-tomado del Boletín
Epidemiológico, Vol. 23 No. 3, septiembre 2002-
La Estandarización: Un Método Epidemiológico
Clásico para la Comparación de Tasas
Introducción
Una base fundamental del análisis de situación de salud (ASIS)
es la comparación de indicadores básicos de salud. Entre otros
objetivos del ASIS, esto permite identificar áreas de riesgo, definir
necesidades y documentar desigualdades en salud, sea entre dos o más
poblaciones, en varios subgrupos de una misma población, o bien en una
misma población en el tiempo. Las tasas crudas de mortalidad, morbilidad
o de otros eventos de salud son una de las medidas-resumen de la experiencia
de cada población que facilitan este análisis comparativo. Sin
embargo, la comparación de tasas crudas puede ser inapropiada, en particular
cuando las estructuras de las poblaciones no son comparables en cuanto a factores
como la edad, el sexo, el nivel socioeconómico u otros factores que determinan
la magnitud de las tasas crudas y distorsionan su interpretación por
medio de un efecto llamado confusión (cuadro 1).(1, 2, 3)
|
Cuadro 1: Definición de Confusión
|
|
El efecto de confusión aparece cuando la medición del efecto de
una exposición sobre un riesgo se distorciona porque la exposición es
relacionada con otro(s) factor(es) que también influencian el resultado.(1)
Similarmente, una variable (o un factor) de confusión es: 1)
un factor de riesgo conocido para el resultado que nos interesa (2), 2)
un factor asociado con la exposición pero no resultado de la exposición
(2) y 3) un factor que no es una variable intermedia entre ambos.
Un ejemplo es el del tabaquismo como variable de confusión en el estudio
del consumo de café como factor de riesgo para la cardiopatía isquémica.
En efecto, el tabaquismo es un factor de riesgo conocido para la cardiopatía
isquémica, y es asociado con el consumo de café (los fumadores suelen
tomar más café), pero no es una variable intermedia entre los dos. Esquemáticamente:
El tabaquismo es un factor de confusión en la asociación entre
el consumo de café y la enfermedad isquémica del corazón.
|
Fuentes:
(1) Last J. A Dictionnary of Epidemiology. Fourth Edition. New York, New
York: Oxford University Press. 2001
(2) Gordis L. Epidemiology. Second Edition. Philadelphia, PA: W.B. Saunders
Company. 2000 |
El cálculo de tasas específicas, determinadas en
subgrupos bien definidos, es una manera de evitar ciertos factores de confusión.
Por ejemplo, las tasas específicas por grupos de edad se usan con frecuencia
para examinar cómo las enfermedades afectan a las personas diferentemente
según la edad. Sin embargo, aunque permita conocer el comportamiento
de los eventos de salud en la población y realizar una comparación
más rigurosa de las tasas, puede a veces ser impráctico trabajar
con un número grande de subgrupos.4 Además, si los subgrupos consisten
en poblaciones pequeñas, las tasas específicas pueden ser muy
imprecisas. La estandarización (o ajuste) de tasas es un método
epidemiológico clásico que remueve el efecto confusor de variables
que se sabe — o supone — difieren en las poblaciones a comparar y
provee una medida-resumen de fácil uso, en particular para los usuarios
de información que requieren índices sintéticos de la situación
de salud, como los tomadores de decisión.
En la práctica, el factor para el cual se ajusta más
frecuentemente es la edad. La estandarización se usa particularmente
en los estudios comparativos de mortalidad, ya que la estructura de edad tiene
un impacto importante en el riesgo absoluto de morir en esta población.
Por ejemplo, en situaciones con niveles de mortalidad moderada como en la mayoría
de los países de las Américas, una población con una estructura
más vieja siempre presentará tasas crudas más elevadas
que una población más joven.
Existen dos métodos principales de estandarización,
según si se usa como estándar la distribución de una población
(método directo) o un conjunto de tasas específicas (método
indirecto). Los dos métodos se presentan a continuación.
Método directo
En el método directo de estandarización, se calcula la tasa
que se esperaría encontrar en las poblaciones bajo estudio si todas tuvieran
la misma composición según la variable cuyo efecto se espera ajustar
o controlar. Se utiliza la estructura de una población llamada “estándar”,
cuyos estratos corresponden al factor que se quiere controlar y a la cual se
aplica las tasas específicas por esos mismos estratos de las poblaciones
estudiadas. De esta forma se obtiene el número de casos “esperado”
en cada estrato si la composición fuera la misma en cada población.
La tasa ajustada o “estandarizada” se obtiene dividiendo el total
de casos esperados por el total de la población estándar. Un ejemplo
se presenta en el cuadro 2.
Una etapa importante del método directo de estandarización
es la selección de la población estándar.(3) El valor de
la tasa ajustada depende de la población estándar utilizada, y
en cierta medida se puede escoger esta población de manera arbitraria,
porque los valores calculados no tienen significación en términos
absolutos. Las tasas ajustadas son productos de un cálculo hipotético
que no representa los valores observados de las tasas y sirven únicamente
para la comparación entre grupos, no para medir una magnitud absoluta.(3)
Sin embargo, se debe considerar algunos puntos en la selección de la
población estándar. Se puede usar una población estándar
proveniente de las poblaciones estudiadas (suma o media de estas por ejemplo).
En este caso se debe tener cuidado que las poblaciones no sean de tamaños
muy diferentes, ya que la población de tamaño mayor puede influir
exageradamente sobre las tasas ajustadas.(5) La población estándar
puede también ser una población que no tiene ninguna relación
con los datos estudiados(1), pero en general, su distribución en función
del factor que se quiere ajustar no debe ser radicalmente diferente de las poblaciones
que se quiere comparar.
El estudio comparativo de las tasas ajustadas puede hacerse de
diversas maneras: se puede calcular la diferencia de las tasas, la razón
de ellas o bien el porcentaje de diferencia entre ellas. Obviamente esta comparación
es válida solamente cuando se ha usado el mismo estándar para
calcular las tasas ajustadas. Cuando cambian los estándares nacionales
(como en los Estados Unidos en 1999 por ejemplo, cuando se adoptó un
nuevo estándar basado en la población del 2000 en vez del estándar
de 1940), se tiene que calcular de nuevo las series temporales a todos los niveles.
La actualización de las poblaciones estándares tiene la ventaja
de proveer un estándar común más actual. Para comparar
tasas de diferentes países, la población estándar utilizada
por la Organización Mundial de la Salud y la OPS es la llamada “vieja”
población estándar definida por Waterhouse.6 La distribución
de esta población por grupos de edad se presenta en el cuadro
3.
El método directo es el más usado para estandarizar
tasas. Para ello se requiere tener tasas específicas de acuerdo a la
variable de interés para todos los subgrupos de todas las poblaciones
que se desea comparar, lo cual a veces no es posible. Aún cuando existen
tasas específicas para todos los subgrupos, esas a veces se calculan
a partir de números de casos muy pequeños y por lo tanto no son
muy precisas. En este caso se recomienda utilizar el método indirecto
de estandarización. (3)
|
Cuadro 2: Comparación de la tasa de mortalidad general
estandarizada por edad en México y los Estados Unidos, 1995-1997, utilizando
el método directo
|
|
En este ejemplo se utilizó como población estándar la llamada “vieja”
población estándar mundial definida por Waterhouse (Ver cuadro 3).7 La
tasa cruda de mortalidad para todas las edades en los Estados Unidos para
1995-1997 es 8,7 por 1.000 habitantes. En México es mucho más baja ya
que es de 4,7 por 1.000 habitantes. Se podría pensar que la tasa más alta
en los Estados Unidos puede deberse a una estructura de población más
vieja que en México. Por lo tanto, se quiere estudiar las tasas de los
dos países, controlando el efecto de las diferencias en la estructura
de edad. En este ejemplo, para el método directo se necesita: - Las tasas
de mortalidad específica por estrato de la característica que se quiere
controlar, en este caso la edad, en cada población (i.e. México y los
Estados Unidos) - Una población estándar, estratificada de la misma manera
Primero se calcula el número esperado de muertes en los dos países, aplicando
la tasa de cada uno a la población estándar (columnas (4) y (5)). La suma
de todos los grupos proporciona el total de muertes esperadas. Para calcular
la tasa ajustada se divide este número por la población estándar. En este
caso, se obtiene una tasa de 6,4 por 1.000 habitantes para México y 5,7
por 1.000 para los Estados Unidos.
|
| |
|
Tasa de mortalidad específica
por edad por 100.000 habitantes, 1995-1997
|
Número esperado de muertes
|
| |
Población estándar
(1)
|
México
(2)
|
Estados Unidos
(3)
|
México (4)=(1)x(2)/100.000
|
Estados Unidos (5)=(1)x(3)/100.000
|
| <1 |
2.400 |
1693,2
|
737,8
|
41
|
18
|
| 1-4 |
9.600 |
112,5
|
38,5
|
11
|
4
|
| 5-14 |
19.000 |
36,2
|
21,7
|
7
|
4
|
| 15-24 |
17.000 |
102,9
|
90,3
|
17
|
15
|
| 25-44 |
26.000 |
209,6
|
176,4
|
55
|
46
|
| 45-64 |
19.000 |
841,1
|
702,3
|
160
|
133
|
| 65+ |
7.000 |
4.967,4
|
5.062,6
|
348
|
354
|
| |
100.000 |
|
|
639
|
574
|
|
Tasa de mortalidad estandarizada por edad para México = 6,4 por 1.000
y Tasa de mortalidad estandarizada por edad para los Estados Unidos =
5,7 por 1.000
Al eliminar el efecto de las diferencias de la estructura de edad
de los dos países, se obtiene una tasa superior para México que para los
Estados Unidos, situación inversa a la que se observa con las tasas crudas.
|
|
Fuente de los datos: OPS. Perfiles de mortalidad de las comunidades
hermanas fronterizas México - Estados Unidos Edición 2000 / Mortality
profiles of the Sister Communities on the United States-Mexico border
2000 Edition. Washington, D.C.: OPS. 2000
|
|
Cuadro 3: “Viejas” Poblaciones Estándares (Mundial
y Europea)
|
|
Grupo de edad (años)
|
Mundial
|
Europea
|
|
0
|
2.400
|
1.600
|
|
1-4
|
9.600
|
6.400
|
|
5-9
|
10.000
|
7.000
|
|
10-14
|
9.000
|
7.000
|
|
15-19
|
9.000
|
7.000
|
|
20-24
|
8.000
|
7.000
|
|
25-29
|
8.000
|
7.000
|
|
30-34
|
6.000
|
7.000
|
|
35-39
|
6.000
|
7.000
|
|
40-44
|
6.000
|
7.000
|
|
45-49
|
6.000
|
7.000
|
|
50-54
|
5.000
|
7.000
|
|
55-59
|
4.000
|
6.000
|
|
60-64
|
4.000
|
5.000
|
|
65-69
|
3.000
|
4.000
|
|
70-74
|
2.000
|
3.000
|
|
75-79
|
1.000
|
2.000
|
|
80-84
|
500
|
1.000
|
|
85+
|
500
|
1.000
|
| Total |
100.000
|
100.000
|
| Fuente: Waterhouse J. y Col. (Eds.). Cancer incidence
in five continents. Lyon, IARC, 1976. |
Método indirecto
El método indirecto de estandarización sigue un abordaje diferente.
En vez de utilizar una población estándar, se utilizan tasas específicas
estándares o de referencia aplicadas a las poblaciones que se quiere
comparar, estratificadas por la variable que se quiere controlar. De esta manera
se obtiene el total de casos esperados. Al dividir el total de casos observados
por el número esperado se obtiene la razón de mortalidad estandarizada
(RME). Esta razón permite comparar cada población bajo estudio
con la población de la cual provienen las tasas estándares. Se
puede llegar a una conclusión simplemente con el cálculo y la
observación de las RME. Una RME superior a 1 (o 100 si se expresa en
porcentaje) indica que el riesgo de morir en la población observada fue
más alto que el esperado si hubiera tenido la misma experiencia o riesgo
que la población estándar. Al contrario, una RME inferior a 1
(o 100) indica que el riesgo de morir fue inferior en la población observada
que lo esperado si su distribución fuera la de la población de
referencia. También se puede calcular las tasas ajustadas por el método
indirecto multiplicando la tasa cruda de cada población por su RME.4
De la misma manera que en el método directo, se obtiene un valor único
para cada población que, aunque sea artificial, toma en cuenta las diferencias
en las composiciones de las poblaciones.
Porque son de fácil cálculo y también porque proveen una
estimación del riesgo relativo entre la población estándar
y la población estudiada, las RME se usan frecuentemente en epidemiología
para comparar diferentes grupos. Sin embargo, es importante saber que en ciertas
situaciones esta comparación no es adecuada, como por ejemplo cuando
las razones de las tasas en los grupos bajo estudio y en la población
de referencia no son homogéneas en los diferentes estratos.7 Sin embargo,
la comparación entre cada grupo y la población de referencia siempre
tiene relevancia. Se puede también comparar las RME de diferentes causas
en una población, calculadas utilizando un mismo estándar. En
el cuadro 4 se presenta un ejemplo de ajuste usando el método indirecto.
|
Cuadro 4: Aplicación del método indirecto de estandarización
para comparar la mortalidad en el estado colombiano de Vichada y en Colombia
en general, 1999
|
|
La tasa cruda de mortalidad en Colombia en 1999 fue de 4,4 por 100.000
habitantes, con variaciones entre 1,8 por 100.000 en el departamento de
Vichada y 6,9 en Quindio.1 Se desea estudiar si hay diferencias significativas
en la mortalidad observada (o en el riesgo de morir) en el país
y en los departamentos. En este ejemplo se presenta el caso del estado
de Vichada. Para el método indirecto se necesita:
- Las tasas de mortalidad específicas por grupos de edad en Colombia
- La población del estado de Vichada estratificada por edad
- El número total de muertes observado en el departamento de Vichada
El primer paso es calcular el número esperado de muertes aplicando
las tasas de la población estándar a la población
del departamento de Vichada (columna (3) = (1) x (2)/100.000). Luego se
suma todas las muertes esperadas calculadas y también las observadas.
Se calcula la RME dividiendo el número total de muertes observado
por el total de las muertes esperadas.
|
| |
Tasas de mortalidad específica
por grupos de edad, Colombia, 1999 (i)
(1)
|
Población del departamento
de Vichada (i)
(2)
|
Muertes observadas en Vichada
(3)
|
Muertes esperadas en Vichada,
1999 (i)
|
|
0-4
|
339
|
11.392
|
61
|
39
|
|
5-14
|
34
|
21.930
|
5
|
7
|
|
15-44
|
219
|
38.244
|
27
|
84
|
|
45-64
|
752
|
7.083
|
22
|
53
|
|
65 +
|
4.573
|
1.839
|
27
|
84
|
| |
|
80.488
|
142
|
267
|
|
RME (%) para Vichada = (142/267) x 100 = 53%
El valor de la RME del 53% indica que el riesgo de morir en Vichada
es 47% menos que lo que cabría esperar según los estándares
de mortalidad en todo Colombia, controlando la variable edad.
|
|
Fuente de los datos:
(1) Ministerio de Salud de Colombia, Instituto Nacional de Salud de Colombia,
Representación de la OPS/OMS en Colombia. Situación de Salud
en Colombia, Indicadores Básicos 2002. Bogotá, Colombia:
Ministerio de Salud, OPS; 2002.
|
|
NOTA: Intervalo de confianza para la RME
El intervalo de confianza provee el rango de valores dentro del cual se
espera encontrar con una probabilidad dada el valor del indicador de interés.
De esta forma, permite dar una estimación de la diferencia potencial entre
lo observado y lo que realmente pasa en la población, lo cual ayuda en
interpretar el valor del indicador observado. El intervalo de confianza
de 95% es el más utilizado y nos indica entonces el rango de valores dentro
del cual se espera encontrar el valor real del indicador con una probabilidad
de 95%.
En el caso de la RME, el cálculo del intervalo
de confianza se puede llevar de la siguiente forma:
1) Se calcula el error estándar (EE) de la RME:
EE = RME/(raíz cuadrada de las defunciones observadas)
2) El intervalo de confianza (IC) de 95% se calcula
de la siguiente manera:
IC (95%) : RME +/- (1,96 x EE), donde 1,96 es el valor de la distribución
Z con un nivel de confianza de 95%, que es el valor con el que se contrasta.
Se asume que los valores siguen una distribución normal.
|
|
En este ejemplo: EE para Vichada = 4,4 e IC para Vichada (95%) = [44,4
; 61,6]
El intervalo de confianza nos permite decir que hay una probabilidad
de 95% que la RME se encuentre entre 44,4 y 61,6.
|
Conclusión
Como toda medida-resumen, las tasas ajustadas pueden esconder diferencias
entre los grupos, que pueden ser de relevancia para explicar cambios en las
tasas debidas o asociadas a la variable que se desea ajustar, por ejemplo. Por
esta razón, es importante analizar en lo posible las tasas específicas
en conjunto con las tasas ajustadas. Los dos métodos en una misma población
deben llevar a las mismas conclusiones. Si no fuera el caso, se debe investigar
más la situación en los diferentes estratos de la población.
4
Una de las razones por las cuales este proceso no se realiza con mayor frecuencia
es la falta de herramientas o instrumentos que lo simplifiquen. Respondiendo
a ello, la Dirección General de Salud Pública de la Xunta de Galicia
y el Programa Especial de Análisis de Salud de la OPS han desarrollado
el paquete de computadora “EpiDat” para el análisis de datos
tabulados.8 EpiDat se distribuye gratuitamente a través de Internet en
la siguiente dirección electrónica: http://www1.paho.org/Spanish/SHA/epidat.htm.
Próximamente se presentará una nueva versión de este paquete.
El programa SIGEpi, que combina capacidades de sistemas de información
geográfica y herramientas epidemiológicas, también genera
tasas ajustadas (ver http://www1.paho.org/spanish/sha/be_v22n3-SIGEpi1.htm).
En síntesis, las tasas ajustadas permiten comparaciones más válidas
entre poblaciones, que ayudan en establecer prioridades entre grupos, aunque
sus valores sean artificiales. Así mismo, las tasas crudas indican la
dimensión o magnitud real de un problema y de ahí su relevancia
para la salud pública.
Referencias:
(1) Last J. A Dictionary of Epidemiology, Fourth Edition. New York, New York:
Oxford University Press. 2001
(2) Jenicek M, Cléroux R. Epidemiología: Principios, Técnicas
y Aplicaciones. Barcelona, España: Salvat Editores. 1987
(3) Gordis L. Epidemiology. Philadelphia, PA: W.B. Saunders Company. 1996
(4) Pagano M, Gauvreau K. Principles of Biostatistics. Belmont, California:
Wadsworth, Inc. 1993
(5) Kramer S. Clinical Epidemiology and Biostatistics. A primer for Clinical
Investigators and Decision-makers. Berlin Heidelberg, German: Springer-Verlag.
1988
(6) Waterhouse J et al. (eds.). Cancer incidence in five continents. Lyon, France:
IARC. 1976.
(7) Szklo M, Nieto J. Epidemiology, Beyond the basics. Gaithersburg, MD: Aspen
Publishers, Inc. 2000
(8) Xunta de Galicia, Consellería de Sanidade e Servicios Sociais. Organización
Panamericana de la Salud, Programa Especial de Análisis de Salud. Análisis
Epidemiológico de Datos Tabulados (Epidat), Versión 2.1 [Programa
informático para Windows]; 1998
Fuente: Preparado por el Grupo de Análisis del Programa
Especial de Análisis de Salud (SHA) de la OPS.
Regresar al temario de el
Boletín Epidemiológico,
Vol. 23 No. 3, septiembre 2002