
aplicacin segura de los qumicos, y se espera reducir la dependencia que existe de
ellos. El anlisis de decisiones y otras herramientas economtricas pueden ser
extremadamente tiles en la seleccin del tiempo y lugar ptimo para la utilizacin de
los qumicos. Por ejemplo, el aplicar una terapia antibitica masiva slo en grupos de
ganado que sufran brotes de enfermedad (como la meningoencefalitis
tromboemblica) en lugar de una aplicacin no selectiva de terapia para todos los
grupos del ganado. Estudios formales de la utilizacin total de antibiticos y la
productividad resultante de los animales con programas profilcticos masivos versus
los programas teraputicos selectivos proveeran de informacin til en este tema.
Educacin
Programas de educacin para el pblico deben ser una parte integral de los sistemas
de control y erradicacin de enfermedades. Desafortunadamente esto a menudo es
sobre estimado o se le da una importancia secundaria relativa a otras medidas mucho
ms directas o dramticas como la vacunacin masiva. En la medicina veterinaria
hay muchos ejemplos clsicos en los que programas educacionales han sido parte
integral del programa de control, como la campaa para controlar la enfermedad
hidatdica en Nueva Zelanda y Chipre, y en los recientes esfuerzos en contra de la
fiebre porcina africana en el Caribe.
Relacionado a este aspecto se encuentra tambin la necesidad de los veterinarios en
educarse en los diferentes aspectos sociales en los que su profesin tiene un impacto.
Esto incluye el lazo humano-animal, el como ven los granjeros a los servicios
veterinarios, y como los productores lecheros se ven a s mismos. Dicho
entendimiento debera mejorar grandemente la efectividad del servicio veterinario.
Control Biolgico
Este mtodo de control utiliza cosas vivas que el ser humano razonablemente
considera que no son perjudiciales para sus propsitos de controlar otras cosas vivas
que son consideradas peligrosas. Tales medidas pueden estar dirigidas directamente a
los agentes causantes de enfermedades, o indirectamente por medio del control de
vectores o poblaciones reservorio. Un ejemplo del uso de estos mtodos, el control de
conejos en Australia utilizando el virus de la mixomatosis. Otro ejemplo involucra el
uso de moscas mach estriles para controlar la enfermedad del gusano tornillo en
ganado bovino en el sur de los Estados Unidos. Las moscas macho son reproducidas
en gran cantidad en cautiverio, esterilizadas por radiacin, y luego son liberadas. El
objetivo es interferir con el ciclo reproductivo de la mosca. Desde que las hembras se
cruzan solamente una vez, el cruzarse con un macho estril conlleva a que no se
produzca descendencia y a una reduccin consecuente del nmero de moscas adultas.
Programas similares se estn conduciendo ahora en contra de los vectores de la
tripanosomiasis en frica.
Reclutamiento
16
24
32
40
CURVA DE SUPERVIVENCIA
El mtodo de Kaplan-Meier es similar al anlisis actuarial excepto para el tiempo de
observacin, que no se divide en intervalos para el anlisis. Este hecho lo hace
particularmente til cuando se trata de un nmero pequeo de individuos. El mtodo
de producto lmite de Kaplan-Meier involucra menos clculos que el mtodo
actuarial, en principio porque la supervivencia se calcula cada vez que un individuo
manifiesta el evento en estudio, de manera que los drop outs se ignoran. La curva de
supervivencia se define como la proporcin de individuos que sobreviven ms all de
un tiempo de duracin dado t. Para una poblacin grande, esta curva es una funcin de
t que decrece de manera continua de un mximo de 1 cuando t es igual a 0. En la
prctica, esta funcin de supervivencia decrece discretamente cada vez que se registra
un evento. La construccin grfica de una curva de supervivencia es directa y no es
ms complicad que graficar la distribucin emprica a partir de una muestra ordinaria
de datos. Para el caso, consideremos los datos de la figura 1.
Primero hay que imaginar que todos los individuos han entrado al estudio al mismo
tiempo, esto significa mover las observaciones de manera que todas inicien en un
tiempo terico 0. El nmero de individuos en riesgo para cualquier tiempo t se define
como el nmero de supervivientes que queden a la duracin de t. En nuestro ejemplo,
el nmero en riesgo es igual a 7 cuando t es 6 semanas o menos, 6 para el rango de t
entre 7 a 10 semanas, luego del cual baja a 4 desde que dos tiempos de supervivencia
se acaban (uno por censura y el otro por evento).
El paso final para construir la curva de supervivencia involucra hacer una tabla en la
que cada fila va a corresponder a un tiempo de falla (ojo con la definicin de tiempo
de falla). La tabla debe contener columnas que denoten:
Tiempo de falla (t)
Nmero de fallas hasta ese tiempo t (Ft).
1. Nmero de sujetos que permanecen en riesgo hasta el tiempo t (Rt).
2. Proporcin de supervivientes al tiempo t ( 1
Ft
Rt ).
Ft
Rt
Ft
St
Rt
10
0.833
0.833
16
0.75
0.625
23
0.667
0.416
SE ( S t ) = S t
Ft
Rt ( Rt Ft )
V8 =
SD(V ) =
V
SD(V )
n1n2 d 2
(n1 + n2 )(n1 + n2 1)
Los datos que hemos estado siguiendo en esta clase vienen de un estudio ms
complejo sobre el estudio de un nuevo tratamiento, con grupos tratados y control.
Consideremos el estudio completo para graficar los mtodos de comparacin de
curvas de supervivencia.
Tabla 2. Tiempos de remisin de pacientes con leucemia
Grupo Tratamiento
Grupo control
z 2 p(1 p )
d2
log(1 confianza )
log(1 p )
Donde n es el tamao muestral mnimo para obtener al menos un positivo 95% de las
veces (confianza) de ser el caso que la condicin estuviera presente con al menos la
prevalencia lmite. En este caso, la confianza denota la probabilidad de estar en lo
cierto y p a la prevalencia lmite. Esta frmula se puede despejar a partir de la
probabilidad de que al menos un individuo sea positivo si existe al menos una
prevalencia lmite. En realidad, la probabilidad de tener una cantidad n nmero de
sucesos en N eventos cuando existe una probabilidad p de xitos y q, o sea (1-p) de
fracasos es igual a (distribucin binomial):
p=
N!
p n q ( N n )
n!( N n )!
p=
N!
p 0 q ( N 0 )
0!( N 0)!
N!
p = 1
p 0 q ( N 0 )
0!( N 0)!
Aproximacin X2
La tabla de contingencia 2 x 2 de X2 se puede utilizar en lugar de la prueba de Fisher
siempre y cuando hayan ms de 15 pacientes en todas las celdillas de la tabla de
contingencia. La siguiente frmula se puede emplear para el tamao muestral en los
grupos de tratamiento si la tasa esperada de eventos en ambos grupos de tratamiento
se encuentre entre 0.2 y 0.8:
Mismo nmero de animales por grupo ( = 1)
nc
(Z
=
PQ + Z Pc Qc + Pt Qt
2A
nt = nc
N = ( r + 1) nc
nc
(Z
=
PQ ( + 1) + Z Pc Qc + Pt Qt
2A
nt = nc
N = rnt + nc
Donde:
nt
Es la tasa de individuos tratados sobre controles.
nc
Pc + Pt
1+
Q = 1 P
A = Pc Pt
nc =
(Z
+ Z
2 sen 1 Pc sen 1 Pt
nt = nc
N = ( r + 1) nc
nc =
(Z
+ Z
( + 1)
4 sen 1 Pc sen 1 Pt
nt = nc
N = rnt + nc
Aproximacin de Poisson
La aproximacin de Poisson se puede emplear para casos en los que se tenga
proporciones que caen bajo el lmite de 0.05, siempre y cuando nc Pc y nt Pt sean
ambos iguales o mayores a 10. La misma aproximacin se puede emplear para
proporciones arriba del rango superior haciendo la transformacin para los eventos
complementarios utilizando 1 - Pc y 1 - Pt respectivamente.
Mismo nmero de animales por grupo ( = 1)
nc
(Z
=
+ Z
(P
) (P + P )
2
Pt )
nt = nc
N = ( r + 1) nc
Lab Med Prev Vet, Pgina 149
(Z
=
) ( P + P )
2
+ Z
(P
Pt )
nt = nc
N = rnt + nc
nc =
2 Z + Z 2
t )
nt = nc
N = ( r + 1) nc
2 Z + Z 2 ( + 1)
t )
nt = nc
N = rnt + nc
Donde:
c es el promedio para los pacientes sin tratamiento.
t es el promedio para los pacientes con tratamiento.
2 es la varianza para todos los pacientes.
nc =
2 Z + Z d2
dc
dt )
nt = nc
N = ( r + 1) nc
nc =
2 Z + Z d2 ( + 1)
dc
dt )
nt = nc
N = rnt + nc
Donde:
d2 = 2(1 ) 2
2 varianza esperada en un mismo individuo (basal o seguimiento).
es el coeficiente de correlacin entre las medidas basales y de seguimiento para un
mismo individuo.
FRMULAS DE PODER
Aproximacin X2
Mismo nmero de animales por grupo ( = 1)
Poder = 1 ( A )
Donde:
Z
A=
2 PQ
Pc Pt
nc
Pc Qc + Pt Qt
nc
Poder = 1 ( A )
Donde:
Z
A=
PQ PQ
+
Pc Pt
nc
nt
Pc Qc Pt Qt
+
nc
nt
Poder = 1 ( A )
Donde:
A = Z
2 sin 1 Pc sin 1 Pt
2
nc
Poder = 1 ( A )
Donde:
A = Z
2 sin 1 Pc sin 1 Pt
1
1
+
nc nt
Aproximacin de Poisson
Mismo nmero de animales por grupo ( = 1)
Poder = 1 ( A )
Donde:
Pc Pt
A = Z
Pc + Pt
nc
Poder = 1 ( A )
Donde:
Pc Pt
A = Z
Pc + Pt
nc
Poder = 1 ( A )
Donde:
A = Z
c t
2 2
nc
c t
(n
+ nc ) 2
nt n c
dc dt
2 d2
nc
dc dt
(n
+ nc ) d2
nt n c