Medicina Intensiva Medicina Intensiva
Med Intensiva 2018;42:134-5 - Vol. 42 Núm.2 DOI: 10.1016/j.medin.2017.02.005
CARTA AL EDITOR
Análisis estadísticos comparativos en los estudios epidemiológicos observacionales
Comparative statistical analysis in observational epidemiological studies
A. Bosch-Gaya, L. Matute-Blanco, D. Fernández-Rodríguez, , F. Worner
Servicio de Cardiología, Hospital Universitari Arnau de Vilanova, Lérida, España
Sr. Editor:

Felicitamos a Socias et al.1 por su trabajo sobre el impacto pronóstico de la instauración de una red de atención al síndrome coronario agudo con elevación del segmento ST (SCACEST) en Mallorca.

Se compararon subpoblaciones de SCACEST de 2registros observacionales realizados en distintos periodos temporales. En el IBERICA-Mallorca la fibrinólisis fue la técnica de reperfusión principal, mientras que el Código infarto-Illes Balears (CI-IB) contó con una red de atención al SCACEST basada en la angioplastia primaria (AP). De ambos registros solo se incluyeron para el análisis el 49,7 y el 58,8% de las poblaciones, respectivamente. Las características de ambas muestras divergieron muy significativamente en antecedentes, perfil clínico y tratamiento médico eficaz en el SCACEST (betabloqueantes e IECA)2.

La principal conclusión del estudio1 es que la implementación de una red de AP redujo la mortalidad. Sin embargo, el análisis estadístico realizado merece ciertas consideraciones:

  • a)

    Análisis de supervivencia: en estudios observacionales en los que el objetivo primario evalúa el tiempo trascurrido hasta la aparición de un evento se suele emplear el análisis de supervivencia3,4. La herramienta estadística más empleada para conocer el efecto de una variable independiente en el tiempo es el método de Kaplan-Meier. No obstante, no permite valorar simultáneamente más de una variable independiente ni estimar la magnitud del efecto en el riesgo de ocurrencia de un evento3. En un escenario donde coexisten distintas variables independientes que pueden influir en el objetivo primario, el análisis de supervivencia mediante la regresión de Cox es clave para valorar la magnitud en la que múltiples variables modifican el riesgo de ocurrencia de determinado desenlace4. Este estudio objetivó que la mortalidad a 28 días divergía tras la implementación de la red (IBERICA-Mallorca=12,2 vs. CI-IB=7,2%; HR=0,560; IC 95%: 0,360-0,872; p=0,010) según el método de Kaplan-Meier. Sin embargo, al realizar la regresión de Cox no se alcanzó la significación estadística en ninguno de los modelos.

  • b)

    Propensity score matching: otra opción para comparar entre grupos una variable de desenlace en estudios observacionales es el Propensity score matching5. Esta técnica estadística intenta estimar el efecto de una estrategia de tratamiento en función de las covariables que predicen que un paciente sea asignado al tratamiento evaluado, y no al control. Así, al parear a los pacientes según las puntuaciones de propensión estimadas, se puede realizar una comparación entre grupos con un equilibrio aproximado en las covariables relevantes, en lugar de una comparación simple entre los pacientes que recibieron una estrategia de tratamiento y aquellos que no.

Entonces, aunque la implementación de una red de AP en el SCACEST ha demostrado mejorar el pronóstico2, el análisis de Kaplan-Meier no es suficiente para determinar que la reducción de la mortalidad se debe exclusivamente al efecto de la red asistencial. Por tanto, consideramos que realizar una regresión de Cox que contemplase no solo las diferencias basales y el tipo de reperfusión sino también otras terapias recibidas o un propensity score matching que balancease las covariables de relevancia podría cuantificar mejor el impacto real de la red en el pronóstico de esta población.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses.

Bibliografía
1
L. Socias,G. Frontera,C. Rubert,A. Carrillo,V. Peral,A. Rodriguez
Comparative analysis between 2 periods of acute myocardial infarction after a decade in Mallorca. IBERIA Study (1996-1998) and Infarction-Code (2008-2010)
Med Intensiva., 40 (2016), pp. 541-549 http://dx.doi.org/10.1016/j.medin.2016.04.001
2
P.G. Steg,S.K. James,D. Atar,L.P. Badano,C. Blömstrom-Lundqvist,M.A. Borger
ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation
Eur Heart J., 33 (2012), pp. 2569-2619 http://dx.doi.org/10.1093/eurheartj/ehs215
3
E.L. Kaplan,P. Meier
Non-parametric estimation from incomplete observations
J Am Stat Assoc., 53 (1958), pp. 457-481
4
D.R. Cox
Regression models and life-tables
J R Stat Soc., 34 (1972), pp. 187-220
5
P.C. Austin
An introduction to propensity score methods for reducing the effects of confounding in observational studies
Multivariate Behav Res., 46 (2011), pp. 399-424 http://dx.doi.org/10.1080/00273171.2011.568786
Autor para correspondencia. (D. Fernández-Rodríguez d.fernan.2@hotmail.com)
Copyright © 2017. Elsevier España, S.L.U. y SEMNIM
Med Intensiva 2018;42:134-5 - Vol. 42 Núm.2 DOI: 10.1016/j.medin.2017.02.005
Política de cookies
x
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí.