Saltar al contenido
Volver a los resultados

Estudio epidemiológico transversal

Propuesto por
Classical epidemiology tradition; systematized by Brian MacMahon and Thomas Pugh (1960s)
Año
1960s (formal codification); widely practiced since mid-20th century
Tipo
Observational, descriptive/analytic epidemiological design
Familia
Clinical / epidemiology

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

Tamaño de letra

¿Qué hace?

Un estudio epidemiológico transversal mide la(s) exposición(es) y el(los) resultado(s) de interés simultáneamente en una población definida en un momento único (o durante un período corto).

Dado que no hay seguimiento, es el diseño observacional más eficiente para estimar la prevalencia de enfermedades y para generar hipótesis sobre asociaciones entre factores de riesgo y resultados de salud.

La intuición detrás del método

Piense en un estudio transversal como una fotografía de una población tomada en un momento único. Todos en la instantánea son evaluados tanto por su estado de exposición (p. ej., tabaquismo, IMC, ocupación) como por su resultado de salud actual (p. ej., hipertensión, depresión, diabetes). Dado que la imagen captura toda la escena a la vez, puede contar rápidamente quién tiene la enfermedad y si ciertas exposiciones parecen ser más comunes entre quienes la padecen. Sin embargo, no puede determinar a partir de la fotografía cuál ocurrió primero; por lo tanto, aunque el estudio puede revelar patrones y prevalencias, por sí solo no puede establecer que una exposición causó el resultado.

Historia

El diseño transversal surgió como un método epidemiológico formal a mediados del siglo XX, moldeado por el desarrollo de la metodología de encuestas basadas en la población y codificado en textos fundamentales de Brian MacMahon, Thomas Pugh y, más tarde, Leon Gordis. Las grandes encuestas nacionales de salud, como la Encuesta Nacional de Entrevistas de Salud de EE. UU. (lanzada en 1957) y la Encuesta Nacional de Examen de Salud y Nutrición, institucionalizaron el método para la vigilancia continua de la población. Los refinamientos metodológicos en la teoría del muestreo, el análisis estadístico de encuestas complejas y el uso de registros de salud electrónicos han ampliado el alcance del diseño a la epidemiología clínica, la investigación de servicios de salud y el monitoreo de la salud global.

Cuándo usarlo

Utilice un estudio transversal cuando el objetivo principal sea estimar la prevalencia de una afección en una población, evaluar la distribución de factores de riesgo o generar hipótesis sobre asociaciones exposición-resultado de forma rápida y a bajo costo. Es particularmente apropiado para afecciones crónicas de larga duración, para la planificación de servicios de salud y para encuestas de monitoreo repetidas (p. ej., encuestas nacionales de salud). Evite este diseño cuando la pregunta de investigación requiera establecer un orden temporal causal (utilice un diseño de cohortes o experimental en su lugar), cuando el resultado sea raro (el estudio de casos y controles es más eficiente) o cuando la exposición o el estado de la enfermedad cambien rápidamente con el tiempo, lo que hace que una instantánea única sea poco informativa o susceptible al sesgo de prevalencia-incidencia.

Limitaciones y consideraciones

  • No puede establecer el orden temporal entre la exposición y el resultado, por lo que la inferencia causal no está directamente respaldada.
  • Susceptible al sesgo de prevalencia-incidencia (Neyman): las afecciones que son rápidamente fatales o de corta duración están subrepresentadas porque los individuos afectados tienen menos probabilidades de ser capturados en la instantánea.
  • El sesgo de no respuesta puede ser sustancial; los individuos que participan pueden diferir sistemáticamente de los que no lo hacen.
  • La causalidad inversa es posible: la enfermedad observada puede haber causado la exposición medida en lugar de lo contrario.

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

Fortalezas

  • No se requiere seguimiento: la recopilación de datos es rápida y relativamente económica en comparación con los diseños de cohortes o ensayos.
  • Bien adaptado para estimar la prevalencia y para la planificación y el monitoreo de programas de salud pública.
  • Se pueden examinar múltiples exposiciones y resultados simultáneamente en un solo estudio.
  • Factible a gran escala utilizando datos administrativos o de encuestas existentes, lo que permite una alta potencia estadística para resultados comunes.

Aplicaciones

  • Estimar la prevalencia nacional o regional de afecciones crónicas como hipertensión, diabetes, obesidad o trastornos de salud mental.
  • Evaluar la distribución de factores de riesgo conductuales (tabaquismo, inactividad física, consumo de alcohol) en diferentes grupos demográficos.
  • Encuestas transversales repetidas para monitorear tendencias en indicadores de salud poblacional a lo largo del tiempo sin seguir a los mismos individuos.
  • Evaluar los patrones de utilización de la atención médica e identificar necesidades insatisfechas para la planificación de servicios de salud.
  • Evaluación de programas de detección: establecer la prevalencia basal de una afección antes de introducir una intervención de detección.
  • Generación de hipótesis sobre factores de riesgo que luego se prueban en estudios de cohortes o experimentales.

Cómo funciona

Cómo funciona

1

El investigador especifica la población objetivo y el período de estudio. Se definen los criterios de elegibilidad (edad, geografía, entorno clínico, etc.) para garantizar que la muestra sea representativa de la población para la que se pretenden las inferencias. Se establece una definición clara de caso y de exposición antes de que comience la recopilación de datos.

2

Se extrae una muestra de la población objetivo, idealmente mediante muestreo probabilístico (aleatorio simple, estratificado, por conglomerados o sistemático) para maximizar la representatividad y permitir estimaciones de prevalencia imparciales. El tamaño de la muestra se calcula a priori utilizando la prevalencia esperada, la precisión o potencia deseadas y el efecto del diseño si se utiliza muestreo por conglomerados.

3

Todos los individuos muestreados se evalúan en (aproximadamente) el mismo momento tanto para la(s) exposición(es) como para el(los) resultado(s). Las fuentes de datos incluyen cuestionarios estandarizados, exámenes clínicos, especímenes biológicos o registros administrativos. Dado que la exposición y el resultado se recopilan simultáneamente, el diseño no puede determinar el orden temporal.

4

El estimador principal es la proporción de prevalencia puntual: el número de individuos con el resultado dividido por el total examinado, expresado como un porcentaje o por cada 1.000. También se puede informar la prevalencia de período (durante una ventana corta definida). Prevalencia = (Número de casos en el momento T) / (Población total examinada) x 100.

Fórmula
Prevalence = (Number of cases at time T) / (Total population examined) x 100
5

Las asociaciones entre las categorías de exposición y el resultado se cuantifican utilizando la Razón de Prevalencia (RP) o la Razón de Odds de Prevalencia (ROP), con intervalos de confianza. La regresión logística o de Poisson multivariable puede ajustar por confundidores. Dado que la secuencia temporal es desconocida, estas asociaciones se interpretan como generadoras de hipótesis en lugar de causales. RP = Prevalencia en expuestos / Prevalencia en no expuestos.

Fórmula
Prevalence Ratio (PR) = Prevalence in exposed / Prevalence in unexposed

Errores comunes

  • Confundir prevalencia con incidencia: un estudio transversal mide casos existentes (prevalencia), no nuevos (incidencia); interpretar las razones de prevalencia como razones de tasas de incidencia es incorrecto sin suposiciones adicionales.
  • Ignorar el diseño de muestreo complejo en el análisis: si se utilizó muestreo por conglomerados o estratificado, los errores estándar deben tener en cuenta el efecto del diseño; no hacerlo produce errores estándar subestimados e intervalos de confianza engañosamente estrechos.
  • Sesgo de prevalencia-incidencia: las afecciones de corta duración (recuperación rápida o muerte rápida) parecerán artificialmente raras; los investigadores deben reconocer que la prevalencia medida refleja la supervivencia y la duración, no solo la incidencia.
  • Sacar conclusiones causales: sin datos longitudinales, las asociaciones observadas no pueden atribuirse a que la exposición cause el resultado; el lenguaje en los informes debe reflejar la naturaleza descriptiva y generadora de hipótesis del diseño.
  • Tamaño de muestra inadecuado para análisis de subgrupos: el tamaño de muestra general puede ser suficiente para la estimación principal pero demasiado pequeño para detectar asociaciones en subgrupos clínicamente importantes; la potencia de los subgrupos debe planificarse explícitamente.

Preguntas frecuentes

¿Puedo establecer causalidad a partir de un estudio transversal?

No. Dado que la exposición y el resultado se miden al mismo tiempo, no se puede determinar cuál ocurrió primero. Los estudios transversales se utilizan mejor para describir la prevalencia y generar hipótesis. Para probar hipótesis causales, se requiere un estudio de cohortes prospectivo o un ensayo aleatorizado.

¿Cuál es la medida de efecto apropiada para un estudio transversal?

La Razón de Prevalencia (RP) es generalmente preferible a la Razón de Odds de Prevalencia (ROP) porque es más interpretable directamente, especialmente cuando la prevalencia del resultado excede el 10%. La RP se puede estimar utilizando regresión de Poisson con varianza robusta; la ROP se obtiene de la regresión logística. Para resultados raros, los dos convergen.

¿Qué tan grande debe ser mi muestra?

El tamaño de la muestra depende de la prevalencia esperada del resultado, la precisión deseada (margen de error para la estimación de la prevalencia) o la potencia (para detectar asociaciones), y el diseño de muestreo. Para la estimación de la prevalencia sola, n = Z^2 * p(1-p) / e^2 (donde p es la prevalencia esperada y e es el margen de error aceptable). Si se utiliza muestreo por conglomerados, multiplique por el efecto del diseño, típicamente 1.5–2.5.

¿En qué se diferencia un estudio transversal de un estudio de cohortes?

Un estudio de cohortes sigue a los participantes a lo largo del tiempo y puede medir directamente la incidencia, establecer el orden temporal y respaldar una inferencia causal más sólida. Un estudio transversal recopila una instantánea sin seguimiento, lo que lo hace más rápido y económico, pero incapaz de establecer la secuencia temporal. Los estudios de cohortes son preferibles para preguntas causales; los estudios transversales son preferibles para la estimación de la prevalencia y la generación de hipótesis.

¿Qué es el sesgo de prevalencia-incidencia y cómo puedo abordarlo?

El sesgo de prevalencia-incidencia (sesgo de Neyman) ocurre porque una muestra transversal sobre-representa a las personas que sobreviven lo suficiente con la afección para ser capturadas en la encuesta. Las afecciones que son rápidamente fatales o de corta duración se subestiman. Para minimizar esto, utilice registros completos o datos administrativos, reconozca explícitamente la limitación y evite extrapolar las estimaciones de prevalencia a conclusiones de incidencia.

Métodos relacionados

Fuentes

  1. Kelsey, J. L., Whittemore, A. S., Evans, A. S., & Thompson, W. D. (1996). Methods in Observational Epidemiology (2nd ed.). Oxford University Press.

    ISBN: 978-0195080407
    Copiado.
  2. Cross-sectional study. Wikipedia.

    Abrir referencia de la publicación
    Copiado.