En muchas circunstancias los valores de OR y RP se asemejan mucho el uno al otro pudiendo interpretarse en forma casi intercambiable. Sin embargo en otras circunstancias sus valores pueden diferir en varios ordenes de magnitud, lo cual puede llevarnos a sacar conclusiones equivocadas si no tenemos claro lo que estamos evaluando con cada una.

Volvamos al ejemplo utilizado en el tema anterior. En este estudio se evalúa la prevalencia de un factor riesgo para una determinada enfermedad en un grupo de 200 individuos.(Tabla 1).

Tabla 1. Ej. Prevalencia de enfermedad en presencia y ausencia de un factor de riesgo

Prevalencia expuestos = (40/80 ) = 0,50 = 50 %

Prevalencia no- expuestos = (20/120) = 0,166 =16,7%

Odds de prevalencia expuestos = (P/1-P) (0,5/(1-0,5)) = 1

Odds de prevalencia no-expuestos = (P/1-P) (0,17/(1- 0,17)) = 0,20

La razón de prevalencia corresponde a:

RP = 0,50/0,166 = 3,01

y el valor del Odds ratio de prevalencia corresponde a:

ORP = 1/0,20 = 5

Como puede observarse en el ejemplo anterior los indicadores de Razón de Prevalencia y Odds Ratio de prevalencia nos llevan, en este caso, a valores sustancialmente diferentes (3,01 y 5). Es decir, ¿el factor de riesgo aumenta el riesgo de la enfermedad en 3,01 veces o 5 veces dependiendo si evalúo RP o ORP?

¿RP o ORP?
Existe un importante debate en la literatura sobre cual de los indicadores es el más apropiado para ser usado en los estudios de prevalencia. Algunos autores prefieren el uso de la RP en lugar del más frecuentemente usado ORP mientras otros reconocen la utilidad de ambos dependiendo de las circunstancias. Si bien el ORP es el indicador más ampliamente usado, la principal razón por la que se le utiliza pareciera ser la mayor disponibilidad de este en los softwares utilizados en el análisis de datos en lugar de preferirlo por ser metodológicamente correcto.

Antes de decir si uno u otro es el indicador correcto para los estudios transversales hay que considerar el contexto del estudio y que valor es el que estamos tratando de estimar.

1. Por ejemplo, un estudio de prevalencia puede utilizarse para estimar la razón de densidad de incidencia (incidence density ratio) a partir del ORP (característica propia de los estudios de cohortes) siempre que se cumplan determinadas circunstancias (distribución homogénea en el tiempo de la exposición, incidencia, covariables, migraciones, duración de enfermedad, etc.). 1
2. Por otro lado, si lo que interesa es tener una estimación del riesgo relativo (RR) entonces la RP es un buen estimador (esto es factible si estamos estudiando enfermedades agudas y los tiempos de seguimiento son similares en los distintos sujetos. 2
3. Por último, para algunas variables (razón de sexos, por ejemplo) el uso de Odds ratio es usado por convención.

Graficando la diferencia
Para comprender mejor la forma en que se relacionan Zocchetti 3 nos presenta un modelo matemático que muestra el comportamiento de los indicadores y que depende de dos variables: la "prevalencia de la enfermedad" en la población (Pr(D)) y a la "prevalencia de la exposición" (Pr(E)). A continuación se detalla la fórmula y el gráfico de la función (figura 1). A modo de referencia se ha graficado la curva en que POR=RP:

ORP= RP (1- Pr(E) + RP Pr(E) - Pr(D))
           
          (1- Pr(E) + RP Pr(E) - RP Pr(D))

Figura 1: Relación entreRazón de prevalencia y Odds ratio de prevalencia

Al graficar la función tomando distintos valores de Pr(D) y Pr(E) es posible observar que la condición más determinante en la diferenciación de los indicadores es la primera.

1. A medida que la prevalencia de la enfermedad o condición en estudio Pr(D) es alta (curva azul) los valores de RP y OR se alejan más entre sí, haciendo rotar a la curva sobre el punto (1,1) y separándola de la curva de referencia y viceversa al probar con valores bajos de Pr(D).

2. Cuando la prevalencia de la exposición es alta, se altera la curvatura de la función de modo que para valores de RP menores de 1 la diferencia entre ambos indicadores (separación de las curvas) aumenta y para valores mayores de 1 disminuye (curva naranja). Sin embargo este cambio es de menor magnitud que el descrito anteriormente.

Tras lo expuesto podemos concluir que cuando la enfermedad en estudio es de alta frecuencia deberemos poner mayor atención en que indicador es el que se está utilizando. Sin embargo la decisión final sobre que indicador es el más apropiado dependerá del contexto del estudio y la pregunta que pretendemos responder.

La consideración de múltiples variables independientes (la principal o variable de exposición y el resto de ellas o covariables) en el estudio de asociación requiere del uso de metodologías multivariadas, recomendándose el uso del Modelo de Riesgos Proporcionales de Cox en estos casos. Este procedimiento fue inicialmente concebido para el análisis de variables independientes en estudios longitudinales, tomando en consideración diferentes tiempos de seguimiento para cada individuo en observación. Breslow 4 demostró que asumiendo un período de riesgo constante el modelo de Cox puede adaptarse para estimar las RP en estudios de prevalencia.

Finalmente la interpretación de estos indicadores de riesgo debe considerar el hecho de que en estudios de esta naturaleza las asociaciones que sugieran relaciones de causalidad deben ser cuidadosamente evaluadas habida consideración de las limitaciones inherentes a estos diseños de investigación.

1. Alho J mM. On prevalence, incidence, and duration in general stable populations. Biometrics 1992; 48: 587-92.
   | Volver al texto |
2. Kleinbaum D G, Kuper L L, Morgensstern H. Epidemiologic Research. Principles and Quantitive Methods. New York: Van Nostrand Reinhold, 1982.
   | Volver al texto |
3. Zocchetti C, Consonni D, Bertazzi P.A, Relationship between prevalence rate ratios and odds ratios in cross-sectional studies. Int J Epidemiol 1997; 26: 220-223.
   | Volver al texto |
4. Breslow N E. Covariance analysis of censored survival data. Biometrics 1974; 30: 89-90
   | Volver al texto |

Web Gabriel Rada. Revisado 2007 Tomás Merino