Análisis de Tablas de Contingencia

Sergio Muñoz N.
Juan José Orellana C.
 Investigación en Epidemiología
• Pregunta de Investigación
– Asociación
• Determinar la existencia y magnitud de la
asociación entre un evento de salud y un factor
de exposición, ajustando por variables de
control

– Predicción
• Determinar que factores (variables predictoras)
son los que mejor predicen una respuesta
 Estudios de Asociación
Objetivo

• Asociación entre
– Evento de salud
– Factor de exposición

• Existe asociación?
• Magnitud de la asociación?
 Inferencia Estadística

Prueba de Hipótesis
• - cuadrado
• Prueba exacta de Fisher

Magnitud y dirección de la asociación

• Depende del diseño del estudio
Cuantificación de Enfermedad

• Riesgo

• Prevalencia

• Incidencia
 Ejemplo
Situación que ejemplifica la historia natural de una enfermedad en 6 pacientes
observados desde 1986 a 1995. Los pacientes ingresan sanos a la observación y
en el tiempo pueden o no enfermar (d), o morir por la enfermedad (m).

Riesgo de Enfermar en dos años = 1/6=0.17

Prevalencia de la enfermedad en 1992 = 1/4 =0.25
Incidencia (densidad de incidencia) = 2/(2+2+3+7+2+6)= 2/22=0.09 casos por año persona
= 9 casos por 100 años persona
= 9 casos entre 100 personas seguidas por 1 año
= 9 casos entre 50 personas seguidas por 2 años
 Tipos de Diseño

Observacionales:
• Prevalencia (Corte Transversal)
• Cohortes (incidencia)
• Casos y Controles

Experimentales
• Ensayos Clínicos
 Ejemplo estudio observacional
• Asociación entre consumo de alcohol y cáncer de esófago

• Variables
– D: Cáncer de Esófago 1: Caso,
0: Control.

– E: Consumo de Alcohol 1: 80 y + gr. al día

0: < 80 gr. Al día

– C1: Consumo de Tabaco 1: 10 y + gr. Al día

0: < 10 gr. Al día

– C2: Edad 1: 55 años y +

0: < 55 años
 Tipos de Análisis (A)

• Análisis Descriptivo: Tablas, gráficos, promedios, etc.

• Análisis Inferencial:

i) Métodos Estadísticos

ii) Modelos Estadísticos

• Que es mejor?? Combinación de ambos

 Tipos de Análisis (B)

• Dicotómica
1. Test Chi-Cuadrado (Mantel-Haenszel,
Pearson).
2. Test Exacto de Fisher.
3. Regresión Logística.

• Ordinal
1. Test de Mantel-Haenszel Extendido.
2. Modelo de regresión logística para
respuesta ordinal.
 Tipos de Análisis (C)

• Estudios de Visitas Múltiples (Medidas Repetidas)

1. Uso del Test de Mantel-Haenszel Extendido.

2. Regresión Logística para Medidas Repetidas (GEE).
3. Modelos Mixtos para Medidas Repetidas
Análisis de Tablas de 2x2 (A)
Variable Columna

Variable Fila Col 1 Col 2

Fila 1 A B A+B

Fila 2 C D C+D
A+C B+ D n
 Análisis de Tablas de 2x2 (B)

• Las Tablas de Contingencia de 2x2 son una de las

formas más comunes de resumir información en
datos categóricos

• Son útiles para ver si hay una asociación entre la

variable fila y la variable columna que produce la
tabla

• También hay interés en describir la fuerza de la

asociación
 Análisis de Tablas de 2x2 (C)
• Las Tablas de Contingencia de 2x2 pueden Representar:

– Muestra aleatoria simple desde una población

– Muestras aleatorias simples desde dos grupos

– Asignación aleatoria de pacientes a dos tratamientos

equivalentes
 Análisis de Tablas de 2x2 (D)

Hipótesis:

H0: No existe asociación entre la Variable

Columna y la Variable Fila

H1 : Hay asociación entre la Variable

Columna y la Variable Fila
 Análisis de Tablas de 2x2 (E)
Pruebas estadísticas para evaluar asociación:

1. Prueba Chi-Cuadrado de Mantel-Haenszel

2. Prueba Chi-Cuadrado de Pearson

3. Prueba exacta de Fisher

Sugerencias en Test Chi-Cuadrado
• Una regla útil para determinar tamaño de muestra
apropiado para el test chi-cuadrado es que el valor
esperado en cada celda sea mayor que 5
(preferentemente 10).

• Los test chi-cuadrados son apropiados para

investigar la hipótesis de no asociación en todos los
tipos de muestras descritos anteriormente.
 Análisis de Tablas de 2x2 (F)

• Para medir la Fuerza de la Asociación, podemos

utilizar:

1. La Razón de Prevalencias
2. La Razón de Odds
3. La Diferencia de Riesgos
4. El Riesgo Relativo
 Ejemplo 1

Ensayo clínico que compara la efectividad (favorable/ no

favorable) de dos tratamientos (Placebo, Experimental)
para un desorden respiratorio).
 Ejemplo 1
H0 : La proporción de pacientes que
mejoran en el Tratamiento Experimental es
igual a la proporción de pacientes que
mejoran en el Tratamiento Control.

H1 : La proporción de pacientes que

mejoran en el Tratamiento Experimental es
distinta a la proporción de pacientes que
mejoran en el Tratamiento Control.
 Ejemplo 1

Test Chi-Cuadrado de Pearson y Test exacto de Fisher

(por defecto se prefiere este último):
Qp=21.7087, valor p<0,0001
2-sided Fisher’s exact p<0,0001
Hay asociación… la
proporción de casos
favorables es
significativamente distinto
entre los tratamientos…
Las diferencias observadas
tienen una probabilidad
baja (<0,0001) de resultar
por azar.
 Ejemplo 1

Medida de Asociación:

1. Riesgo relative RR = 2,4. La proporción de respuestas favorable en el grupo

tratado es 2,4 veces mayor respecto del grupo placebo IC95% [ 1,6 – 3,6]
2. Diferencia de riesgo (riesgo atribuible) RA = 0,42 = 42,0p% (puntos
porcentuales) de diferencia. IC95% [ 26,0 – 58,1p%]. La respuesta favorable
se espera sea entre 26 y 58 puntos porcentuales mayor en el grupo tratado.
 Ejemplo 2: Compara dos tratamientos (placebo y activo) en una
enfermedad gastrointestinal

Tratamiento Favorable No Favorable Total

Placebo 2 4 6
Activo 12 3 15
Total 14 7 21
P=proporción poblacional de respuesta desfavorable
Ho : Pplacebo = Pactivo
≡Ho : Pplacebo - Pactivo= Dif = 0
≡Ho : Pplacebo / Pactivo= RR = 1

No hay diferencias significativas, las

diferencias observadas pueden deberse al azar
(probabilidad > 0,05)
 Análisis Estratificado
• Evaluación de la asociación entre 2 variables
ajustando por el efecto de una variable control

• Compara grupos combinando resultados de

varios estratos (múltiples investigadores,
múltiples clínicas)

• Cada estrato corresponde a una tabla de 2x2

 Modificación de Efecto
• Se esta evaluando el efecto de una Exposición (E)
en alguna Enfermedad (D).
• El OR para el efecto de E en D es 5,4 para
Sexo=Masculino, pero solo de 1,2 para
Sexo=Femenino.
• Así, los datos indican que la relación E-D es diferente
para hombres que para mujeres, esto es, sexo
modifica el efecto de la exposición en la enfermedad
(también se llama efecto de interacción).
 Sesgo de Confusión
• Combinar los dos OR (también puede ser RR) para hombres y
mujeres en un solo valor ajustado representa "un promedio" de
los OR en los hombres y las mujeres.
• Este OR "promedio" es usado para controlar el efecto de
confusión de la variable Sexo en la ausencia de un efecto de
interacción
• Sin embargo, si el efecto de interacción esta presente, el uso
de un solo valor OR ajustado conduce a un error, debido a que
este oculta las diferencias de los efectos entre hombres y
mujeres.
Esquema análisis
Estratificado
 Ejemplo (1/6)

• Diseño: Ensayo Clínico Multicéntrico

• Objetivo: comparar eficacia de dos
tratamientos para una enfermedad
respiratoria
• Variable Drogas: Prueba (1) y Placebo (0)
• Variable Resultado: respuesta enfermedad
respiratoria (dicotómica)
• Covariable: Centro (1 y 2)
Ejemplo (2/6)
Ejemplo (3/6)
 Ejemplo (4/6)

• Paso 1: Ver interacción a través:

Ho: RR son homogéneas  1 =  2
Ha: RR no son homogéneas

• Test de homogeneidad (BreslowDay):

chi2(1) = 1.64 Valor-p = 0.2026

• No rechazo Ho y determinó las RR son homogéneas, NO HAY

INTERACCIÓN
 Ejemplo (5/6)

• Paso 2: Determinar si la variable de estratificación es

factor confundente para la asociación tratamiento –
respuesta
• (RR crudo – RR ajustado) /RR ajustado =
(1,372 – 1,370)/1,370 = 0,0014 (0,14%)
• Así, variable centro NO genera sesgo de confusión
en la estimación del efecto del tratamiento
 Ejemplo (6/6)
• Paso 3: Determinar si existe asociación en tabla
conjunta de los dos centros (chi2) y fuerza de
asociación con RR cruda

• Chi2=4.8027, Valor-p = 0.0284

• Existe asociación estadísticamente significativa

entre respuesta excelente y tratamiento Prueba,
considerando los pacientes de ambos centros.

• RR crudo = 1,37 (1,02 – 1,84) hay 1,37 veces

más posibilidades de respuesta excelente con el
tratamiento Prueba en relación al Placebo
Estudios de Prevalencia
Prevalencia de
• Hipertensión Arterial
• Alcoholismo
• Drogadicción
• Maltrato infantil
• etc.

#A
P *1 00
N
 Estudios de Prevalencia

• Definir
•Universo
•Evento de salud (enfermedad, otro)
•Tiempo, lugar
•Muestra
•Determinar tamaño de muestra
Ejemplo
Estudio de bronquitis crónica en trabajadores no expuestos y
expuestos a metales (aluminio, acero, cromo) en un estudio de
corte transversal sobre 432 trabajadores

Expuestos No Expuestos Total

Enfermos 15 5 20
No Enfermos 237 175 412
Total 252 180 432
 Estudios de Cohorte

Prospectivamente
Sin Factor de Riesgo
(No Expuesto)
Enfermo

Con Factor de Riesgo

(Expuesto)
 Estudios de Cohorte
Definir
• Universos
•Expuestos
•No Expuestos
• Evento en estudio (Enfermedad)
• Tiempo de seguimiento
•Fijo
•Variable
• Determinación tamaño de muestra
 Cuantificación de Enfermedad

1) Prevalencia (en un momento determinado)

Número de casos existentes de la enfermedad
Población total en riesgo

2) Incidencia Acumulada
# de Casos nuevos de una enfermedad durante
un periodo de tiempo dado
Población total en riesgo
3) Densidad de Incidencia (tasa)
# de casos nuevos de una enfermedad
durante un periodo de tiempo dado
Total de años persona de exposición

# de casos por día-persona

# de casos por mes-persona
# de casos por año-persona
 Cuantificación de Asociación

• Razones

– Razón de Riesgos (riesgo relativo)

– Razón de Incidencias (de densidades de

incidencia)
 Seguimiento Fijo
Enfermedad
Exposición Presente Ausente Muestra
Presente n11 n12 n1+
Ausente n21 n22 n2+

R[D|E] = n11 / n1+

R[D|Ec] = n21 / n2+

R D | E  n11 / n1
RR  

R D|E c

n 21 / n 2
 Ejemplo
• Seguimiento por 7 años de 609
hombres sanos entre 40 y 76 años de
edad.
• Objetivo: Estudiar enfermedad
coronaria asociadaEnfermedad a un nivel alto de
Coronaria

catecolaminas
Nivel de catecolaminas Presente Ausente Total

Alto 27 95 122

Bajo 44 443 538

Total 71 538 609

 Datos de Incidencia

Enfermedad
Exposición Presente Años persona
Presente n11 Yexp
Ausente n21 yno exp
 Tasas de Incidencia

• TI[Exp] = n11/ yexp

• TI[No Exp] = n21/ yno exp

TI Exp  n11 / Yexp

RTI  
TI NoExp  n 21 / y noexp
 Ejemplo
• Años persona de exposición en mujeres
con TBC según exposición repetida a
rayos X
Expuestos No Expuestos
Casos Ca mama 41 15
Años Persona 28.010 19.017
 Estudios de Casos y Controles

Retrospectivamente
Casos

Expuestos

Controles
Estudios de Casos y Controles

Definir
• Población
Casos (enfermos)
Controles (no enfermos)
• Exposición
• Tamaño de muestra
 Cuantificación de Asociación

• Razón de Prevalencias de exposición

Pr evalencia(Exposicion en enfermos)
RPEx 
Pr evalencia(Exposicion en no enfermos)

• Razón de “odds” de exposición

odds(Exposicion en enfermos)
ROEx 
odds(Exposicion en no enfermos)
 Ejemplo
• estudio de casos y controles diseñado
para el estudio de la asociación entre
cáncer de esófago y consumo de
alcohol
Exposición Casos Controles

>80 grs/día 96 109

80 grs/día 104 666

Muestra 200 775

 ¿Que ocurre cuando hay otras variables?

Asociación
Consumo Cáncer de
de alcohol Esófago

Consumo de
Tabaco

Controlar
 Análisis Estratificado

NO Fuman Ca Esófago
Alcohol Si No Total
Si 190 130 320
No 60 210 270 5.11
Total 250 340 590
Fuman Ca Esófago
Alcohol Si No Total 10.0
Si 100 10 110
No 70 70 140
Total 170 80 250
 Efecto de Controlar

• Efecto de exposición puede ser

modificado por la variable de control

• Efecto de exposición puede estar

sesgado ante la ausencia de la variable
de control (sesgo de confusión)
 Métodos

• Análisis Estratificado

• Modelos lineales (regresión logística)

 Análisis Estratificado
• Por que estratificar?

• El efecto de la exposición es independiente

de otras variables asociadas a la enfermedad
o a la exposición?

• El ignorar una variable de control produce

sesgo en la estimación de la magnitud de la
asociación?