Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Sistemas de información de medicamentos conceptos y principios epidemiológicos

2,317 views

Published on

  • Login to see the comments

Sistemas de información de medicamentos conceptos y principios epidemiológicos

  1. 1. Dr. José J. HernándezCentro de Información de Medicamentos e Investigación Escuela de Farmacia Universidad de Puerto Rico JJH_UASLP_2011 1
  2. 2. Epidemiologia Definición: Estudio de la distribución y determinantes  de enfermedad, lesión, o cualquier otro asunto  relacionado a la salud en poblaciones de humanos Componentes de la epidemiologia: Epidemiologia descriptiva Epidemiologia analítica JJH_UASLP_2011 2
  3. 3. Epidemiologia Descriptiva Identifica  y reporta el patrón y la frecuencia de eventos  relacionados a la salud en una población Ayuda en la generación de hipótesis Ayuda en la localización de recursos Ayuda en la planificación y evaluación de programas de  salud  Analítica Se centra en la búsqueda de los determinantes de  eventos relacionados a la salud en una población  JJH_UASLP_2011 3
  4. 4. Ciclo de análisis epidemiológicos Formulación  Estudios  de hipótesis y  descriptivos estructura de  modelos Formulación  Estudios  de nuevas  analíticos  hipótesis o  para  nuevos  corroborar  estudios  hipótesis descriptivos Análisis de  resultados  JJH_UASLP_2011 4
  5. 5. Epidemiologia descriptiva Caracteriza la distribución de eventos relacionados a la  salud a nivel de: Persona (edad, raza, educación, etc.) Lugar (localización geográfica, características de la  geografía, densidad poblacional) Tiempo (1900 versus 2000 / mañana versus noche)    JJH_UASLP_2011 5
  6. 6. Epidemiologia descriptiva• Ejemplo 1‐ Reporte: • 200 casos de dengue en Puerto Rico en 2007 • 70 casos de dengue en Guadalupe en 2007• Ejemplo 2‐ Comparación: • En cual de los dos países el problema es mayor? • Puerto Rico • Guadalupe   JJH_UASLP_2011 6
  7. 7. Epidemiologia descriptiva • Población en PR n=400,000 • 200 casos de dengue en PR en 2007 • Prevalencia de dengue en PR = 200/400000 = 0.5 casos  por cada 1,000 puertorriqueños • Población en Guadalupe n=70,000 • 70 casos de dengue en Guadalupe en 2007 • Prevalencia de dengue en Guadalupe = 70/70000 = 1  caso por cada 1,000 guadalupeños JJH_UASLP_2011 7
  8. 8. Definiciones importantes Caso Ratio Proporción Rate Prevalencia Incidencia JJH_UASLP_2011 8
  9. 9. Caso Es como definimos lo que buscamos medir Se puede medir por medio de: Sistemas de vigilancia Encuestas estructuradas Base de datos La definición de casos es esencial Ejemplo: ADRs por medio de reportes médicos,  encuestas a pacientes, análisis de sangre, etc. JJH_UASLP_2011 9
  10. 10. Ratio, proporciones y rates Ratio‐ División de cualquier numero entre otro  numero Proporción‐ Es un ratio en donde los componentes del  numerador están incluidos en el denominador   Rate‐ Es un ratio en donde los componentes del  numerador están incluidos en el denominador, y los  componentes del denominador estan a riesgo de entrar  al numerador JJH_UASLP_2011 10
  11. 11. Prevalencia  Prevalencia mide la proporción de individuos en la  población que tienen la variable de interés en un  tiempo definido Ejemplo: Personas de la clase farmacia 2014en el RCM que han tomando  APAP 500mg durante el mes de septiembre de 2008 JJH_UASLP_2011 11
  12. 12. Incidencia  Incidencia mide numero de casos nuevos en una  población a riesgo durante un tiempo definido Tipos de incidencia: Cumulative incidence # de nuevos usuarios de ASA en PR durante 2007 # de IDs que no usan ASA en PR a principios de 2007 Incidence density # de nuevos usuarios de ASA en PR durante 2007 # de “person‐time” a riesgo de tomar ASA durante 2007 JJH_UASLP_2011 12
  13. 13. Cumulative incidence and incidence density Cuando son similares el “cumulative incidence” y el  “incidence density”? La incidencia es baja Periodo de observación es corto Como se relacionan la prevalencia y la incidencia: Prevalence = Incidencia  x  Duracion JJH_UASLP_2011 13
  14. 14. JJH_UASLP_2011 14
  15. 15. Comparación de la incidencia de CHF entre individuos diabéticos que usan o  no usan insulina RESULTADO (CHF) + -- EXPOSICION (INSULIN) 88 68 + 62 82 -- JJH_UASLP_2011 15
  16. 16. Diferencia en Riesgo RESULTADO (CHF) + -- EXPOSICION (INSULIN) 88 68 + 62 82 -- Incidencia de CHF entre los usuarios de insulina = 88 / 156 = 0.56 Incidencia de CHF entre los no-usuarios de insulina = 62 / 144 = 0.43Diferencia en riesgo= Exceso de riesgo entre un grupo expuesto y uno no expuesto Diferencia en riesgo = 0.56 – 0.43 = 0.13 JJH_UASLP_2011 16
  17. 17. ¿El uso de Insulina en Pacientes Diabéticos esta asociado a   un Aumento en el Riesgo de Desarrollar CHF? RESULTADO (CHF) + -- EXPOSICION 88 68 (INSULIN) + 62 82 -- Riesgo Relativo (no-ajustado) = 1.30 JJH_UASLP_2011 17
  18. 18. Riesgo Relativo (RR) RESULTADO + -- EXPOSICION A B A / A+B + = RR C D C / C+D -- En estudios prospectivos, ya sean  estudios RCT o cohortes  se debe usar   riesgo relativo como medida de  asociación  JJH_UASLP_2011 18
  19. 19. Odds Ratio (OR)  RESULTADO CHF + -- + --EXPOSICION A B 88 68 INSULINA + + C D 62 82 -- A/C   / B/D -- OR =  1.71 A*D   / B*C = OR En estudios caso‐control utilice  el “odds ratio” JJH_UASLP_2011 19
  20. 20. ¿Cuando el RR y el OR son similares? Cuando el resultado que se mide es poco común, ya que  A y C son pequeñas  relativo a D y B. RR= (A / (A+B)) / (C / (C+D)) En condiciones raras la ecuación para calcular RR se  reduce a RR = (A / B) / (C / D) o (A * D) / (B * C) Esta formula es idéntica a la formula de los OR Entonces cuando se estudian condiciones raras el OR es  una buena aproximación del RR JJH_UASLP_2011 20
  21. 21. JJH_UASLP_2011 21
  22. 22. Características de Enfermedades que  Ameritan Pruebas de CernimientoFase asintomáticaAltamente prevalenteAlta severidadTratamiento para fase inicial disponible JJH_UASLP_2011 22
  23. 23. Medidas Utilizadas para Describir  Pruebas de CernimientoSensibilidad Validez de la pruebaEspecificidadValor predictivo positivo Inferencias sobre la pruebaValor predictivo negativo JJH_UASLP_2011 23
  24. 24. Cálculos   ESTADO REAL ENFERMEDAD NO ENFERMEDAD +PRUEBA A B A + B ‐ C D C + D A + C B + DA/(A+B) = VPP A/(A+C)=SensibilidadD/(C+D) = VPN D/(D+B)=Especificidad JJH_UASLP_2011 24
  25. 25. JJH_UASLP_2011 25
  26. 26. Outline Why we perform epidemiologic studies? Association versus causation Bias Confounding Random Error Validity Conclusion JJH_UASLP_2011 26
  27. 27. Types of error Types of measurement errors in scientific studies: Systematic error: Bias Selection bias Information bias Confounding Third variable Non‐systematic error: Random error Measurement Sampling JJH_UASLP_2011 27
  28. 28. Deriving Inferences from Epidemiologic Studies Coffee         Pancreatic Cancer Clinical Observations Available Data Case-control studies Cohort Studies Randomized Trials Estimate odds ratio  or relative risk RR = 3.0 p < 0.05 JJH_UASLP_2011 28
  29. 29. Guidelines for judging whether and association is causal1. Temporal relationship2. Strength of the association3. Dose‐response relationship4. Replication of the findings5. Biological Plausibility6. Consideration of alternative explanations7. Cessation of exposure8. Specificity of the association9. Consistency with other knowledge JJH_UASLP_2011 29
  30. 30. Bias “Bias is a systematic error in the design, conduct or  analysis of a study that results in a mistaken estimate  of an exposure’s effect on the risk of disease” J.J. Schlesselman‐1982 JJH_UASLP_2011 30
  31. 31. Types of Bias Selection Bias A higher or lower rate of the outcome is observed in the  exposure group because of the selection method Information bias A higher or lower rate of the outcome is observed in the  exposure group because of an inadequate way of  obtaining information about the subjects JJH_UASLP_2011 31
  32. 32. Selection BiasHRT        ↓CHD CHD CHD CHDHRT‐Yes HRT 40 60 100 No CHD HRT 70 30 100 110 90 200 RR = 0.57 CHDHRT‐No P < 0.05 No CHD JJH_UASLP_2011 32
  33. 33. Selection bias• Healthy‐user bias occurs when individuals who  choose to use a treatment are healthier, more  affluent and better educated than those who  choose not to use the treatment• Prevalent user bias occurs if the risk of events   change as function of time, and the investigator  does not take into account time of exposure JJH_UASLP_2011 33
  34. 34. Information BiasDrug A          Teratogenic effect Drug A D D Baby with malformationE 15 30 45 No Drug AĒ 5 30 35 20 60 80 Drug A Baby with no OR = 3.0 malformation No Drug A P < 0.05 JJH_UASLP_2011 34
  35. 35. Information bias Recall bias occurs when individuals remember  better an exposure event given the outcome Misclassification bias occurs when individuals are  erroneously classified as exposed or non‐exposed  or as cases or non‐cases JJH_UASLP_2011 35
  36. 36. Confounding In a study of whether factor A is a cause of disease B,  we say that a third factor, factor X, is a confounder if  the following are true: Factor X is a known risk factor for disease B Factor X is associated with factor A but is not a result of  factor A   JJH_UASLP_2011 36
  37. 37. Confounding  Factor A: Accutane Factor B: ↑Suicide A B Factor X: Depression X Use of Accutane increase suicide rates? Individuals taking Accutane are more likely to be  depressed and is depression what cause a higher  suicide rate    JJH_UASLP_2011 37
  38. 38. Confounding AccutaneAccutane           ↑Suicide D D Suicide OR = 2E 10 10 20 No AccutaneĒ 4 10 14 D D 14 20 34 E 15 30 45 OR = 3.0 No Depression Ē 5 30 35 P < 0.05 D D 20 60 80E 3 12 15 Accutane OR = 2Ē 3 28 31 No Suicide 6 40 46 No Accutane JJH_UASLP_2011 38
  39. 39. Random error“Leads to a false association between the exposure and  disease that arise from “chance” an uncontrollable  force that seems to have no assignable cause” J.P. Pickett ‐ 2000 JJH_UASLP_2011 39
  40. 40. Random error When p‐value < 0.05 random error is a unlikely  explanation of observed results There is a 5% of reaching an erroneous conclusion by  chance JJH_UASLP_2011 40
  41. 41. Validity BiasPopulation Study Sample Confounding Random error Internal Validity JJH_UASLP_2011 41
  42. 42. Validity Bias SPopulation Study Sample Confounding Random error Internal validity but no external validity  JJH_UASLP_2011 42
  43. 43. Validity BiasPopulation Study Sample Confounding Random error Internal validity and external validity  JJH_UASLP_2011 43
  44. 44. Conclusions Methodology of epidemiological studies should always  be evaluated for potential bias and confounding Bias should be minimized at the study design level A researcher can always adjust for a potential  confounder Random error is always present in epidemiological  studies JJH_UASLP_2011 44
  45. 45. Conclusions Internal validity increases with less bias and  confounding External validity increases with sample representation  of the true population Internal validity is necessary for external validity but  not sufficient JJH_UASLP_2011 45
  46. 46. Preguntas?JJH_UASLP_2011 46

×