Vigilancia colectiva de la salud: técnicas básicas

Transcripción

1 FICHA TÉCNICA AUTOR: MOLINA ARAGONÉS, Josep. TÍTULO: Vigilancia colectiva de la salud: técnicas básicas para su implantación. FUENTE: Riesgos Laborales, nº 35, pág. 34, febrero RESUMEN: La epidemiología y la estadística médica son algunas de las herramientas de la Medicina del Trabajo para llevar a cabo una eficaz vigilancia de la salud colectiva. Sirven para efectuar diagnósticos de puestos de trabajo o colectivos profesionales, identificar problemas relacionados con la exposición laboral y monitorizar cambios o tendencias en las condiciones de trabajo. Además, permiten interpretaciones coherentes de los resultados de la vigilancia de la salud, que serán indispensables para planificar y ejecutar las acciones preventivas adecuadas. DESCRIPTORES: Vigilancia de la salud. Medicina del Trabajo. Epidemiología. Riesgo. Estadística médica. Población trabajadora. Vigilancia colectiva de la salud: técnicas básicas para su implantación La vigilancia colectiva de la salud sirve para conocer el estado de salud de la población trabajadora. Establecer relaciones entre los factores de riesgo, los riesgos laborales y los problemas de salud derivados de éstos permite planificar, priorizar y ejecutar las actividades preventivas adecuadas. Josep Molina Aragonés, médico del Trabajo, unidad de revisiones médicas del laboratorio Dr. Echevarne, Barcelona. Riesgos Laborales 34

2 La vigilancia colectiva de la salud pretende conocer el estado de salud de la población trabajadora y la evolución de sus tendencias, y poder establecer relaciones entre los factores de riesgo, los riesgos laborales y los problemas de salud derivados de éstos, para poder planificar, priorizar y ejecutar las actividades preventivas. La vigilancia colectiva de la salud es un instrumento indispensable para la salud laboral. La epidemiología es una disciplina que se convertirá en una herramienta al servicio de la medicina del Trabajo para poder efectuar una vigilancia de la salud colectiva de calidad, con rigor científico y técnico. Gracias a ella, en el ámbito laboral se pueden efectuar diagnósticos de puestos de trabajo o colectivos profesionales, identificar problemas relacionados con la exposición laboral, monitorizar cambios o tendencias en las condiciones de trabajo, sus repercusiones sobre la salud, etc. La estadística médica también será una herramienta al alcance para efectuar la vigilancia de la salud colectiva. El conocimiento de ciertas técnicas básicas, cuando menos el conocimiento de su existencia, y la posibilidad de recurrir a ellas en un momento de necesidad, permitirá efectuar interpretaciones coherentes de los resultados de la vigilancia y dar consistencia al trabajo habitual de los servicios de salud laboral. Posiblemente se deba acudir a la literatura para refrescar conceptos como contraste de hipótesis o el valor p, que se escapan del objeto de este artículo. La finalidad es dar unos conceptos muy básicos de qué herramientas se pueden utilizar, y cómo hacerlo para llevar a cabo una vigilancia de la salud colectiva sencilla y con criterios epidemiológicos. Para evidenciar que provecho se puede sacar de la aplicación de técnicas estadísticas básicas, se aplicarán ejemplos que faciliten su comprensión 1. Tests de conformidad Los tests de conformidad persiguen averiguar 1 Los análisis que ejemplifican este artículo y que se muestran en las distintas figuras se han obtenido a partir de los módulos de distribuciones de probabilidad y tablas de contingencia (2x2) del programa de distribución gratuita EPIDAT, disponible en las referencias bibliográficas. Los tests de conformidad persiguen averiguar si una muestra puede proceder de una población determinada. El principal problema para comparar los resultados de la vigilancia se encuentra en disponer de estándares de referencia si una muestra puede proceder de una población determinada. El principal problema para comparar los resultados de la vigilancia se encuentra en disponer de estándares de referencia, valores que permitan efectuar estas comparaciones, lo cual es complejo, cuando no imposible, si se habla de morbilidad de origen laboral. Conformidad de una proporción Interesa saber si los resultados de la vigilancia de la salud que se han llevado a cabo en la empresa, servicio o centro de trabajo, se distribuyen de acuerdo con la población en la que se ha originado dicha muestra. Se supone, por ejemplo, que en la población, un 26 por ciento de los individuos han manifestado haber necesitado consulta médica por dolor de espalda el último año. De forma aislada, este valor no ofrece ninguna información; ahora bien, consultando la encuesta nacional de condiciones de trabajo, se sabe que en la población trabajadora, este porcentaje es de un 39 por ciento. La pregunta formulada es: es esta diferencia significativa? Es realmente menor el porcentaje de dolor de espalda en nuestro colectivo? Para averiguar esto, se plantea un contraste de hipótesis para inferir el comportamiento de una proporción; formalmente, lo que se hará es calcular el intervalo de confianza de ésta. Para calcular esta cifra, sin recurrir a soluciones informáticas, se procederá del modo siguiente: Se obtiene el error estándar, de acuerdo con la fórmula: Sp = [ p(1-p) / n] 1/2 El intervalo de confianza (al 95 por ciento), se obtiene finalmente aplicando ± 2 veces este error estándar al porcentaje obtenido. Debe hacerse notar que este error estándar depende, tanto del porcentaje de ocurrencia del suceso (p), como del tamaño muestral. El aumento de este último disminuye la probabilidad de cometer errores en la estimación. Observación: Hace falta trabajar con muestras grandes. En el caso de las pequeñas, por convención inferiores a 100, será preciso efectuar los cálculos utilizando unos distribución binomial, de 35 Riesgos Laborales

3 modo que será preciso obtener los correspondientes valores en las tablas pertinentes, a las que se remite al lector. Como se ve, el porcentaje de la población de origen se encontraría, si se efectuará repetidamente la medición entre 16,9 y 35,1 por ciento (Figura 1). Sólo una vez de cada 100 (valor p ), el porcentaje escaparía de estos márgenes de confianza. Ante este resultado, la conclusión es que se rechaza la hipótesis nula (de homogeneidad), con un riesgo de equivocación del 1 por ciento. El razonamiento es que el porcentaje de lumbalgias en nuestra población es significativamente menor y posiblemente se debería indagar el porqué de este resultado. Conformidad de una media En este caso, se quiere contrastar si la distribución de una variable de tipo continuo (caracterizada por una medida de tendencia central como la media y una medida de dispersión como la desviación estándar) se distribuye en la población del mismo modo como lo hace en nuestra muestra. Para ilustrarlo con un ejemplo, como en el caso anterior, se piensa en la distribución de un parámetro biológico en nuestra población. Su distribución es de 15,3 mmol. con una desviación estándar de 2,2 mmol. Si se sabe que el valor poblacional de este tóxico es de 12 mmol., es necesario preocuparse por este aumento? La solución se vislumbra calculando, una vez más, el intervalo de confianza. Para muestras grandes (considerando un número de individuos superior a 30) este intervalo se calcula de la siguiente manera: FIGURA 1 Resultados de la conformidad de una proporción Número de casos: 26 Tamaño de muestra: 100 Valor a contrastar: 39,000% Proporción (%) IC (95,0%) ,000 16,903 35,097 Prueba para una proporción Estadístico Z ,5628 0,0104 Inferencia sobre una media Media: 15,300 Desviación estándar: 2,200 Tamaño de muestra: 100 Valor a contrastar: 12,000 Media IC (95,0%) ,300 14,863 15,737 Prueba para una media Estadístico t gl 15, ,0000 FIGURA 2 IC = m ± 2 EE Donde el error estándar (EE) se calcula gracias a: EE = Desviación típica / (n-1) 1/2 La interpretación, como en el caso anterior, es que, en caso de repetir las determinaciones en múltiples ocasiones, el 95 por ciento de las veces el valor poblacional se encontraría entre 14,62 y 15,37 (Figura 2). De forma simple, se puede concluir que nuestro valor es significativamente superior al poblacional y sería preciso investigar el origen de este aumento. Tests de homogeneidad Proporción En este caso, se pretende comparar el comportamiento de la variable de estudio en dos grupos de una misma muestra, por ejemplo, dos centros de trabajo. En uno de ellos, la proporción de individuos con criterios de asma bronquial es de un 7 por ciento y en otro, este porcentaje es del 10; en ambos hay 100 trabajadores. Es significativa esta diferencia? Puede explicarse exclusivamente por el azar? Nuevamente, el procedimiento pasa por el cálculo de un intervalo de confianza; en este caso, el de la diferencia de porcentajes, lo que se efectuará del modo siguiente: Se calcula el error estándar, de acuerdo con la fórmula siguiente: EE = [ p(1-p) (1/n 1 + 1/n 2 )] 1/2 Como en los casos anteriores, el intervalo de confianza, al 95 por ciento, se obtiene aplicando ± 2 veces este error estándar al porcentaje calculado. Riesgos Laborales 36

4 En el ejemplo propuesto, se ve que la conclusión es que no se detectan diferencias estadísticamente significativas (la diferencia de proporciones es de un 3 por ciento, valor incluido en el intervalo de confianza calculado) (Figura 3). Para comprobar el efecto del tamaño muestral, se observa como, aumentando el tamaño de la muestra (1.000 trabajadores por centro), el test es capaz de detectar diferencias estadísticamente significativas (debido al aumento de la potencia del estudio), que no podrían explicarse exclusivamente por el azar (Figura 4). Homogeneidad de dos medias (con datos independientes) Conceptualmente, el problema planteado es igual que en el caso anterior, pero se quiere comprobar si son significativas las diferencias entre dos medias. Por ejemplo, los valores de tensión arterial sistólica (TAS) en dos centros de trabajo o en dos departamentos de una misma empresa. Como resultado de la vigilancia periódica de la salud, se evidencia que en un departamento de 50 personas esta TAS se distribuye con una media y una desviación estándar de 127 ± 10 mmhg. y en el otro, con 65 personas, los valores de dicha distribución son de 140 ± 12 mmhg. Son diferentes estos valores o bien esta diferencia puede explicarla el azar (no son distintos)? Nuevamente, el cálculo numérico se efectuará determinando el intervalo de confianza. En este caso, el error estándar se aplicará a la diferencia de medias a comparar (m 1 m 2 ). El error estándar se obtiene gracias a la siguiente fórmula: EE = [ de 1 /n 1 + de 2 /n 2 ] 1/2 Donde de = Desviación estándar. En este ejemplo, como se puede apreciar, el intervalo de confianza incluye el valor de las diferencias de medias, de modo que se debe concluir que no existen diferencias estadísticamente significativas entre los valores obtenidos. Observación: con muestras pequeñas será preciso aplicar la t de Student, realizando un cálculo similar. Se remite a los lectores a estudios especializados para conocer exactamente el modo de realizar estos cálculos. Homogeneidad de dos medias (con datos apareados) Con este tipo de datos, el problema que se presenta es determinar si se han producido modificaciones de dos medias cuando el estudio se FIGURA 3 Resultados de la comparación de dos proporciones Comparación de dos proporciones. Muestras independientes. Muestra 1 Muestra 2 Número de casos 7 10 Tamaño de muestra Proporción(%) 7,000 10,000 Diferencia de proporciones IC (95,0%) ,117 0,057 Prueba de comparación de proporciones Estadístico Z ,5071 0,6121 FIGURA 4 Resultados de la comparación de dos proporciones (N = 2000) Comparación de dos proporciones. Muestras independientes Muestra 1 Muestra 2 Número de casos Tamaño de muestra Proporción(%) 7,000 10,000 Diferencia de proporciones IC (95,0%) ,055-0,005 Prueba de comparación de proporciones Estadístico Z ,3252 0,0201 realiza en dos momentos temporales distintos, sobre los mismos individuos. Aritmética y metodológicamente, la cuestión se ciñe a calcular nuevamente un intervalo de confianza y valorar el comportamiento de los datos. Se supone, en este caso, que se aplica un test a 60 trabajadores 37 Riesgos Laborales

5 FIGURA 5 Resultados de la comparación de dos medias, con muestras independientes Comparación de dos medias. Muestras independientes Muestra 1 Muestra 2 Media 127, ,000 Desviación estándar 10,000 12,000 Tamaño de muestra Prueba de comparación de varianzas Estadístico F gl numerador gl denominador , ,1848 Diferencia de medias Varianzas IC (95,0%) ,000 Iguales 8,835 17,165 Distintas 8,932 17,068 Prueba de comparación de medias Varianzas Estadístico t gl Iguales 6, ,0000 Distintas 6, ,0000 FIGURA 6 Resultados de la comparación de dos medias, con datos aparejados Comparación de dos medias. Muestras emparejadas Diferencia de medias: 15,000 Desv.estándar de las diferencias: 11,200 Número de pares: 60 Diferencia de medias IC (95,0%) ,000 12,107 17,893 Prueba de comparación de medias Estadístico t gl , ,0000 para medir cualquier aspecto de interés. Después de efectuar una intervención en el seno de la empresa, se vuelve a aplicar el mismo test y se miden los resultados. En este caso, el cálculo del intervalo se realizará aplicando a la media de las diferencias de las puntuaciones obtenidas el error estándar, que se obtendrá mediante aplicación de la fórmula siguiente: EE = ds / (n-1) 1/2, En ésta, la desviación estándar (ds) se corresponde con la obtenida como resultado de la nueva variable generada a partir de las diferencias obtenidas entre las puntuaciones logradas antes y después de la intervención. En el ejemplo propuesto, se observa como el intervalo calculado incluye el valor de la diferencia obtenida como resultado de la intervención; se concluye que no existen (o no se han detectado) diferencias estadísticamente significativas entre los resultados del test, antes y después de la intervención. Epidemiología La dinámica más habitual de los servicios de salud laboral, en la que los reconocimientos médicos resultado de la vigilancia individual de la salud son la fuente principal de obtención de información, reproduce un diseño epidemiológico de tipo transversal: una imagen fija en el tiempo, momento en que se miden simultáneamente datos de exposición, que se deberían conocer y actualizar sobre la información de las evaluaciones de riesgos, de morbilidad y salud, a partir de la vigilancia individual de la salud y otras fuentes al alcance. Este tipo de análisis tienen la ventaja (como los propios diseños transversales) de su facilidad para llevarlos a cabo y ser poco costosos en términos económicos. Son una fuente ampliamente utilizada para la planificación y para la evaluación de servicios y actividades sanitarias. Análisis de los datos En un análisis bivariante de los datos, el más sencillo al alcance, se debe conseguir transformar la información en tablas de contingencia o de doble entrada como la que se muestra a continuación: en uno de los ejes se colocará el factor de exposición que se considere (sexo, edad, tóxicos, exposición a ruido o cargas, resultado de una encuesta, etc.) y Riesgos Laborales 38

6 en el otro, el efecto objeto de estudio (calidad de vida, tensión arterial, absentismo, etc.) Exposición + Efecto + A C Medidas de frecuencia La medida más elemental de frecuencia de una enfermedad, o cualquier otra circunstancia, es el número de personas que lo sufren o lo presentan. Por sí misma, esta medida no tiene utilidad para determinar la importancia de cualquier problema que afecta a la salud, el cual hace falta B D siempre referenciar al tamaño poblacional y al periodo de tiempo en el que éstos se identificaron. Las medidas de frecuencia que se pueden obtener serán datos de prevalencia, que se define como la proporción de individuos que sufren una enfermedad o condición en un periodo determinado de tiempo. De acuerdo con la tabla adjunta, la prevalencia se calcularía del siguiente modo: Prevalencia = A+C / A+C+B+D Otra medida que se puede utilizar es la prevalencia de periodo, que se define como la proporción de personas que han presentado una enfermedad o una determinada condición durante un periodo de tiempo. En estos casos, el problema viene determinado por el denominador que, habitualmente, se considera la población en el punto medio del periodo de estudio. Medidas de asociación Uno de los objetivos principales de los análisis debe ser comparar las frecuencias de enfermedad o de efectos de salud entre individuos con unas características, y otros que no las tienen (lógicamente, en el medio laboral, esta diferenciación principal vendrá dada por la exposición en el trabajo). Los estudios transversales ofrecen como medidas habituales de asociación la razón de prevalencias (RP) y la Odds Ratio de prevalencias (POR). Ambas medidas indican conceptos intuitivamente similares, pero es importante tener claras sus diferencias para no confundirlas, dado que, en muchos casos, los valores son muy parecidos y pueden interpretarse de forma casi intercambiable. El POR es el indicador más ampliamente utilizado. La principal razón parece ser la mayor disponibilidad en programas informáticos y no tanto por ser metodológicamente más correcto. No es fácil decidir cual de las dos medidas es más adecuada: hace falta valorar el contexto del estudio y el valor que se trata de estimar. La manera de obtener estos valores es la siguiente, a partir de la construcción de la tabla de contingencia: Efecto + Exposición + A C B D A+B C+D A+C B+D N Stock Photos Uno de los objetivos principales de los análisis debe ser comparar las frecuencias de enfermedad o de efectos de salud entre individuos con unas características, y otros que no las tienen. Prevalencia en expuestos (Pe) = A / A + B Prevalencia en no expuestos (Pne) = C / C + D Odds prevalencia expuestos (OPe) = Pe / (1-Pe) Odds prevalencia no expuestos (OPne) = Pne / (1 - Pne) Razon de prevalencias (RP) = Pe / Pne Odds ratio prevalencia (POR) = OPe / OPne Se propone un ejemplo, cuyos resultados se muestran en la Figura 7: en un centro de trabajo, con 800 trabajadores, 400 de ellos se encuentran significativamente expuestos a ruido industrial, lo que no sucede con los restantes 400. Al efectuar 39 Riesgos Laborales

7 la vigilancia de la salud, se detectan 250 alteraciones auditivas (150 de ellas en trabajadores expuestos). Una vez efectuado el análisis, se observa que la ORP es de 1,8, con un intervalo de confianza de 1,32 a 2,43. FIGURA 7 Medidas de asociación epidemiológica. Resultados de un análisis de Odds Ratio de prevalencia. Tipo de estudio: Transversal. Tabla Enfermos Sanos Total Expuestos No expuestos Total Prevalencia de la enfermedad Estimación IC (95,0%) En expuestos 0, En no expuestos 0, Razón de prevalencias 1, ,213 1,853 (Katz) Sin entrar en grandes consideraciones numéricas, el hecho de que el intervalo de confianza sea en su totalidad superior a 1 (situación en que la prevalencia en expuestos y no expuestos sería idéntica), informa de la significación estadística de la prueba. Una interpretación del valor obtenido se efectuaría del modo siguiente: los trabajadores expuestos a ruido tienen una probabilidad 1,8 veces superior a aquellos no expuestos, de presentar alteraciones auditivas (repitiendo en múltiples ocasiones el estudio, el 95 por ciento de las veces los valores obtenidos oscilarían entre 1,32 y 2,43). Medidas de impacto Las medidas de impacto reflejan el efecto esperado al cambiar uno o más factores de riesgo o realizar una acción de cariz preventivo en una población determinada. La mayor parte de estas medidas se obtienen en estudios con otros tipos de diseño, pero puede hacerse una aproximación con el cálculo de la fracción etiológica, que permite calcular el porcentaje de enfermedad que se podría eliminar si el nivel de exposición del grupo expuesto fuera el mismo que el del grupo no expuesto. Esta fracción etiológica, en estudios con diseño transversal, se define cómo: FE = p (POR-1) / p (POR-1) + 1 donde p = Proporción de expuestos entre la población de estudio. Prevalencia de exposición Estimación IC(95,0%) En enfermos 0, En no enfermos 0, Razón de prevalencias 1, , , (Katz) OR IC (95,0%) , , , (Woolf) 1, , (Cornfield) Prueba Ji-cuadrado de asociación Estadístico Sin corrección 14,5455 0,0001 Corrección de Yates 13,9695 0,0002 Prueba exacta de Fisher Unilateral 0,0001 Bilateral 0,0002 BIBLIOGRAFÍA > Hernberg, S., Introducción a la Epidemiología Ocupacional. Diaz de Santos S.A Madrid. > De la Iglesia, A.; Sole, M. D.; Marqués, F. y Pérez, J. Epidemiología Laboral. INSHT. Madrid > Thompson, M. L.; Myers, J.L. y Kriebel, D. Prevalence odds ratio or prevalence ratio in the analysis of cross sectional data: what is to be done? Occup. Environ. Med. 1998; 55; > Schiaffino, A. et al. Odds ratio o razón de proporciones? Su utilización en estudios transversales. Gac. Sanit 2003; 17(1):70-4. > Metodología de la investigación. com/mbe/investiga/index.asp > EPIDAT. Disponible en sha/epidat.htm > Carrasco, J.L. El Método estadístico en la investigación médica. Ed. Ciencia 3. Madrid > La vigilancia colectiva de la salud. XVI jornada de la SCSMT. Auditorio UPF. Barcelona Riesgos Laborales 40