Saltar al contenido
Volver a los resultados

Diseño de estudio de casos y controles

Propuesto por
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
Año
1950s-1970s
Tipo
Research Design
Familia
observational design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un estudio de casos y controles identifica individuos con una enfermedad o resultado (casos) y un grupo de comparación sin el resultado (controles), y luego mide la exposición previa de forma retrospectiva.

Desarrollados entre las décadas de 1950 y 1970 por epidemiólogos como Schlesselman y MacMahon, los estudios de casos y controles son especialmente eficientes para enfermedades raras, ya que muestrean casos enriquecidos para el resultado, evitando la necesidad de cohortes enormes. Son un pilar de la epidemiología clínica, la investigación observacional y las investigaciones de brotes.

La intuición detrás del método

Los estudios de casos y controles funcionan a la inversa: se empieza con personas que tienen la enfermedad y luego se pregunta: «¿A qué estuvo expuesto antes de enfermarse?». Se compara con los controles que no tienen la enfermedad. Si los casos son mucho más propensos a reportar una exposición pasada que los controles, es probable que la exposición sea un factor de riesgo. La estadística clave es la razón de posibilidades (Odds Ratio, OR), que puede calcularse solo a partir de la muestra de casos y controles. Los principales desafíos son el sesgo de recuerdo (los casos pueden recordar las exposiciones de manera diferente a los controles) y el sesgo de selección (la forma en que se eligen los controles afecta los resultados). Para enfermedades raras, el estudio de casos y controles es mucho más eficiente que el de cohortes: se reclutan 100 casos y 100 controles en lugar de 100.000 personas sin enfermedad seguidas durante años.

Historia

La metodología de casos y controles surgió en la década de 1950 cuando los epidemiólogos buscaron estudiar enfermedades raras de manera eficiente. La monografía de Jerome Schlesselman (1982) formalizó la base estadística. Los diseños de casos y controles resultaron decisivos para establecer vínculos causales: el clásico estudio de casos y controles de la talidomida y los defectos de nacimiento (década de 1960) y el tabaquismo y el cáncer de pulmón (Doll & Hill) ejemplifican el poder del diseño para detectar exposiciones rápidamente. Los estudios de casos y controles anidados (seleccionando controles de dentro de una cohorte) y los diseños de casos y controles emparejados evolucionaron para aumentar la precisión. Hoy en día, los estudios de casos y controles siguen siendo fundamentales en epidemiología, particularmente para investigar brotes, riesgos laborales y eventos adversos raros.

Cuándo usarlo

Utilizar estudios de casos y controles cuando: (1) la enfermedad o el resultado es raro (p. ej., cánceres raros, defectos de nacimiento), lo que hace que los estudios de cohortes sean prohibitivamente caros, (2) existe un largo período de latencia entre la exposición y el resultado (años a décadas), (3) se estudian múltiples exposiciones para un solo resultado, (4) se realizan investigaciones de brotes o epidemias (comparando expuestos vs. no expuestos), (5) se generan hipótesis a partir de datos existentes (registros médicos, registros de enfermedades), (6) los recursos son limitados (el estudio de casos y controles es más barato y rápido que el de cohortes), (7) se estudian exposiciones pasadas donde el seguimiento es imposible.

Limitaciones y consideraciones

  • Sesgo de recuerdo: los casos, al haber experimentado el resultado, pueden recordar exposiciones pasadas de manera diferente a los controles. Si los casos exageran o minimizan el informe de exposición, la OR está sesgada.
  • Sesgo de selección: la forma en que se eligen los controles afecta críticamente la OR. Los controles deben provenir de la misma población fuente que generó los casos; el uso de controles hospitalizados cuando los casos son de la comunidad introduce sesgo.
  • Ambigüedad temporal: la medición retrospectiva de la exposición puede oscurecer la causalidad. ¿La exposición precedió al resultado, o el resultado influyó en el recuerdo de la exposición?
  • No se puede calcular la incidencia: las muestras de casos y controles están enriquecidas por resultados, por lo que no se puede estimar directamente la incidencia de la enfermedad o el riesgo absoluto. La OR es la única medida de asociación estimable.
  • Clasificación errónea de la exposición: la evaluación retrospectiva de la exposición (especialmente para exposiciones distantes) es propensa a errores, sesgando la OR hacia el nulo.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Eficiencia para resultados raros: el muestreo enriquecido por resultados hace que el estudio de casos y controles sea mucho más eficiente que los estudios de cohortes para enfermedades raras. Un estudio de cáncer raro podría reclutar 300 casos y 300 controles en lugar de 100.000 personas seguidas durante años.
  • Velocidad y costo: la recopilación retrospectiva de datos es más rápida y barata que el seguimiento prospectivo.
  • Múltiples exposiciones: un solo estudio de casos y controles puede examinar muchas exposiciones simultáneamente, identificando nuevos factores de riesgo.
  • Registros de enfermedades establecidos: muchas enfermedades tienen registros (cáncer, defectos de nacimiento), lo que proporciona acceso rápido a casos bien caracterizados.
  • Latencia: el estudio de casos y controles maneja naturalmente largos períodos de inducción-latencia entre la exposición y el diagnóstico del resultado.

Aplicaciones

  • Investigación de brotes: durante un brote de enfermedad transmitida por alimentos, identificar casos (personas enfermas) y controles (aquellos expuestos pero no enfermos), comparar los alimentos consumidos e identificar la fuente.
  • Epidemiología de defectos de nacimiento: reclutar bebés con anomalías congénitas como casos, seleccionar controles basados en la población, preguntar a las madres sobre el uso de medicamentos, infecciones o exposiciones durante el embarazo.
  • Salud ocupacional: los trabajadores con mesotelioma (resultado raro) son casos; los controles son trabajadores sin enfermedad relacionada con el asbesto; evaluar retrospectivamente la exposición al asbesto a partir de los registros de empleo.
  • Efectos adversos de medicamentos: los pacientes hospitalizados con insuficiencia hepática (casos) se comparan con controles hospitalizados (sin insuficiencia hepática); se revisa el historial de medicamentos para identificar fármacos hepatotóxicos.
  • Etiología del cáncer: los pacientes con cáncer recién diagnosticado (casos) se emparejan por frecuencia con controles sin cáncer por edad/sexo; se recopilan historias dietéticas, de tabaquismo y reproductivas para identificar factores de riesgo.

Cómo funciona

Cómo funciona

1

Definir los casos: individuos con el resultado de interés (p. ej., diabetes, infarto de miocardio, anomalía congénita). Los casos pueden ser de diagnóstico reciente (incidentes) o todas las personas con la enfermedad en un período definido (prevalentes). Definir los casos claramente: criterios diagnósticos, fecha de diagnóstico, estado de la enfermedad confirmado por registros médicos. Seleccionar los controles de la población fuente que generó los casos; los controles representan la distribución de la exposición en la población que produjo los casos. Los controles deben estar libres de la enfermedad (al menos para el resultado específico). Emparejamiento: los controles pueden emparejarse 1:1 o 1:k con los casos por edad, sexo, raza u otros factores de confusión; el emparejamiento mejora la potencia, pero requiere ajuste estadístico (McNemar para pares emparejados). Alternativamente, usar controles no emparejados y ajustar por factores de confusión en la regresión. Medir la exposición previa a partir de registros médicos, entrevistas, cuestionarios o muestras de biobancos. Para la exposición histórica (pasado distante), usar registros médicos o historias laborales; para la exposición reciente, las entrevistas son factibles.

Fórmula
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

Construir una tabla de contingencia de 2×2: filas = estado de exposición (sí/no), columnas = estado de caso/control. Calcular la razón de posibilidades: OR = (a × d) / (b × c), donde a = casos expuestos, b = casos no expuestos, c = controles expuestos, d = controles no expuestos. Calcular el IC del 95% usando la escala logarítmica. Para datos emparejados (n pares emparejados), usar la prueba de McNemar: χ² = ((b − c)²) / (b + c), que prueba si los pares discordantes están equilibrados. Para datos no emparejados, usar regresión logística para ajustar por factores de confusión y calcular la OR ajustada. Informar la OR ajustada con IC y valor p. Verificar la interacción entre la exposición y los factores de confusión.

Fórmula
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

OR = 1: no hay asociación entre la exposición y el resultado. OR > 1: la exposición se asocia con un aumento de las posibilidades de tener el resultado (factor de riesgo). OR < 1: la exposición se asocia con una disminución de las posibilidades (factor protector). Por ejemplo, una OR = 3 significa que las posibilidades de exposición entre los casos son 3 veces las posibilidades entre los controles. Cuando la enfermedad es rara (prevalencia <10%), la OR se aproxima al riesgo relativo. Cuando la enfermedad es común, la OR sobrestima el efecto. Los intervalos de confianza que excluyen el 1.0 sugieren significación estadística. La causalidad requiere más que una asociación estadística: considerar la fuerza (OR >2–3), la consistencia entre estudios, la dosis-respuesta, la plausibilidad temporal y el mecanismo biológico. Evaluar explicaciones alternativas: ¿podrían el sesgo de selección, el sesgo de recuerdo o la confusión no medida explicar la asociación observada?

Fórmula
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

Errores comunes

  • Mala selección de controles: los controles seleccionados de pacientes hospitalizados (cuando los casos son casos comunitarios) o los controles con una enfermedad relacionada incurren en sesgo de selección. Los controles deben estar libres de la enfermedad y ser representativos de la población fuente.
  • Ignorar el emparejamiento en el análisis: si los casos y los controles están emparejados por edad/sexo, la regresión logística estándar es inapropiada; usar regresión logística condicional o la prueba de McNemar para el análisis emparejado.
  • Sesgo de recuerdo diferencial: los casos pueden recordar las exposiciones con mayor detalle o distorsionarlas más que los controles. Minimizar esto utilizando registros objetivos (p. ej., historias clínicas, registros de empleo) en lugar de encuestas de recuerdo.
  • Selección post-hoc de controles: ajustar la selección de controles después de ver los datos (p. ej., seleccionar controles adicionales para equilibrar una covariable particular) introduce sesgo. Definir los criterios de control a priori.
  • Sesgo de prevalencia-incidencia: si se reclutan casos prevalentes (todos los casos de enfermedad en la población) en lugar de casos incidentes (recién diagnosticados), los supervivientes de enfermedades graves pueden estar enriquecidos, distorsionando la OR.

Preguntas frecuentes

¿Cuándo es la razón de posibilidades una buena aproximación para el riesgo relativo?

La razón de posibilidades (OR) se aproxima al riesgo relativo (RR) cuando la enfermedad es rara en la población (típicamente <10% de prevalencia). Con baja prevalencia, las posibilidades de enfermedad ≈ riesgo de enfermedad, por lo que OR ≈ RR. Cuando la prevalencia es >10%, la OR sobrestima el efecto en relación con el RR. Por ejemplo, si RR = 2, la OR podría ser 2.5 o más alta con mayor prevalencia. Siempre aclarar que los estudios de casos y controles producen OR, no RR. Si la interpretación clínica requiere RR, debe convertir la OR utilizando el riesgo basal (prevalencia de la enfermedad en la población fuente).

¿Qué es un estudio de casos y controles anidado y por qué usarlo?

Un estudio de casos y controles anidado selecciona casos y controles de dentro de una cohorte prospectiva. Todos los miembros del caso se identifican de la cohorte a medida que ocurren los resultados; los controles se muestrean aleatoriamente de los no casos en la cohorte, a menudo emparejados con los casos por edad y sexo. El estudio de casos y controles anidado combina las fortalezas de la cohorte y el estudio de casos y controles: la secuencia temporal y los datos de incidencia están disponibles (como en las cohortes), pero el costo es menor porque solo los subconjuntos de casos y controles se miden para exposiciones costosas (p. ej., biomarcadores, pruebas genéticas). La razón de posibilidades de un estudio de casos y controles anidado se aproxima al riesgo relativo de la cohorte, incluso si la enfermedad no es rara.

¿Cómo elijo entre controles emparejados y no emparejados?

Los controles emparejados (emparejados 1:1 con los casos por edad, sexo, etc.) aumentan la precisión y reducen la confusión por las variables emparejadas. Sin embargo, el emparejamiento es estadísticamente 'caro': debe usar regresión logística condicional y no puede estimar los efectos independientes de las variables emparejadas. Los controles no emparejados permiten el ajuste de muchos factores de confusión en la regresión logística y pueden ser más rentables. El emparejamiento es más útil para factores de confusión fuertes (edad, sexo, año calendario) y cuando los controles son difíciles de encontrar. Si los posibles factores de confusión son numerosos, considere un diseño no emparejado con ajuste de regresión.

¿Cómo distingo entre sesgo de selección y sesgo de información en estudios de casos y controles?

El sesgo de selección surge de cómo se seleccionan los casos y los controles. Si los casos y los controles provienen de diferentes poblaciones fuente (p. ej., casos hospitalizados vs. controles comunitarios), la OR está sesgada. El sesgo de información (clasificación errónea) surge de errores en la medición de la exposición o el resultado. El sesgo de recuerdo es un tipo de sesgo de información: los casos con una enfermedad grave pueden recordar exposiciones pasadas de manera diferente a los controles. Ambos sesgan la OR, pero de diferentes maneras. Para minimizar el sesgo de selección, asegúrese de que los casos y los controles provengan de la misma población fuente. Para minimizar el sesgo de información, use registros objetivos (historias clínicas, biomarcadores) en lugar de encuestas de recuerdo.

Métodos relacionados

Fuentes

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195027815
    Copiado.
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755657
    Copiado.
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    Abrir referencia de la publicación
    Copiado.