Page 96

Marzo 2016

ARTÍCULO DE REVISIÓN dadas las covariables de que se dispone (características 366 basales de la población en estudio: edad, sexo, etc.). Además de la regresión logística, es posible calcular las puntuaciones de propensión a través de otros métodos estadísticos: análisis discriminante, árboles de clasificación y regresión (CART) y redes neurales18. Los valores de puntuación de propensión se estratifican y el efecto causal se compara entre individuos con valores cercanos de puntuación, a este apareamiento es lo que se llama “Propensity score matching”19. La medición del efecto (Riesgo Relativo, Odds Ratio, Hazard Ratio) calculado en este subgrupo de poblaciones pareadas constituye el efecto causal. Es imposible que dos individuos tengan el mismo puntaje, de manera que se parean individuos con valores cercanos estableciéndose estratos, la cercanía se calcula en base a métodos estadísticos multivariados (vecino más cercano)19. Si no pedimos mucha cercanía parearemos a individuos distintos y se perderá la intercambiabilidad que caracteriza a un modelo contrafáctico. Si pedimos demasiada cercanía nos quedaremos con pocos individuos pareados y el intervalo de confianza será muy ancho por reducción del tamaño muestral. Si no se encuentran individuos con Puntuación de Propensión similares en ambos grupos, los que queden aislados se excluirán del análisis y se producirá un sesgo puesto que no estaremos estimando el efecto en la población objetivo, sino en una población distinta y por tanto los resultados no serán extrapolables a ésta (disminuye la validez externa). A diferencia de la aleatorización, las puntuaciones de propensión no permiten equilibrar aquellas características o covariables que no fueron registradas u observadas desde un principio17,20. En un estudio observacional las puntuaciones de propensión de los pacientes tratados serán mayores que las de los no tratados y esto es lo que causará confusión. Los individuos con la misma Puntuación de Propensión pueden diferir en sus covariables, sin embargo, su probabilidad de recibir el tratamiento es la misma. De esta manera las puntuaciones de propensión reducen las variables de confusión a una sola. Esta metodología requiere de muestras grandes dado que toda comparación de resultados se realizará sólo en los individuos que puedan ser emparejados y se excluirá a los que no puedan ser apareados, sin embargo, se ha visto un buen Puntuaciones de propensión - D. Ojeda et al desempeño de esta herramienta estadística incluso en muestras tan pequeñas como 40 pacientes21. Se necesita además que exista suficiente “sobreposición” de las puntuaciones de propensión entre los “tratados” y “no tratados”, así obtendremos dos grupos comparables de tamaño adecuado (se verá esto en un ejemplo más adelante). También se requiere que el número de datos faltantes no sea muy grande, puesto que para el análisis sólo se consideran los pacientes con datos completos. Es posible implementar la estimación de las puntuaciones de propensión en paquetes estadísticos habituales como STATA, R, SPSS, SAS, siendo los dos primeros especialmente recomendados por Guo y Fraser22 en la última edición de su libro. En el ejemplo presentado en esta revisión se utilizó el paquete estadístico STATA 13. Desde su introducción en 1983, el uso de puntuaciones de propensión en la literatura médica ha ido incrementando progresivamente20. Algunos autores han planteado que los resultados de los análisis con puntuaciones de propensión no difieren sustancialmente de los obtenidos a través de modelos de regresión23,24. Sin embargo, dichos métodos, la regresión lineal por ejemplo, tienen supuestos como exigir independencia entre las covariables que no necesariamente se cumplen al analizar estudios observacionales, lo cual estaría aumentando el sesgo25. Además se pierde la efectividad en la regresión cuando el número de covariables es muy numeroso16,18,26,27, en estos casos se requiere además de tamaños muestrales muy grandes. Las puntuaciones de propensión permiten disminuir la dimensionalidad puesto que el conjunto de covariables quedarán reducidas a una, la Puntuación de Propensión22,26. No menos importante es el hecho de que al analizar un estudio observacional, la ausencia de aleatorización provocará un sesgo endógeno debido a la potencial correlación entre alguna variable independiente y el error de la regresión (la diferencia entre los resultados obtenidos con el modelo y los reales), lo que también llevará a resultados sesgados22,26. En comparación con el apareamiento, las puntuaciones de propensión también ofrecen la ventaja de disminuir la dimensionalidad al reducir a una sola la variable de confusión. El apareamiento originará un número muy elevado de subclases o estratos si se requiere ajustar por múltiples covariables25. Rev Med Chile 2016; 144: 364-370


Marzo 2016
To see the actual publication please follow the link above