Análisis Dosis-Respuesta — Cuantificación de la Relación entre el Nivel de Exposición y el Riesgo de un Resultado
- Propuesto por
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- Año
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- Tipo
- Quantitative analytical method
- Familia
- Clinical / epidemiology
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El análisis dosis-respuesta cuantifica la relación entre la magnitud de una exposición (la dosis) y la probabilidad o tasa de un resultado (la respuesta).
Es una estrategia analítica central en epidemiología y toxicología, que proporciona evidencia de que el aumento de la exposición aumenta —o disminuye— sistemáticamente el riesgo de enfermedad. Un gradiente dosis-respuesta demostrado es uno de los criterios clásicos de Bradford Hill que apoya la inferencia causal.
La intuición detrás del método
Piense en el análisis dosis-respuesta como la pregunta: ¿más exposición significa más daño? Si los trabajadores expuestos a niveles más altos de un químico tienen tasas progresivamente más altas de enfermedad pulmonar en comparación con los expuestos a niveles más bajos, ese gradiente es tanto una medida de riesgo como un argumento para la causalidad. El método va más allá de una simple comparación expuesto-vs-no expuesto para mapear la curva completa de exposición-riesgo —que puede ser lineal, basada en umbrales, en forma de U o saturante—, proporcionando a los reguladores, clínicos e investigadores una imagen cuantitativa de cómo cambia el riesgo en todo el espectro de exposición.
Historia
El principio de que la dosis hace el veneno fue articulado por Paracelso en el siglo XVI. La aplicación epidemiológica formal comenzó con la investigación de John Snow sobre el cólera en 1854, que cuantificó el riesgo por la distancia a la bomba de Broad Street. El método se codificó a mediados del siglo XX a través del trabajo de Bradford Hill, quien incluyó el gradiente dosis-respuesta como uno de sus nueve criterios de 1965 para la inferencia causal en epidemiología. El modelado cuantitativo de dosis-respuesta basado en regresión se estandarizó con el auge de la regresión logística y de Cox en las décadas de 1970 y 1980, y el modelado flexible basado en splines de las curvas de exposición-respuesta se generalizó a partir de la década de 1990 en adelante.
Cuándo usarlo
Utilice el análisis dosis-respuesta siempre que la exposición pueda cuantificarse en una escala ordinal o continua y la pregunta sea si una mayor exposición se traduce en un mayor (o menor) riesgo. Es una práctica estándar en epidemiología ocupacional, salud ambiental, farmacoepidemiología y epidemiología nutricional. También es un componente clave de la agrupación meta-analítica de datos resumidos de múltiples estudios. No lo aplique cuando la exposición sea inherentemente binaria sin un gradiente significativo (por ejemplo, cirugía vs. no cirugía), cuando las categorías de exposición sean muy pocas (menos de tres niveles ordenados) para modelar una tendencia, o cuando la medición de la exposición sea tan imprecisa que la categorización no sea fiable; en esos casos, una simple comparación de dos grupos es más apropiada.
Limitaciones y consideraciones
- Requiere una medición de exposición precisa y detallada; la clasificación errónea atenúa las estimaciones de dosis-respuesta hacia el nulo.
- La categorización de una exposición continua introduce puntos de corte arbitrarios y puede crear u ocultar la no linealidad.
- La confusión (confounding) debe controlarse en cada nivel de exposición por separado, lo que aumenta la complejidad de la estrategia de ajuste.
- Los pequeños números de sujetos en las categorías de exposición extremas reducen la precisión y pueden requerir la agrupación de categorías.
- El sesgo de publicación y la notificación selectiva de las categorías de dosis pueden distorsionar las curvas dosis-respuesta agrupadas en meta-análisis.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Proporciona evidencia de un gradiente causal, fortaleciendo la inferencia causal más allá de una única comparación expuesto-vs-no expuesto.
- Estima el riesgo en múltiples niveles de exposición, permitiendo el establecimiento de estándares regulatorios y la identificación de umbrales clínicos.
- Compatible con la mayoría de los diseños de estudios observacionales (cohortes, casos y controles, transversales) y con meta-análisis de datos resumidos.
- El modelado flexible (splines, polinomios) se adapta a relaciones no lineales y de umbral.
- Apoya la evaluación cuantitativa de riesgos y el modelado de impacto en la salud.
Aplicaciones
- Salud ocupacional: cuantificación del riesgo de cáncer de pulmón en categorías de exposición acumulada a asbesto o sílice.
- Farmacoepidemiología: relación de la dosis acumulada de estatinas con la reducción de las tasas de eventos cardiovasculares.
- Epidemiología ambiental: modelado de la asociación entre la concentración de material particulado fino (PM2.5) ambiental y la mortalidad por todas las causas.
- Epidemiología nutricional: caracterización de la relación en forma de U entre el consumo de alcohol y el riesgo cardiovascular.
- Toxicología: establecimiento de dosis de referencia (benchmark doses) y concentraciones de referencia seguras para la evaluación de riesgos regulatorios.
- Meta-análisis: agrupación de riesgos relativos específicos por dosis de múltiples estudios de cohortes para derivar una curva dosis-respuesta resumida.
Cómo funciona
Cómo funciona
La variable de exposición se define y mide en una escala ordinal o continua: dosis acumulada, intensidad promedio, duración o concentración pico. La evaluación de la exposición clara y reproducible es fundamental porque la clasificación errónea de los niveles de exposición —particularmente la clasificación errónea no diferencial— sesga las estimaciones de dosis-respuesta hacia el nulo.
La exposición se agrupa en categorías ordenadas (por ejemplo, cuartiles o puntos de corte clínicamente significativos) para un análisis de tendencia categórico, o se modela como una variable continua utilizando splines de regresión, polinomios o polinomios fraccionarios. Los enfoques categóricos son más transparentes y requieren menos suposiciones; el modelado continuo captura la forma completa de la curva y evita la categorización arbitraria.
Para cada nivel o incremento de exposición, se estima una medida de efecto en relación con una categoría de referencia (generalmente el grupo de menor exposición o no expuesto). En estudios de cohortes, este es típicamente el riesgo relativo o la razón de riesgos instantáneos (hazard ratio); en estudios de casos y controles, la razón de momios (odds ratio). Se pueden utilizar la regresión de Poisson, la regresión de Cox o la regresión logística, según el tipo de resultado. Un modelo polinomial o de splines del logaritmo del riesgo en función de la dosis produce la curva dosis-respuesta: ln(RR) = β₀ + β₁d + β₂d².
Fórmula
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
Se realiza una prueba formal de tendencia lineal asignando la mediana o el punto medio de cada categoría de exposición como una puntuación continua y se introduce en el modelo de regresión. Un valor p significativo (o, en meta-análisis, un coeficiente de tendencia agrupado) confirma que la asociación cambia en una dirección consistente a través de los niveles de exposición.
Más allá de la prueba de tendencia lineal, se evalúa la forma funcional de la relación. Los splines cúbicos restringidos o los modelos de polinomios fraccionarios permiten la detección de patrones no lineales como un umbral (ningún efecto por debajo de una cierta dosis), una meseta (el efecto se estabiliza en dosis altas) o una forma de U (tanto la exposición baja como la alta se asocian con un mayor riesgo). La forma elegida tiene implicaciones directas para la evaluación de riesgos y los umbrales regulatorios.
Errores comunes
- Elegir categorías de exposición después de inspeccionar los datos —la categorización basada en datos infla la dosis-respuesta aparente y produce valores p optimistas; las categorías deben definirse a priori.
- Ignorar la no linealidad —optar por una prueba de tendencia lineal sin verificar la forma funcional puede pasar por alto relaciones de umbral o en forma de U que son científica y prácticamente importantes.
- Usar el grupo de mayor exposición como categoría de referencia —esto es correcto solo si también es el grupo más grande; el grupo no expuesto o de menor exposición es la referencia convencional porque maximiza la potencia estadística y la interpretabilidad.
- Confundir la dosis-respuesta con el efecto del trabajador sano o del usuario sano —los individuos que se autoseleccionan en niveles de exposición más altos pueden diferir sistemáticamente de los grupos de menor exposición de maneras que sesgan el gradiente estimado.
Preguntas frecuentes
¿Cuál es la diferencia entre una prueba de tendencia lineal y un modelo completo de dosis-respuesta?
Una prueba de tendencia lineal colapsa la relación dosis-respuesta en un único coeficiente de pendiente y prueba si esa pendiente difiere de cero. Es concisa pero asume linealidad y no puede detectar patrones de umbral o en forma de U. Un modelo completo de dosis-respuesta —utilizando splines o polinomios— estima la curva completa de exposición-riesgo, revelando si la relación es lineal, no lineal o dependiente de umbrales. Ambos enfoques son complementarios y generalmente deben informarse juntos.
¿Se puede aplicar el análisis dosis-respuesta a datos de casos y controles?
Sí. En un estudio de casos y controles, se definen categorías de exposición tanto para casos como para controles, y se estiman las razones de momios para cada nivel de exposición en relación con la categoría de referencia utilizando regresión logística condicional o incondicional. La puntuación de exposición ordinal se introduce luego como una variable continua en el modelo para probar la tendencia. La interpretación es análoga al análisis de estudios de cohortes, pero la razón de momios aproxima el riesgo relativo solo cuando el resultado es raro.
¿Cómo agrupo datos de dosis-respuesta de múltiples estudios en un meta-análisis?
El método de Greenland y Longnecker (1992) es el enfoque estándar. Reconstruye la matriz de covarianza de los logaritmos de los riesgos relativos entre las categorías de exposición de cada estudio y luego utiliza mínimos cuadrados generalizados para ajustar una tendencia común de dosis-respuesta. Esto requiere que los estudios individuales informen el número de casos y el tiempo-persona (o controles) por categoría de exposición junto con la estimación del efecto ajustado, información que a veces falta en los informes publicados.
¿Cuándo debo usar splines cúbicos restringidos en lugar de regresión polinomial?
Los splines cúbicos restringidos (también llamados splines naturales) son generalmente preferidos sobre los polinomios porque se ajustan de manera flexible en el interior del rango de exposición mientras se restringen a ser lineales en las colas, lo que evita extrapolaciones erráticas más allá de los datos. Los polinomios pueden producir curvas inverosímiles en los extremos. Para la mayoría de los análisis epidemiológicos de dosis-respuesta, de tres a cinco nudos colocados en los cuantiles de la distribución de exposición proporcionan un buen equilibrio entre flexibilidad y parsimonia.
¿Un gradiente dosis-respuesta prueba la causalidad?
No. Un gradiente dosis-respuesta es uno de los criterios de Bradford Hill que fortalece un argumento causal, pero no es ni necesario ni suficiente por sí solo. La confusión, la causalidad inversa y la clasificación errónea de la exposición pueden producir o enmascarar un gradiente. La evidencia de dosis-respuesta debe interpretarse junto con la temporalidad, la consistencia entre estudios, la plausibilidad biológica y otros criterios causales.
Métodos relacionados
Fuentes
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755641Copiado.Greenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.
Abrir referencia DOICopiado.