Epidemiología de las lesiones
PASOS PARA LA PLANIFICACIÓN Y EJECUCIÓN DE ESTUDIOS
En principio, la elección de una estructura apropiada para el estudio puede intimidar a los médicos deportivos. Una buena idea es solicitar la colaboración de un epidemiólogo o un estadístico antes de emprender un estudio a fin de evitar la frustración de ver cómo rechazan un trabajo por la falta de rigurosidad de su estructura, por un análisis estadístico incorrecto o simplemente por no probar una hipótesis (la perspectiva del tiempo suele enseñarnos que habría sido posible con una planifica- ción correcta que nos asegurara la eficacia de las estadísticas, ver más adelante). Se debe planificar el estudio con objetivos concretos a la vista, para lo cual se formula prueba(s) sobre una hipótesis de trabajo (ver más adelante las hipótesis nulas). Hay que saber qué preguntas se plantean y por qué son relevantes en el contexto del tratamiento o la prevención. La acumulación de datos y la recogida de gran cantidad de información para establecer relaciones estadísticamente significativas de escasa o ninguna importancia médica pueden resultar ridículas y tal vez poco éticas. Las fases clave en la planificación de una investigación sobre lesiones deportivas comprenden:
La definición de lesión: especificación del tipo o tipos concretos de
lesión que se considerarán el punto de partida del estudio. Por lo gene- ral, se entiende por lesión la que tiene suficiente gravedad como para requerir atención médica.
Las pruebas diagnósticasnecesarias para el estudio deben evaluarse
para que sean fiables ode valor predictivo(con capacidad para detectar la
afección). Esto depende de: (1) la sensibilidad, que se mide como la frac-
ción de personas con tal afección que la prueba identifica como positivas,
y (2) la especificidad, que se mide como la fracción de personas sin la afec-
ción que la prueba identifica como negativas. El valor predictivo debería ser casi del 100% (lo cual se logra cuando la sensibilidad y la especifici-
dad se aproximan al 100%). El coeficiente k(kappa) determina la fiabilidad
de los observadores (dos o más estudiosos que emplean la misma prueba obtienen el mismo resultado). El error intraobservador es una medida de la solidez del investigador durante múltiples pruebas.
Fig. 2.4 Estudio clínico aleatorio.
La historia de las lesionesrequiere un numerador (el número de lesio- nes) y un denominador (la población de riesgo, p. ej., el número de perso- nas que esquía durante un período específico de tiempo). La población- tiempo es el número de participantes dividido por el tiempo de exposición a una lesión potencial (por lo general 1.000 jugadores/descensos). En el caso del esquí, la unidad es 1.000 esquiadores por día (1.000 personas que esquían durante un día). Estas unidades proporcionan una base para esta- blecer comparaciones entre estudios y también entre deportes.
Los controlesdeben ser parecidos al grupo en estudio, para lo cual
se emplean los mismos criterios de inclusión y exclusión (aparte de la lesión).
El sesgoes un error sistemático (por lo general inintencionado) que
genera una imprecisión que debe reducirse al mínimo. Estos errores sur-
gen por la forma de elección de los sujetos o los controles (sesgo de selec-
ción) o su medición (sesgo de información), o por la presencia de variables
que llevan a confusión. Orígenes habituales son el sesgo de la memoria
motivada (en los estudios de casos y controles surge de la evocación
retrospectiva de los factores de riesgo), el sesgo por el seguimiento(en los
estudios de cohorte en los que los jugadores abandonan el estudio difie-
ren de aquellos en los que los jugadores permanecen) y el sesgo por la his-
toria(donde los «controles de las historias» en períodos secuenciales no
tienen en cuenta otros cambios).
Las variables que llevan a confusiónson factores sistemáticos aso-
ciados con una variable del estudio (p. ej., un factor de riesgo) y el inci- dente de la lesión, de tal forma que nublan la verdadera relación entre la lesión y la variable del estudio. El elemento de confusión tal vez sea en sí otro factor de riesgo. Las características del modelo experimental pueden ayudar a mitigar las dificultades causadas por las variables que
llevan a confusión. Por ejemplo, en los ensayos estratificados, los sujetos
son divididos de acuerdo con una o más variables (como la edad, el sexo, fumador/no fumador), y los sujetos de estos grupos son asignados al azar para su control o tratamiento. Así se elimina el efecto de la variable de la formación de grupos (un elemento potencial de confusión).
El consentimiento informadode los pacientes que participan debe
adecuarse a la naturaleza de la investigación antes de iniciar el estudio. Esto es importante sobre todo cuando se tiene planeado usar tratamien- tos alternativos. Cuando el estudio identifique a personas concretas o a grupos étnicos/culturales, sobre todo en publicaciones que tratan de los resultados, debe conseguirse la aprobación del proyecto por parte de los líderes de esa comunidad (por lo general bajo supervisión de comi- tés de investigación/ética de la institución a la que pertenece el investi-
gador). Muchas revistas especializadas exigen hoy en día comprobantes documentales de esas aprobaciones antes de plantearse la publicación de los resultados de este tipo de estudios.
Los estudios preliminares (investigaciones preliminares a menor
escala) suelen ser útiles o incluso esenciales. El inicio de un estudio defi- nitivo por lo general exigirá la aprobación de una fuente de financiación con revisores externos de la competencia, así como la aprobación de un comité investigador/ético de la institución financiadora. En ambos casos se requerirá habitualmente la evaluación del potencial estadístico (ver más adelante) de la investigación propuesta. Tales cálculos exigen la esti- mación de la magnitud esperable y la varianza de las diferencias entre los grupos que se comparan, y de ahí la escala de la respuesta anticipada al tratamiento. Tal vez se necesite asimismo la evaluación preliminar de posibles factores de confusión. Los estudios preliminares son a menudo la única forma de aportar esta información cuando la investigación pro- puesta se adentra en un terreno inexplorado. Además, los estudios preli- minares tal vez sean útiles para probar y justificar los criterios propuestos de inclusión y exclusión para los sujetos del estudio, así como para apor- tar pruebas de que las tasas de selección propuestas son realistas en rela- ción con el marco temporal propuesto para la investigación.
Potencial estadístico y cálculo del tamaño requerido para la
muestra. ¿Acaso la diferencia apreciada entre dos grupos comparados
refleja una diferencia real entre ellos o es solamente un reflejo de los efec- tos casuales de las muestras? Las pruebas estadísticas permiten calcular la
probabilidad (P)de que una diferencia tan grande o mayor que la obser-
vada surja sólo de los efectos de las muestras aleatorias. Si los efectos de las muestras pocas veces son los causantes de las diferencias de la magnitud observada, podemos juzgar improbable que la diferencia se deba sólo a la casualidad y llegar a la conclusión de que hay implicados otros factores sis- temáticos. Pero ¿cuándo considerar probable que las diferencias se deban a otros factores que la casualidad de los efectos del muestreo y llamarlas «estadísticamente significativas»? El punto donde establezcamos el umbral discriminatorio entre «significativo» y «no significativo» es total-
mente arbitrario. Podemos establecer un nivel de importancia–marcado
como α−a cualquier valor Pque consideremos apropiado para una situa-
ción concreta. No obstante, debido a su empleo habitual (hasta el punto de haberse vuelto convencional en los estudios biomédicos), el valor críti-
co umbral de Pse ha fijado en 0,05 (es decir α= 0,05). En este umbral,
si hay una posibilidad entre 20 o menos (≤5% de probabilidad) de que
los efectos del muestreo aleatorio sean los responsables de una diferencia al menos tan grande como la observada, consideraremos que dicha dife-
rencia es significativa, es decir, que es probable que tenga su origen en causas sistemáticas como los efectos del tratamiento. Por supuesto, según las circunstancias puede optarse por otros niveles de importancia, como
α= 0,02 o 0,01, si bien el criterio aplicable en toda investigación debe
decidirse antes de iniciar el análisis.
Formalmente, el empleo de la probabilidad se basa en la compro-
bación de la validez de la hipótesis nula(H0), según la cual no hay dife-
rencia entre las poblaciones de las cuales los grupos estudiados repre- sentan muestras aleatorias en relación con los atributos que se comparan (media, varianza, proporción, curva de supervivencia). Para
cada hipótesis nula existe una hipótesis alternativa(H1); aquí las pobla-
ciones representadas por las muestras del estudio son de hecho dife- rentes. En el contexto específico del análisis del factor de riesgo puede formularse una hipótesis nula para establecer que no existe asociación entre la variable dependiente (el factor de riesgo) y la variable inde- pendiente (la lesión).
Una vez que se ha formulado la hipótesis nula y se ha seleccionado
una prueba estadística apropiada (tabla 2.1), se calcula Py se establece
su importancia estadística según el valor de α.
Los errores estadísticosson de dos tipos, llamados errores de tipo I y
de tipo II, y se relacionan con la hipótesis nula como sigue:
Hipótesis nula aceptada Hipótesis nula rechazada
Verdadero Correcto Error tipo I
Falso Error tipo II Correcto
El error de tipo I surge si se rechaza la hipótesis nula (porque el
valor calculado de Pes menor que α), aunque ésta sea cierta. Un error
de tipo I equivale al fallo cometido si se declara culpable a un acusado que es inocente. La probabilidad de cometer un error de tipo I corres-
ponde al valor de αdeterminado por el investigador. Cuanto menor sea
el valor de α, menor será el número de errores de tipo I, pero mayor la
posibilidad de cometer fallos de tipo II. Los fallos de tipo II surgen cuando la hipótesis nula se acepta a pesar de que sea falsa (es decir, la hipótesis alternativa H1 es cierta). Un error de tipo II equivale a decla-
rar inocente a un acusado que es culpable. La probabilidad (β) de co-
meter un error de tipo II depende del tamaño de la diferencia especifi- cada por la hipótesis alternativa (H1) y refleja una decisión por parte del investigador respecto a la diferencia mínima que considera de valor práctico o importancia clínica. Reducir simultáneamente las posibili- dades de cometer errores de tipo I y II supone aumentar el tamaño de
la muestra. El que resulte factible dependerá de consideraciones prác- ticas (p. ej., las tasas de reclutamiento) y de consideraciones respecto al coste/beneficio.
Elpotencial estadístico y el cálculo del tamaño de la muestra.
El potencialde una prueba estadística se define como (1-β), donde beta
es la probabilidad de cometer un error de tipo II (ver antes). El poten- cial estadístico es la probabilidad de hallar una diferencia significativa
cuando la diferencia entre las poblaciones del muestreo es δ(delta).
Cuanto mayor sea el tamaño de la muestra, mayor será el potencial de
la prueba. Los métodos para calcular el tamaño de la muestra (4,5)
apropiados para estudios de distinta naturaleza aparecen en la mayoría de los programas estadísticos (ver más adelante). Debemos acordarnos de incluir un margen adecuado para posibles abandonos durante el es- tudio. Los estudios a largo plazo son particularmente susceptibles a la pérdida de sujetos por abandono y a índices de seguimiento malos (son pocos los que se han completado con éxito en el terreno de las lesiones deportivas).
Intervalos de confianza.En numerosas circunstancias, la decisión
arbitraria sobre lo que es significativo o no se puede sustituir o com- plementar ventajosamente mediante la especificación de intervalos de confianza (IC, determinado en cualquier nivel, pero por lo general en el 95%) dentro de los cuales deben situarse los valores o diferencias de po-
blación calculados a partir de la(s) muestra(s) del estudio (5).
Valores anómalos.Una vez recogidos los datos, tal vez se aprecien
valores ocasionales fuera del margen del corpusprincipal de los puntos
de datos. Deben justificarse y no pueden descartarse arbitrariamente como erróneos sin estudiarlos. Algunos resultan ser errores de copia o instrumentales (p. ej., de calibración) o una patología sin diagnosticar, fallos en los criterios de exclusión, etc. Las excepciones residuales para las cuales no se halla ninguna explicación durante el estudio tal vez se muestren reveladoras en el futuro.
¿Qué pruebas estadísticas deberían emplearse para el análisis?
Depende de los objetivos del estudio y de la naturaleza de los datos, de si se trata de mediciones de variables con distribuciones gausianas (normales), el orden o los datos de puntuación, los datos binomios (dos
resultados) o las curvas de supervivencia (tabla 2.1) (5, 6, 7). Para las
investigaciones complejas o a gran escala, lo más prudente es contar con la colaboración de estadísticos profesionales durante la fase de pla- nificación del proyecto. Tal vez sea demasiado tarde para sacar el máxi- mo provecho a una investigación si este punto se pospone hasta des- pués de la recogida de datos.
Tabla 2.1Selección de pruebas estadísticas apropiadas de acuerdo con el objetivo del estudio y el tipo de datos
Objetivo
Descripción del Media, desviación Mediana, Frecuencia, Curva de grupo de estudio estándar intervalo proporción supervivencia de
intercuartil Kaplan-Meier Comparación del Prueba de la t Wilcoxon Prueba del
grupo de estudio y chi cuadrado el valor de referencia binomial
Comparación de 2 Prueba de la t Mann- Prueba exacta Prueba del orden grupos, pacientes no apareada Whitney de Fisher, logarítmico, no apareados prueba del Mantel-Haenszel
chi cuadrado Comparación de Prueba de la t Wilcoxon McNemar MRP* 2 grupos, apareada condicional pacientes apareados
Comparación de Análisis de la Kruskal- Prueba de MRP* de Cox
≥3 grupos, varianza de una Wallis chi cuadrado pacientes sola cola
no comparables (ANOVA)
Comparación de ANOVA Friedman Cochrane Q MRP*
≥3 grupos, con mediciones condicional pacientes comparables repetidas
Medir la asociación Correlación de Correlación Coeficientes entre 2 variables Pearson de Spearman de contingencia
Predecir el valor de Regresiones lineales Regresión no Regresión MRP* de Cox 1 variable a partir y no lineales simples paramétrica logística
de otra simple
Predecir el valor de Regresiones lineales Regresión MRP* de Cox 1 variable a partir y no lineales logística
de ≥otras 2 múltiples múltiple
* MRP, modelo de regresión proporcional.
Extraído de Motulsky, 1995, Intuitive biostatistics, OUP.
Mediciones de variable continua (distribución gausiana)
Tipo de datos que hay que analizar Orden, escalas de puntuación o mediciones de variable (distribución no gausiana) Categorización binomial (2 resultados alternativos) Duración de la supervivencia
Laejecución del análisis de los datossuele requerir el empleo de un programa informático. Entre los programas profesionales más usados para ordenadores personales destacan:
Programa Empresa
SYSTAT V Systat Inc, Evanston, IL, EE.UU.
STATISTICA StatSoft Inc.
SPSS/PC+ SPSS Inc, Chicago, IL, EE.UU.
SAS SAS Instittute Inc, Cary, NC, EE.UU.
MINITAB Minitab Inc, State College, PA, EE.UU.
STATGRAPHICS Plus STSC International Ltd., Windsor, Berks,
Reino Unido
Rigurosos pero de menor capacidad (y más baratos), aunque adecua- dos para proyectos de menor escala:
Programa Empresa
INSTAT y PRISM GraphPad Software Inc, San Diego, CA,
EE.UU.
STATVIEW Abacus Concepts Inc
¿Qué conclusiones pueden extraerse del estudio? Si el proyecto de investigación está bien planificado, con objetivos formulados con clari- dad y basados en hipótesis bien establecidas, el análisis proporcionará la base para obtener resultados estadísticos (matemáticos). Sin embargo, la
importancia estadística nose traduce necesariamente en importancia clí-
nica (un efecto observado en el mundo real). Algunos resultados esta- dísticos carecen de valor médico y a veces la estadística no detecta nin- guna relación importante en una serie de datos (casualidad, potencial estadístico demasiado bajo).
En resumen:
● La investigación se conformará dependiendo de la formulación de
una o más hipótesis verificables.
● Se calculará el tamaño de la muestra; contemplaremos la posibilidad
de que haya abandonos; se comprobará que las tasas de reclutamien- to propuestas sean realistas respecto al conjunto de voluntarios o pacientes disponibles.
● Se obtendrá la aprobación ética y el consentimiento informado de los
● Se elegirá a los voluntarios o pacientes; se aplicarán con rigurosidad los criterios de inclusión y exclusión.
● Se recogerá información fiable.
● Se vigilarán y evitarán los sesgos en el estudio.
● Se eliminarán o controlarán las variables que lleven a confusión.
● Se pondrán en práctica buenos métodos de gestión durante todas las
fases del estudio.
● Se evaluarán los datos (examinaremos los valores anómalos, se com-
probará que no halla fallos en el reclutamiento, o los criterios a ciegas).
● Se elegirán herramientas estadísticas apropiadas en relación con el
tipo de datos y los objetivos del estudio.
● Se sacarán conclusiones con cautela, recalcando más su importancia
médica que matemática.
EJEMPLO: TENDENCIAS DE LAS LESIONES