array:18 [
  "pii" => "X2013757511000636"
  "issn" => "20137575"
  "doi" => "10.3265/NefrologiaSuplementoExtraordinario.pre2011.Dec.11267"
  "estado" => "S300"
  "fechaPublicacion" => "2011-12-01"
  "documento" => "article"
  "subdocumento" => "fla"
  "cita" => "Nefrología Suplemento Extraordinario. 2011;2:7-13"
  "abierto" => array:3 [
    "ES" => true
    "ES2" => true
    "LATM" => true
  ]
  "gratuito" => true
  "lecturas" => array:2 [
    "total" => 5987
    "formatos" => array:3 [
      "EPUB" => 403
      "HTML" => 4274
      "PDF" => 1310
    ]
  ]
  "itemSiguiente" => array:15 [
    "pii" => "X2013757511000628"
    "issn" => "20137575"
    "doi" => "10.3265/NefrologiaSuplementoExtraordinario.pre2011.Dec.11268"
    "estado" => "S300"
    "fechaPublicacion" => "2011-12-01"
    "documento" => "article"
    "subdocumento" => "fla"
    "cita" => "Nefrología Suplemento Extraordinario. 2011;2:17-21"
    "abierto" => array:3 [
      "ES" => true
      "ES2" => true
      "LATM" => true
    ]
    "gratuito" => true
    "lecturas" => array:2 [
      "total" => 3625
      "formatos" => array:3 [
        "EPUB" => 390
        "HTML" => 2457
        "PDF" => 778
      ]
    ]
    "es" => array:8 [
      "idiomaDefecto" => true
      "titulo" => "¿Existen diferentes dianas de presión arterial para la prevención de los eventos cardiovasculares en pacientes con diabetes mellitus tipo 2?"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "17"
          "paginaFinal" => "21"
        ]
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "Vicente Barrio-Lucia"
          "autores" => array:1 [
            0 => array:2 [
              "nombre" => "Vicente"
              "apellidos" => "Barrio-Lucia"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/X2013757511000628?idApp=UINPBA000064"
    "url" => "/20137575/0000000200000007/v0_201502101228/X2013757511000628/v0_201502101228/es/main.assets"
  ]
  "es" => array:11 [
    "idiomaDefecto" => true
    "titulo" => "Modelos estructurales marginales: una herramienta útil que proporciona evidencia a los estudios observacionales"
    "tieneTextoCompleto" => true
    "paginas" => array:1 [
      0 => array:2 [
        "paginaInicial" => "7"
        "paginaFinal" => "13"
      ]
    ]
    "autores" => array:1 [
      0 => array:3 [
        "autoresLista" => "Alfonso Muriel, Domingo Hernández, Víctor Abraira"
        "autores" => array:3 [
          0 => array:3 [
            "nombre" => "Alfonso"
            "apellidos" => "Muriel"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "affa"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "Domingo"
            "apellidos" => "Hern&#225;ndez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "affb"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "V&#237;ctor"
            "apellidos" => "Abraira"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "affa"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:2 [
          0 => array:3 [
            "entidad" => "Unidad de Bioestad&#237;stica&#44; Cl&#237;nica Hospital Ram&#243;n y Cajal&#44; IRYCIS&#44; CIBERESP&#44; Madrid&#44;  &#44;  &#44; "
            "etiqueta" => "<span class="elsevierStyleSup">a</span>"
            "identificador" => "affa"
          ]
          1 => array:3 [
            "entidad" => "Servicio de Nefrolog&#237;a&#44; Hospital Universitario Carlos Haya&#44; M&#225;laga&#44;  &#44;  &#44; "
            "etiqueta" => "<span class="elsevierStyleSup">b</span>"
            "identificador" => "affb"
          ]
        ]
      ]
    ]
    "textoCompleto" => "<p class="elsevierStylePara"><span class="elsevierStyleBold">INTRODUCCI&#211;N</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">Uno de los objetivos m&#225;s frecuentes en investigaci&#243;n cl&#237;nica es intentar cuantificar la asociaci&#243;n causal entre una exposici&#243;n o un tratamiento y un evento cl&#237;nico o resultado&#46; Los ensayos cl&#237;nicos controlados &#40;EC&#41; surgen para dar respuesta cient&#237;fica a las diferentes innovaciones terap&#233;uticas en el campo de la medicina<span class="elsevierStyleSup">1</span>&#46; En este sentido&#44; el dise&#241;o de EC se ha establecido como el de m&#225;s calidad para estudiar relaciones causales en tratamientos<span class="elsevierStyleSup">2</span>&#44; evitando sesgos o errores sistem&#225;ticos que puedan enmascarar el verdadero efecto de una determinada intervenci&#243;n&#46; De hecho&#44; el objetivo principal en la mayor&#237;a de los EC es estimar el impacto que tiene un nuevo tratamiento comparado con el convencional sobre un resultado cl&#237;nico del paciente&#46; Por todo ello&#44; los EC constituyen el &#171;patr&#243;n oro&#187; de la evidencia a la hora de tomar decisiones cl&#237;nicas en la pr&#225;ctica m&#233;dica habitual&#46;</p><p class="elsevierStylePara">Sin embargo&#44; los EC tienen algunas limitaciones derivadas principalmente de sus condiciones de estudio y de su incapacidad para detectar algunas diferencias para otros resultados distintos del objetivo de inter&#233;s entre los grupos que se analizan&#46; Los EC se realizan&#44; en general&#44; en pacientes muy seleccionados bajo criterios de inclusi&#243;n muy estrictos que pueden alejarnos de su aplicabilidad en la pr&#225;ctica cl&#237;nica habitual&#46; Asimismo&#44; el desarrollo de un EC puede ser inviable por motivos &#233;ticos obvios o tener un seguimiento reducido con respecto al evento de inter&#233;s &#40;en general&#44; 1-2 a&#241;os&#41;&#44; lo que limita su reproducibilidad<span class="elsevierStyleSup">3</span>&#46; Finalmente&#44; los EC pueden carecer de potencia estad&#237;stica suficiente por abordar enfermedades poco frecuentes y&#47;o con seguimiento muy prolongado<span class="elsevierStyleSup">4</span>&#46;</p><p class="elsevierStylePara">Todas estas razones justifican la necesidad de llevar a cabo estudios observacionales &#40;EO&#41;&#44; los cuales pueden proporcionar una informaci&#243;n v&#225;lida y complementaria de una exposici&#243;n o intervenci&#243;n terap&#233;utica sobre un resultado&#44; siempre que se aplique una metodolog&#237;a cient&#237;fica rigurosa<span class="elsevierStyleSup">5</span>&#46; En otras palabras&#44; los EO representan una opci&#243;n v&#225;lida en investigaci&#243;n cl&#237;nica para evaluar intervenciones terap&#233;uticas cuando se emplean las herramientas estad&#237;sticas adecuadas para su an&#225;lisis como los modelos de regresi&#243;n&#44; los &#237;ndices de propensi&#243;n o los modelos estructurales marginales &#40;MEM&#41;&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">MODELOS ESTRUCTURALES MARGINALES&#58; APORTANDO EVIDENCIA A LOS ESTUDIOS OBSERVACIONALES</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">En general&#44; los EO de cohortes son realizados para evaluar el efecto de un tratamiento cuya asignaci&#243;n no se ha distribuido aleatoriamente&#44; dado que la intervenci&#243;n terap&#233;utica se ha establecido a partir de la pr&#225;ctica m&#233;dica habitual o las caracter&#237;sticas individuales de cada paciente&#46; No obstante&#44; si el dise&#241;o y an&#225;lisis son adecuados&#44; los resultados de los estudios de cohortes pueden ser comparables a los de los ensayos cl&#237;nicos<span class="elsevierStyleSup">6</span>&#46;</p><p class="elsevierStylePara">En la pr&#225;ctica cl&#237;nica habitual&#44; la evaluaci&#243;n del efecto del tratamiento sobre el pron&#243;stico del paciente es compleja debido a la existencia de variables cl&#237;nicas confusoras&#44; especialmente si el inicio de los tratamientos var&#237;a a lo largo del tiempo y la variable resultado es tiempo a un evento&#46; Indudablemente&#44; esto puede conducir a sobreestimaciones o infravaloraciones del efecto del tratamiento&#44; lo que hace muy vulnerable a los EO&#44; debilitando la contundencia de los resultados e incurriendo en la confusi&#243;n por indicaci&#243;n&#46; Las herramientas estad&#237;sticas convencionales m&#225;s frecuentemente utilizadas para minimizar estos problemas son los modelos de regresi&#243;n y la estratificaci&#243;n e &#237;ndice de propensi&#243;n<span class="elsevierStyleSup">7-9</span>&#44; pero tambi&#233;n pueden estar sesgadas si existen variables confusoras que var&#237;an a lo largo del tiempo o que pueden estar afectadas por tratamientos previos<span class="elsevierStyleSup">10</span>&#46;</p><p class="elsevierStylePara">Un an&#225;lisis alternativo para manejar estos sesgos consiste en la aplicaci&#243;n de los MEM&#44; propuestos por Robins et al&#46; &#40;1999&#41;<span class="elsevierStyleSup">11</span>&#46; En esencia&#44; los MEM constituyen una alternativa a los modelos cl&#225;sicos cuando existe una variable confusora dependiente del tiempo que se asocia al evento de inter&#233;s&#44; pero tambi&#233;n se relaciona con el tratamiento que se est&#225; evaluando&#46; Se denominan estructurales porque estudian causalidad y no simplemente asociaci&#243;n&#46; Son marginales porque se usan las distribuciones marginales de los contrafactuales&#44; condicionadas a las variables basales&#44; en lugar de la conjunta&#46; Se denomina contrafactual a todo evento que no ha ocurrido&#44; pero que pudiera haber ocurrido&#46; La inferencia causal se realiza comparando te&#243;ricamente qu&#233; ocurrir&#237;a si todos los pacientes hubieran sido tratados frente a si ning&#250;n paciente hubiera sido tratado<span class="elsevierStyleItalic">&#46; </span>Los m&#233;todos de regresi&#243;n tienen sesgos aunque no exista confusi&#243;n residual &#40;es decir&#44; incluso si se hubieran medido todas las indicaciones posibles del tratamiento&#41; porque se debe a un ajuste inapropiado de la confusi&#243;n creada por variables dependientes del tiempo afectadas por el tratamiento previo&#46;</p><p class="elsevierStylePara">La implementaci&#243;n&#44; propuesta por estos autores&#44; de estos modelos consta de 3 pasos b&#225;sicos&#58;</p><p class="elsevierStylePara">1&#41; Crear un &#237;ndice de propensi&#243;n&#44; es decir&#44; una funci&#243;n que estime la probabilidad &#40;&#171;propensi&#243;n&#187;&#41; que tienen los pacientes de ser asignados a cada grupo de tratamiento mediante una regresi&#243;n log&#237;stica en la que la variable dependiente es el tratamiento y las independientes son las variables que se asocian con el inicio del tratamiento&#46; Para ajustar este modelo de regresi&#243;n&#44; cada paciente se &#171;desdobla&#187; en tantas observaciones como unidades de tiempo &#40;meses&#44; semanas&#44; etc&#46;&#41; tenga &#40;figura 2&#160;y&#160;figura 3&#41; y se ajusta con un m&#233;todo que tiene en cuenta su falta de independencia &#40;modelos GEE&#41;<span class="elsevierStyleSup">12</span>&#46;</p><p class="elsevierStylePara">2&#41; Con el mismo m&#233;todo&#44; se crea una funci&#243;n para la probabilidad de ser censurado y combinando ambas se crea un peso para ponderar cada individuo por su inversa&#46; Con esta ponderaci&#243;n se simula una pseudopoblaci&#243;n en la que el tratamiento&#44; y la censura&#44; son independientes de los confusores medibles&#46;</p><p class="elsevierStylePara">3&#41; Finalmente se ajusta un modelo de Cox para el tratamiento&#44; ponderando los individuos con esos pesos&#46; El modelo de Cox se simula mediante un modelo de regresi&#243;n log&#237;stica expandido&#44; es decir&#44; como en el paso 1&#44; cada paciente se &#171;desdobla&#187; en tantas observaciones como medidas repetidas en el tiempo tenga&#46; La <span class="elsevierStyleItalic">odds ratio</span> de esta regresi&#243;n log&#237;stica se aproxima bien al riesgo relativo instant&#225;neo del modelo de Cox&#44; porque el riesgo de eventos es bajo en todos los meses<span class="elsevierStyleSup">13</span>&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">ASUNCIONES Y CONDICIONES DE LOS MODELOS ESTRUCTURALES MARGINALES</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">Como todos los modelos estad&#237;sticos&#44; los MEM tienen asunciones que se deber&#237;an verificar<span class="elsevierStyleSup">9</span>&#46; B&#225;sicamente&#44; estas asunciones son&#58;</p><ul><li><span class="elsevierStyleBold">Consistencia</span><span class="elsevierStyleBold">&#58;</span> es decir&#44; que la exposici&#243;n se tiene que poder definir sin ambig&#252;edades&#44; explicar c&#243;mo con un cierto nivel de exposici&#243;n se asigna a una persona expuesta a un nivel diferente&#46; La evaluaci&#243;n de la consistencia puede ser muy f&#225;cil para tratamientos&#44; pero complicada en otro tipo de exposiciones&#44; tales como peso corporal&#44; resistencia a la insulina o nivel de exposici&#243;n a part&#237;culas en suspensi&#243;n&#46;</li><li><span class="elsevierStyleBold">Intercambiabilidad</span><span class="elsevierStyleBold">&#58;</span> que los sujetos expuestos y no expuestos&#44; censurados y no censurados&#44; tengan una distribuci&#243;n igual de los confusores&#46; Implica la asunci&#243;n de no confusi&#243;n no medible&#46; Esta asunci&#243;n no se puede comprobar en una serie de datos observados&#44; pero se puede realizar an&#225;lisis de sensibilidad a&#241;adiendo al modelo m&#225;s simple otros confusores o modificando la funci&#243;n de los confusores&#44; por ejemplo a&#241;adiendo t&#233;rminos cuadr&#225;ticos o funciones <span class="elsevierStyleItalic">splines</span>&#46; En un ensayo cl&#237;nico&#44; la intercambiabilidad en el tratamiento es lo que se intenta conseguir con la asignaci&#243;n aleatoria&#46;</li><li><span class="elsevierStyleBold">Positividad</span><span class="elsevierStyleBold">&#58;</span> existencia de individuos expuestos y no expuestos para cada nivel de los confusores&#44; tambi&#233;n llamada asignaci&#243;n experimental del tratamiento&#46; Por ejemplo&#44; si se est&#225; evaluando un tratamiento con posible efecto teratog&#233;nico&#44; la probabilidad de recibir este f&#225;rmaco en embarazadas es 0 de forma estructural&#46; Esto parece muy obvio en este caso&#44; pero resulta complicado de establecer para las distintas combinaciones de confusores&#46; Una forma simple de testar esta asunci&#243;n se puede realizar mediante el c&#225;lculo de las distintas combinaciones posibles de confusores y calculando el porcentaje de expuestos para cada combinaci&#243;n&#46; Por ejemplo&#44; si se quiere evaluar el efecto de la estatina en pacientes con trasplante renal&#44; se deber&#237;a tener pacientes tratados y no tratados para cualquier valor de colesterol&#46; Obviamente&#44; este punto quiz&#225;s es una limitaci&#243;n importante para su aplicaci&#243;n generalizada en la pr&#225;ctica cl&#237;nica&#46;</li><li><span class="elsevierStyleBold">Buena especificaci&#243;n del modelo</span><span class="elsevierStyleBold">&#58;</span> la estimaci&#243;n ponderada de los par&#225;metros de un modelo estructural marginal requiere tambi&#233;n ajustar varios modelos&#58; el modelo estructural&#44; el modelo de regresi&#243;n del tratamiento y el modelo de regresi&#243;n para las censuras&#46;</li></ul><p class="elsevierStylePara">Bajo estas 4 asunciones de consistencia&#44; intercambiabilidad&#44; positividad y buena especificaci&#243;n del modelo para estimar los pesos&#44; se crea mediante IPTW una pseudopoblaci&#243;n en la cual la exposici&#243;n es independiente de los confusores medidos&#46; La pseudopoblaci&#243;n es el resultado de asignar a cada paciente un peso proporcional a la probabilidad de recibir su historia de exposici&#243;n a un tratamiento&#46;</p><p class="elsevierStylePara">Uno de los problemas claves en la estimaci&#243;n del efecto del tratamiento sobre un resultado dado es la selecci&#243;n de variables por las que corregir<span class="elsevierStyleSup">14&#44;15</span>&#46; La elecci&#243;n err&#243;nea de variables confusoras puede generar un sesgo&#44; modificando la varianza del estimador o el error&#46; En la decisi&#243;n de la elecci&#243;n de variables se proponen 2 planteamientos&#58;</p><ul><li><span class="elsevierStyleBold">Planteamiento cl&#237;nico</span>&#44; en el que la decisi&#243;n est&#225; basada en el conocimiento de cl&#237;nicos expertos&#44; intentando establecer cu&#225;l es el diagrama causal entre la exposici&#243;n y el evento&#46; En otras palabras&#44; la elecci&#243;n de cada variable se justifica mediante el conocimiento de un experto&#46; </li><li><span class="elsevierStyleBold">Planteamiento estad&#237;stico</span>&#44; buscando qu&#233; variables se asocian estad&#237;sticamente de forma univariante con la exposici&#243;n y&#47;o con el evento&#46; De esta forma tendr&#237;amos 3 posibles tipos de variables&#58; variables que s&#243;lo se asocian con el evento&#47;resultado&#44; variables que s&#243;lo se relacionan con el tratamiento&#47;exposici&#243;n y variables que asocian con el resultado y con el tratamiento&#46;</li></ul><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">&#191;Qu&#233; variables incluir&#63;</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">Variables que se relacionan con el resultado&#58; su inclusi&#243;n hace decrecer la varianza y mantiene el sesgo igual&#46;</p><p class="elsevierStylePara">Variables que s&#243;lo se relacionan con la exposici&#243;n&#58; su inclusi&#243;n hace que se incremente la varianza de la estimaci&#243;n y mantiene el sesgo igual&#46; La finalidad de la elecci&#243;n de variables en un estudio con &#237;ndice de propensi&#243;n es reducir el sesgo del estimador del efecto del tratamiento&#44; no maximizar la predicci&#243;n del estatus de tratamiento&#46; Por tanto&#44; estas variables no deber&#237;an incluirse&#46;</p><p class="elsevierStylePara">Variables que se relacionan con ambos&#58; s&#237; deber&#237;an incluirse&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Adecuaci&#243;n del modelo</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">Tradicionalmente la correcta adecuaci&#243;n del modelo de &#237;ndice de propensi&#243;n se ha testado mediante el &#237;ndice C de Harrell &#40;&#225;rea bajo la curva ROC&#41;<span class="elsevierStyleSup">16</span> asumiendo que &#237;ndices C pr&#243;ximos a 1 reflejar&#237;an una adecuada medida de discriminaci&#243;n&#46; Sin embargo&#44; un valor alto del &#237;ndice C es indicativo de solapamiento entre individuos experimentales y controles&#44; lo cual puede indicar una falta de comparabilidad entre las caracter&#237;sticas de los individuos tratados y no tratados&#46;</p><p class="elsevierStylePara">Actualmente&#44; los MEM est&#225;n implementados mediante macros en software en SAS<span class="elsevierStyleSup">15</span>&#44; R<span class="elsevierStyleSup">17</span> y Stata<span class="elsevierStyleSup">18</span>&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">APLICACI&#211;N DE LOS MODELOS ESTRUCTURALES MARGINALES EN NEFROLOG&#205;A</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">Los MEM se han implementado en el campo de la medicina&#44; incluido el &#225;rea de la Nefrolog&#237;a&#44; para dar rigor cient&#237;fico a los EO&#44; especialmente cuando se eval&#250;an variables dependientes del tiempo&#46; A t&#237;tulo de ejemplo&#44; esta herramienta se utiliz&#243; inicialmente en pacientes con VIH<span class="elsevierStyleSup">10</span> en los que la carga viral o el recuento de CD4 pueden ser considerados como confusores dependientes del tiempo en la evaluaci&#243;n causal de un tratamiento retroviral&#44; cuando aparece un nuevo acontecimiento de sida o en la muerte del paciente durante el curso evolutivo de la enfermedad&#46;</p><p class="elsevierStylePara">En Nefrolog&#237;a&#44; los MEM se han implementado para establecer la relaci&#243;n causal entre m&#250;ltiples tratamientos o exposiciones y el pron&#243;stico o desenlace final de una entidad&#46; M&#250;ltiples EO han mostrado que los pacientes con altas dosis de eritropoyetina &#40;EPO&#41; ten&#237;an una elevada mortalidad&#44; si bien los pacientes que requer&#237;an dosis m&#225;s elevadas de EPO ten&#237;an mayor comorbilidad&#46; La gran variabilidad en la dosis de EPO durante el seguimiento de los pacientes en di&#225;lisis hac&#237;a que los confusores fueran dependientes del tiempo&#44; es decir&#44; que los factores pron&#243;sticos pudieran ser marcadores para iniciar el tratamiento y estar afectados al mismo tiempo por el propio tratamiento&#46; En un EO reciente&#44; se investig&#243; elegantemente la relaci&#243;n causal entre la dosis de EPO y la mortalidad mediante la aplicaci&#243;n de los MEM<span class="elsevierStyleSup">19</span>&#46; En este estudio&#44; que incluy&#243; 27&#46;791 pacientes durante un seguimiento de 12 meses&#44; la variable de exposici&#243;n fue la dosis de EPO &#40;categorizada en rangos&#41;&#44; mientras que la variable final &#40;<span class="elsevierStyleItalic">end-point</span>&#41; fue la muerte del paciente o la p&#233;rdida de seguimiento&#46; En el an&#225;lisis final se incluyeron variables basales &#40;edad&#44; sexo&#44; raza&#44; tiempo en di&#225;lisis&#44; presencia de diabetes&#44; etc&#46;&#41; y variables evolutivas dependientes del tiempo &#40;par&#225;metros de laboratorio&#44; medicaciones concomitantes&#44; comorbilidad&#44; etc&#46;&#41;&#46; Los niveles de hemoglobina pudieran ser <span class="elsevierStyleItalic">a priori</span> una variable confusora dependiente del tiempo&#44; ya que niveles bajos de &#233;sta favorecen la administraci&#243;n de dosis altas de EPO&#44; la cual aumenta los niveles de hemoglobina&#46; Por tanto&#44; y dado que la hemoglobina pudiera estar en la cadena causal entre la EPO y la mortalidad&#44; no se deber&#237;an utilizar en este caso los modelos convencionales de regresi&#243;n para dilucidar esta asociaci&#243;n&#46; Se evaluaron tres tipos de modelos incrementando el n&#250;mero de predictores asociados al uso de EPO para la buena especificaci&#243;n del modelo de estudio&#46; Las variables que asociaron con la dosis de EPO de forma m&#225;s directa fueron la hemoglobina previa&#44; el tipo de acceso vascular y la comorbilidad&#44; evaluada por las hospitalizaciones&#46; La conclusi&#243;n a la que llegan los autores es que&#44; aunque el an&#225;lisis m&#225;s simple&#44; corrigiendo s&#243;lo por hemoglobina e historia previa de uso de EPO&#44; podr&#237;a indicar que dosis muy altas de EPO &#40;m&#225;s de 49&#46;000 IU en 2 semanas&#41; se asocian con mayor mortalidad &#40;<span class="elsevierStyleItalic">hazard ratio </span>&#91;HR&#93; &#61; 1&#44;51&#41;&#44; este efecto desaparece &#40;HR &#61; 0&#44;98&#41; cuando se plantea un MEM m&#225;s completo&#46; En cualquier caso&#44; este estudio no est&#225; exento de limitaciones importantes como la asunci&#243;n de positividad&#44; que exigir&#237;a una probabilidad distinta de 0 de recibir cualquiera de las dosis de EPO ante cualquier valor de hemoglobina&#44; o la confusi&#243;n residual al no incluirse en el modelo variables biol&#243;gicas importantes &#40;prote&#237;na C reactiva&#44; recuento de linfocitos&#44; etc&#46;&#41; que pudieran afectar el resultado final&#46;</p><p class="elsevierStylePara">De manera similar&#44; la aplicaci&#243;n de MEM en EO de pacientes con enfermedad renal avanzada ha proporcionado luz sobre algunos aspectos cl&#237;nicos controvertidos de la terapia sustitutiva de la funci&#243;n renal&#46; Concretamente&#44; esta herramienta estad&#237;stica ha permitido dilucidar que ni la restricci&#243;n de fosfato en la dieta de estos pacientes ni el tipo de di&#225;lisis recibido &#40;hemodi&#225;lisis vs&#46; di&#225;lisis peritoneal&#41; influyen decisivamente sobre la mortalidad de estos pacientes<span class="elsevierStyleSup">20&#44;21</span>&#46; Por el contrario&#44; una excesiva restricci&#243;n de f&#243;sforo en la dieta pudiera acarrear un mayor riesgo de muerte en esta poblaci&#243;n&#46; Asimismo&#44; la aplicaci&#243;n de MEM en un EO multic&#233;ntrico holand&#233;s demostr&#243; que la p&#233;rdida de la funci&#243;n renal residual se asociaba a mayor mortalidad<span class="elsevierStyleSup">22</span>&#46; Esto respalda la posibilidad de aplicar una terapia renal sustitutiva individualizada en funci&#243;n del volumen urinario que tenga cada paciente al inicio del tratamiento dial&#237;tico cr&#243;nico&#46;</p><p class="elsevierStylePara">En el campo del trasplante renal&#44; la utilidad de los MEM se ha centrado en testar el impacto de alteraciones metab&#243;licas sobre la mortalidad y en evaluar la eficacia de f&#225;rmacos inmunosupresores y medicaci&#243;n cardioprotectora sobre la supervivencia del paciente y del injerto renal&#46; En efecto&#44; el empleo de modelos de regresi&#243;n de Cox y MEM&#44; ajustando para variables confusoras&#44; demostr&#243; que niveles elevados de glucemia o un tratamiento insul&#237;nico m&#225;s intenso se asociaba a mayor mortalidad<span class="elsevierStyleSup">23</span>&#46; Empleando una metodolog&#237;a similar&#44; se demostr&#243; que el uso de micofenolato mofetil proporcionaba una mayor supervivencia del injerto renal con respecto al empleo de azatioprina<span class="elsevierStyleSup">24</span>&#46; Finalmente&#44; un EO reciente de nuestro grupo que incluy&#243; 990 pacientes que recibieron un injerto renal entre 1996-2005 demostr&#243;&#44; mediante un an&#225;lisis de regresi&#243;n de Cox con variables dependientes del tiempo&#44; que el empleo de f&#225;rmacos que bloquean el sistema renina-angiotensina &#40;inhibidores de la enzima conversora de angiotensina &#91;IECA&#93; y antagonistas de los receptores de la angiotensina II &#91;ARA II&#93;&#41; se asociaban a una reducci&#243;n del riesgo de mortalidad &#40;HR &#61; 0&#44;626&#44; 95&#37; intervalo de confianza &#91;IC&#93;&#44; 0&#44;407-0&#44;963&#41;&#44; pero no de p&#233;rdida del injerto&#46; Similares resultados fueron observados despu&#233;s de ajustar por variables confusoras para la indicaci&#243;n de IECA&#47;ARA mediante el empleo de MEM &#40;HR &#61; 0&#44;629&#44; 95&#37; IC&#44; 0&#44;407-0&#44;973&#41;<span class="elsevierStyleSup">25</span>&#46; Una vez m&#225;s&#44; estos hallazgos confirman la utilidad de la implementaci&#243;n de los MEM en los EO de cohortes de pacientes con enfermedades renales&#46;</p><p class="elsevierStylePara">En resumen&#44; la aplicaci&#243;n de MEM en los EO de cohortes que utilicen variables dependientes del tiempo puede proporcionar una informaci&#243;n v&#225;lida y complementaria a los EC a la hora de evaluar la eficacia cl&#237;nica de un determinado tratamiento o exposici&#243;n&#46; Sin duda&#44; esto ayudar&#225; a incrementar el nivel de evidencia de los EO en diferentes &#225;reas de la medicina&#44; incluida la Nefrolog&#237;a&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">CONCEPTOS CLAVE</span></p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara">1&#46;&#160; Los resultados de los EO pueden ser comparables a los de los ensayos cl&#237;nicos en cuanto a evaluar la eficacia de un tratamiento o exposici&#243;n&#44; siempre que el dise&#241;o y el an&#225;lisis de &#233;stos sea adecuado y riguroso&#46;</p><p class="elsevierStylePara">2&#46;&#160; La existencia de variables cl&#237;nicas confusoras&#44; dependientes del tiempo&#44; pueden conducir a sobreestimaciones o infravaloraciones del efecto del tratamiento cuando se emplean los modelos de regresi&#243;n convencionales&#44; incurriendo en la confusi&#243;n por indicaci&#243;n&#46;</p><p class="elsevierStylePara">3&#46;&#160; Los MEM pueden evitar el sesgo de la confusi&#243;n por indicaci&#243;n&#44; pero tienen asunciones que deber&#237;an ser verificadas&#46;</p><p class="elsevierStylePara">4&#46;&#160; La elecci&#243;n de variables confusoras para la aplicaci&#243;n de MEM debe hacerse desde un planteamiento cl&#237;nico y estad&#237;stico&#46; La elecci&#243;n err&#243;nea de estas variables puede generar un sesgo que modifica la varianza del estimador&#46;</p><p class="elsevierStylePara">5&#46;&#160; A la hora de valorar la eficacia de un tratamiento mediante un EO&#44; la aplicaci&#243;n de MEM puede incrementar el nivel de evidencia para su aplicaci&#243;n en la pr&#225;ctica cl&#237;nica diaria&#46;</p><p class="elsevierStylePara">&#160;</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Agradecimientos</span></p><p class="elsevierStylePara">Los autores agradecen la colaboraci&#243;n de la Unidad de Bioestad&#237;stica del Hospital Ram&#243;n y Cajal &#40;IRYCIS&#44; Madrid&#59; CIBER Epidemiolog&#237;a y Salud P&#250;blica CIBERESP&#41; y la de los equipos de trasplante renal del Hospital Universitario de Canarias &#40;Tenerife&#41; y del Hospital Universitario Carlos Haya &#40;M&#225;laga&#41;&#46; Este estudio fue financiado parcialmente por Instituto de Salud Carlos III Retic RD06&#47;0016 &#40;RedInRen&#41;&#44; FIS PI070732 y FIS PI10&#47;01020 del Ministerio Espa&#241;ol de Ciencia e Innovaci&#243;n &#40;MICINN&#41;&#44; y por la Consejer&#237;a de Salud del Gobierno de Andaluc&#237;a &#40;PI-0499&#47;2009&#41;&#46;</p><p class="elsevierStylePara"><a href="11267&#95;19115&#95;23989&#95;es&#95;11267&#95;figura1&#46;doc" class="elsevierStyleCrossRefs">11267&#95;19115&#95;23989&#95;es&#95;11267&#95;figura1&#46;doc</a></p><p class="elsevierStylePara">Figura 1&#46; </p><p class="elsevierStylePara"><a href="11267&#95;19115&#95;23990&#95;es&#95;11267&#95;figura2&#46;doc" class="elsevierStyleCrossRefs">11267&#95;19115&#95;23990&#95;es&#95;11267&#95;figura2&#46;doc</a></p><p class="elsevierStylePara">Figura 2&#46; </p><p class="elsevierStylePara"><a href="11267&#95;19115&#95;23991&#95;es&#95;11267&#95;figura3&#46;doc" class="elsevierStyleCrossRefs">11267&#95;19115&#95;23991&#95;es&#95;11267&#95;figura3&#46;doc</a></p><p class="elsevierStylePara">Figura 3&#46; </p>"
    "pdfFichero" => "P-E-S-A11267.pdf"
    "tienePdf" => true
    "PalabrasClave" => array:1 [
      "es" => array:8 [
        0 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443669"
        ]
        1 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443671"
        ]
        2 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443673"
        ]
        3 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443675"
        ]
        4 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443677"
        ]
        5 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443679"
        ]
        6 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443681"
        ]
        7 => array:3 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec443683"
        ]
      ]
    ]
    "multimedia" => array:3 [
      0 => array:8 [
        "identificador" => "mmc1"
        "etiqueta" => "Fig. 1"
        "tipo" => "MULTIMEDIAECOMPONENTE"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "copyright" => "Elsevier Espa&#241;a"
        "Ecomponente" => array:2 [
          "fichero" => "11267_19115_23989_es_11267_figura1.doc"
          "ficheroTamanyo" => 44544
        ]
        "descripcion" => array:1 [
          "es" => " "
        ]
      ]
      1 => array:8 [
        "identificador" => "mmc2"
        "etiqueta" => "Fig. 2"
        "tipo" => "MULTIMEDIAECOMPONENTE"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "copyright" => "Elsevier Espa&#241;a"
        "Ecomponente" => array:2 [
          "fichero" => "11267_19115_23990_es_11267_figura2.doc"
          "ficheroTamanyo" => 105984
        ]
        "descripcion" => array:1 [
          "es" => " "
        ]
      ]
      2 => array:8 [
        "identificador" => "mmc3"
        "etiqueta" => "Fig. 3"
        "tipo" => "MULTIMEDIAECOMPONENTE"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "copyright" => "Elsevier Espa&#241;a"
        "Ecomponente" => array:2 [
          "fichero" => "11267_19115_23991_es_11267_figura3.doc"
          "ficheroTamanyo" => 110592
        ]
        "descripcion" => array:1 [
          "es" => " "
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "Bibliograf&#237;a"
      "seccion" => array:1 [
        0 => array:1 [
          "bibliografiaReferencia" => array:25 [
            0 => array:3 [
              "identificador" => "bib1"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Pascual J, de Pablo I, Gálvez MA, Hernández D. [Clinical trials (I): general concepts]. Nefrologia 2005;25(5):493-9. <a href="http://www.ncbi.nlm.nih.gov/pubmed/16392298" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib2"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "2.\u{A0}Pocock SJ. Clinical Trials: A Practical Approach. John Wiley & Sons; 1983."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib3"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Pascual J, de Pablo López de Abechuco I, Gálvez MA, Hernández D. [The clinical trial (II): ethics and legislation in Spain]. Nefrologia 2005;25(6):622-8. <a href="http://www.ncbi.nlm.nih.gov/pubmed/16514902" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib4"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Pascual J, de Pabño I, Gálvez MA, Hernández D. [Clinical trials (III). The publication of the results]. Nefrologia 2006;26(1):25-30. <a href="http://www.ncbi.nlm.nih.gov/pubmed/16649423" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib5"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Hernández D, Pascual J, Abraira V, Lorenzo V, Quereda C. Estudios observacionales y registros como fuentes de evidencia en el trasplante renal. Nefrologia 2006;26(Supl. 5):66-76."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib6"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Concato J, Shah N, Horwitz RI. Randomized, controlled trials, observational studies, and the hierarchy of research designs. N Engl J Med 2000;342(25):1887-92. <a href="http://www.ncbi.nlm.nih.gov/pubmed/10861325" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib7"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Peto R, Pike MC, Armitage P, Breslow NE, Cox DR, Howard SV, et al.\u{A0}Design and analysis of randomized clinical trials requiring prolonged observation of each patient. I. Introduction and design. Br J Cancer 1976;34(6):585-612."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib8"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Rosenbaum PR, Rubin D. The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrika 1983;70(1):41-55."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            8 => array:3 [
              "identificador" => "bib9"
              "etiqueta" => "9"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Cole SR, Hernan MA. Constructing inverse probability weights for marginal structural models. Am J Epidemiol 2008;168(6):656-64. <a href="http://www.ncbi.nlm.nih.gov/pubmed/18682488" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            9 => array:3 [
              "identificador" => "bib10"
              "etiqueta" => "10"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Hernan MA, Brumback BA, Robins JM. Estimating the causal effect of zidovudine on CD4 count with a marginal structural model for repeated measures. Stat Med 2002;21(12):1689-709. <a href="http://www.ncbi.nlm.nih.gov/pubmed/12111906" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            10 => array:3 [
              "identificador" => "bib11"
              "etiqueta" => "11"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Hernan MA, Brumback B, Robins JM. Marginal structural models to estimate the causal effect of zidovudine on the survival of HIV-positive men. Epidemiology 2000;11(5):561-70. <a href="http://www.ncbi.nlm.nih.gov/pubmed/10955409" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            11 => array:3 [
              "identificador" => "bib12"
              "etiqueta" => "12"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Zeger SL, Liang KY. An overview of methods for the analysis of longitudinal data. Stat Med 1992;11(14-15):1825-39."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            12 => array:3 [
              "identificador" => "bib13"
              "etiqueta" => "13"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "D'Agostino RB, Lee ML, Belanger AJ, Cupples LA, Anderson K, Kannel WB. Relation of pooled logistic regression to time dependent Cox regression analysis: the Framingham Heart Study. Stat Med 1990;9(12):1501-15. <a href="http://www.ncbi.nlm.nih.gov/pubmed/2281238" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            13 => array:3 [
              "identificador" => "bib14"
              "etiqueta" => "14"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Brookhart MA, Schneeweiss S, Rothman KJ, Glynn RJ, Avorn J, Sturmer T. Variable selection for propensity score models. Am J Epidemiol 2006;163(12):1149-56. <a href="http://www.ncbi.nlm.nih.gov/pubmed/16624967" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            14 => array:3 [
              "identificador" => "bib15"
              "etiqueta" => "15"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "HSPH Program on Causal Inference, 2011. Available at:\u{A0}www.hsph.harvard.edu/causal/software/"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            15 => array:3 [
              "identificador" => "bib16"
              "etiqueta" => "16"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Heinze G, Juni P. An overview of the objectives of and the approaches to propensity score analyses. Eur Heart J 2011;32(14):1704-8. <a href="http://www.ncbi.nlm.nih.gov/pubmed/21362706" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            16 => array:3 [
              "identificador" => "bib17"
              "etiqueta" => "17"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "ipw: Estimate inverse probability weights. 2011 Apr 4. Available at:\u{A0}http://cran.r-project.org/web/packages/ipw/index.html.[electronic mail system]."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            17 => array:3 [
              "identificador" => "bib18"
              "etiqueta" => "18"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Fewell Z, Hernán MA, Wolfe F, Tilling K, Choi H, Sterne JA. Controlling for time-dependent confounding using marginal structural models. Stata J 2004;4(4):402-20."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            18 => array:3 [
              "identificador" => "bib19"
              "etiqueta" => "19"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Wang O, Kilpatrick RD, Critchlow CW, Ling X, Bradbury BD, Gilbertson DT, et al.\u{A0}Relationship between epoetin alfa dose and mortality: findings from a marginal structural model. Clin J Am Soc Nephrol 2010;5(2):182-8. <a href="http://www.ncbi.nlm.nih.gov/pubmed/20019122" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            19 => array:3 [
              "identificador" => "bib20"
              "etiqueta" => "20"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Lynch KE, Lynch R, Curhan GC, Brunelli SM. Prescribed dietary phosphate restriction and survival among hemodialysis patients. Clin J Am Soc Nephrol 2011;6(3):620-9. <a href="http://www.ncbi.nlm.nih.gov/pubmed/21148246" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            20 => array:3 [
              "identificador" => "bib21"
              "etiqueta" => "21"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Mehrotra R, Chiu YW, Kalantar-Zadeh K, Bargman J, Vonesh E. Similar outcomes with hemodialysis and peritoneal dialysis in patients with end-stage renal disease. Arch Intern Med 2011;171(2):110-8. <a href="http://www.ncbi.nlm.nih.gov/pubmed/20876398" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            21 => array:3 [
              "identificador" => "bib22"
              "etiqueta" => "22"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Van der Wal WM, Noordzij M, Dekker FW, Boeschoten EW, Krediet RT, Korevaar JC, et al.\u{A0}Full loss of residual renal function causes higher mortality in dialysis patients; findings from a marginal structural model. Nephrol Dial Transplant 2011;26(9):2978-83. <a href="http://www.ncbi.nlm.nih.gov/pubmed/21317411" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            22 => array:3 [
              "identificador" => "bib23"
              "etiqueta" => "23"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Wiesbauer F, Heinze G, Regele H, Horl WH, Schernthaner GH, Schwarz C, et al. Glucose control is associated with patient survival in diabetic patients after renal transplantation. Transplantation 2010;89(5):612-9. <a href="http://www.ncbi.nlm.nih.gov/pubmed/20110856" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            23 => array:3 [
              "identificador" => "bib24"
              "etiqueta" => "24"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Kainz A, Heinze G, Korbely R, Schwarz C, Oberbauer R. Mycophenolate mofetil use is associated with prolonged graft survival after kidney transplantation. Transplantation 2009;88(9):1095-100. <a href="http://www.ncbi.nlm.nih.gov/pubmed/19898205" target="_blank">[Pubmed]</a>"
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
            24 => array:3 [
              "identificador" => "bib25"
              "etiqueta" => "25"
              "referencia" => array:1 [
                0 => array:3 [
                  "referenciaCompleta" => "Hernández D, Muriel A, Abraira V, Pérez G, Porrini E, Marrero D, et al.\u{A0}Renin-angiotensin system blockade and kidney transplantation: longitudinal cohort study. Nephrol Dial Transplant 2011 May 28. [Epub ahead of print]."
                  "contribucion" => array:1 [
                    0 => null
                  ]
                  "host" => array:1 [
                    0 => null
                  ]
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/20137575/0000000200000007/v0_201502101228/X2013757511000636/v0_201502101228/es/main.assets"
  "Apartado" => array:3 [
    "identificador" => "35569"
    "es" => array:2 [
      "titulo" => "Artículos especiales"
      "idiomaDefecto" => true
    ]
    "idiomaDefecto" => "es"
  ]
  "PDF" => "https://static.elsevier.es/multimedia/20137575/0000000200000007/v0_201502101228/X2013757511000636/v0_201502101228/es/P-E-S-A11267.pdf?idApp=UINPBA000064&text.app=https://revistanefrologia.com/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/X2013757511000636?idApp=UINPBA000064"
]
Compartir
Información de la revista
Vol. 2. Núm. 7.diciembre 2011
Suplemento Extraordinario de Nefrología Basada en la Evidencia
Páginas 7-71
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Vol. 2. Núm. 7.diciembre 2011
Suplemento Extraordinario de Nefrología Basada en la Evidencia
Páginas 7-71
Acceso a texto completo
Modelos estructurales marginales: una herramienta útil que proporciona evidencia a los estudios observacionales
Visitas
2717
Alfonso Muriela, Domingo Hernándezb, Víctor Abrairaa
a Unidad de Bioestadística, Clínica Hospital Ramón y Cajal, IRYCIS, CIBERESP, Madrid, , ,
b Servicio de Nefrología, Hospital Universitario Carlos Haya, Málaga, , ,
Este artículo ha recibido
Información del artículo
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Material adicional (3)
Texto completo

INTRODUCCIÓN

 

Uno de los objetivos más frecuentes en investigación clínica es intentar cuantificar la asociación causal entre una exposición o un tratamiento y un evento clínico o resultado. Los ensayos clínicos controlados (EC) surgen para dar respuesta científica a las diferentes innovaciones terapéuticas en el campo de la medicina1. En este sentido, el diseño de EC se ha establecido como el de más calidad para estudiar relaciones causales en tratamientos2, evitando sesgos o errores sistemáticos que puedan enmascarar el verdadero efecto de una determinada intervención. De hecho, el objetivo principal en la mayoría de los EC es estimar el impacto que tiene un nuevo tratamiento comparado con el convencional sobre un resultado clínico del paciente. Por todo ello, los EC constituyen el «patrón oro» de la evidencia a la hora de tomar decisiones clínicas en la práctica médica habitual.

Sin embargo, los EC tienen algunas limitaciones derivadas principalmente de sus condiciones de estudio y de su incapacidad para detectar algunas diferencias para otros resultados distintos del objetivo de interés entre los grupos que se analizan. Los EC se realizan, en general, en pacientes muy seleccionados bajo criterios de inclusión muy estrictos que pueden alejarnos de su aplicabilidad en la práctica clínica habitual. Asimismo, el desarrollo de un EC puede ser inviable por motivos éticos obvios o tener un seguimiento reducido con respecto al evento de interés (en general, 1-2 años), lo que limita su reproducibilidad3. Finalmente, los EC pueden carecer de potencia estadística suficiente por abordar enfermedades poco frecuentes y/o con seguimiento muy prolongado4.

Todas estas razones justifican la necesidad de llevar a cabo estudios observacionales (EO), los cuales pueden proporcionar una información válida y complementaria de una exposición o intervención terapéutica sobre un resultado, siempre que se aplique una metodología científica rigurosa5. En otras palabras, los EO representan una opción válida en investigación clínica para evaluar intervenciones terapéuticas cuando se emplean las herramientas estadísticas adecuadas para su análisis como los modelos de regresión, los índices de propensión o los modelos estructurales marginales (MEM).

 

MODELOS ESTRUCTURALES MARGINALES: APORTANDO EVIDENCIA A LOS ESTUDIOS OBSERVACIONALES

 

En general, los EO de cohortes son realizados para evaluar el efecto de un tratamiento cuya asignación no se ha distribuido aleatoriamente, dado que la intervención terapéutica se ha establecido a partir de la práctica médica habitual o las características individuales de cada paciente. No obstante, si el diseño y análisis son adecuados, los resultados de los estudios de cohortes pueden ser comparables a los de los ensayos clínicos6.

En la práctica clínica habitual, la evaluación del efecto del tratamiento sobre el pronóstico del paciente es compleja debido a la existencia de variables clínicas confusoras, especialmente si el inicio de los tratamientos varía a lo largo del tiempo y la variable resultado es tiempo a un evento. Indudablemente, esto puede conducir a sobreestimaciones o infravaloraciones del efecto del tratamiento, lo que hace muy vulnerable a los EO, debilitando la contundencia de los resultados e incurriendo en la confusión por indicación. Las herramientas estadísticas convencionales más frecuentemente utilizadas para minimizar estos problemas son los modelos de regresión y la estratificación e índice de propensión7-9, pero también pueden estar sesgadas si existen variables confusoras que varían a lo largo del tiempo o que pueden estar afectadas por tratamientos previos10.

Un análisis alternativo para manejar estos sesgos consiste en la aplicación de los MEM, propuestos por Robins et al. (1999)11. En esencia, los MEM constituyen una alternativa a los modelos clásicos cuando existe una variable confusora dependiente del tiempo que se asocia al evento de interés, pero también se relaciona con el tratamiento que se está evaluando. Se denominan estructurales porque estudian causalidad y no simplemente asociación. Son marginales porque se usan las distribuciones marginales de los contrafactuales, condicionadas a las variables basales, en lugar de la conjunta. Se denomina contrafactual a todo evento que no ha ocurrido, pero que pudiera haber ocurrido. La inferencia causal se realiza comparando teóricamente qué ocurriría si todos los pacientes hubieran sido tratados frente a si ningún paciente hubiera sido tratado. Los métodos de regresión tienen sesgos aunque no exista confusión residual (es decir, incluso si se hubieran medido todas las indicaciones posibles del tratamiento) porque se debe a un ajuste inapropiado de la confusión creada por variables dependientes del tiempo afectadas por el tratamiento previo.

La implementación, propuesta por estos autores, de estos modelos consta de 3 pasos básicos:

1) Crear un índice de propensión, es decir, una función que estime la probabilidad («propensión») que tienen los pacientes de ser asignados a cada grupo de tratamiento mediante una regresión logística en la que la variable dependiente es el tratamiento y las independientes son las variables que se asocian con el inicio del tratamiento. Para ajustar este modelo de regresión, cada paciente se «desdobla» en tantas observaciones como unidades de tiempo (meses, semanas, etc.) tenga (figura 2 y figura 3) y se ajusta con un método que tiene en cuenta su falta de independencia (modelos GEE)12.

2) Con el mismo método, se crea una función para la probabilidad de ser censurado y combinando ambas se crea un peso para ponderar cada individuo por su inversa. Con esta ponderación se simula una pseudopoblación en la que el tratamiento, y la censura, son independientes de los confusores medibles.

3) Finalmente se ajusta un modelo de Cox para el tratamiento, ponderando los individuos con esos pesos. El modelo de Cox se simula mediante un modelo de regresión logística expandido, es decir, como en el paso 1, cada paciente se «desdobla» en tantas observaciones como medidas repetidas en el tiempo tenga. La odds ratio de esta regresión logística se aproxima bien al riesgo relativo instantáneo del modelo de Cox, porque el riesgo de eventos es bajo en todos los meses13.

 

ASUNCIONES Y CONDICIONES DE LOS MODELOS ESTRUCTURALES MARGINALES

 

Como todos los modelos estadísticos, los MEM tienen asunciones que se deberían verificar9. Básicamente, estas asunciones son:

  • Consistencia: es decir, que la exposición se tiene que poder definir sin ambigüedades, explicar cómo con un cierto nivel de exposición se asigna a una persona expuesta a un nivel diferente. La evaluación de la consistencia puede ser muy fácil para tratamientos, pero complicada en otro tipo de exposiciones, tales como peso corporal, resistencia a la insulina o nivel de exposición a partículas en suspensión.
  • Intercambiabilidad: que los sujetos expuestos y no expuestos, censurados y no censurados, tengan una distribución igual de los confusores. Implica la asunción de no confusión no medible. Esta asunción no se puede comprobar en una serie de datos observados, pero se puede realizar análisis de sensibilidad añadiendo al modelo más simple otros confusores o modificando la función de los confusores, por ejemplo añadiendo términos cuadráticos o funciones splines. En un ensayo clínico, la intercambiabilidad en el tratamiento es lo que se intenta conseguir con la asignación aleatoria.
  • Positividad: existencia de individuos expuestos y no expuestos para cada nivel de los confusores, también llamada asignación experimental del tratamiento. Por ejemplo, si se está evaluando un tratamiento con posible efecto teratogénico, la probabilidad de recibir este fármaco en embarazadas es 0 de forma estructural. Esto parece muy obvio en este caso, pero resulta complicado de establecer para las distintas combinaciones de confusores. Una forma simple de testar esta asunción se puede realizar mediante el cálculo de las distintas combinaciones posibles de confusores y calculando el porcentaje de expuestos para cada combinación. Por ejemplo, si se quiere evaluar el efecto de la estatina en pacientes con trasplante renal, se debería tener pacientes tratados y no tratados para cualquier valor de colesterol. Obviamente, este punto quizás es una limitación importante para su aplicación generalizada en la práctica clínica.
  • Buena especificación del modelo: la estimación ponderada de los parámetros de un modelo estructural marginal requiere también ajustar varios modelos: el modelo estructural, el modelo de regresión del tratamiento y el modelo de regresión para las censuras.

Bajo estas 4 asunciones de consistencia, intercambiabilidad, positividad y buena especificación del modelo para estimar los pesos, se crea mediante IPTW una pseudopoblación en la cual la exposición es independiente de los confusores medidos. La pseudopoblación es el resultado de asignar a cada paciente un peso proporcional a la probabilidad de recibir su historia de exposición a un tratamiento.

Uno de los problemas claves en la estimación del efecto del tratamiento sobre un resultado dado es la selección de variables por las que corregir14,15. La elección errónea de variables confusoras puede generar un sesgo, modificando la varianza del estimador o el error. En la decisión de la elección de variables se proponen 2 planteamientos:

  • Planteamiento clínico, en el que la decisión está basada en el conocimiento de clínicos expertos, intentando establecer cuál es el diagrama causal entre la exposición y el evento. En otras palabras, la elección de cada variable se justifica mediante el conocimiento de un experto.
  • Planteamiento estadístico, buscando qué variables se asocian estadísticamente de forma univariante con la exposición y/o con el evento. De esta forma tendríamos 3 posibles tipos de variables: variables que sólo se asocian con el evento/resultado, variables que sólo se relacionan con el tratamiento/exposición y variables que asocian con el resultado y con el tratamiento.

 

¿Qué variables incluir?

 

Variables que se relacionan con el resultado: su inclusión hace decrecer la varianza y mantiene el sesgo igual.

Variables que sólo se relacionan con la exposición: su inclusión hace que se incremente la varianza de la estimación y mantiene el sesgo igual. La finalidad de la elección de variables en un estudio con índice de propensión es reducir el sesgo del estimador del efecto del tratamiento, no maximizar la predicción del estatus de tratamiento. Por tanto, estas variables no deberían incluirse.

Variables que se relacionan con ambos: sí deberían incluirse.

 

Adecuación del modelo

 

Tradicionalmente la correcta adecuación del modelo de índice de propensión se ha testado mediante el índice C de Harrell (área bajo la curva ROC)16 asumiendo que índices C próximos a 1 reflejarían una adecuada medida de discriminación. Sin embargo, un valor alto del índice C es indicativo de solapamiento entre individuos experimentales y controles, lo cual puede indicar una falta de comparabilidad entre las características de los individuos tratados y no tratados.

Actualmente, los MEM están implementados mediante macros en software en SAS15, R17 y Stata18.

 

APLICACIÓN DE LOS MODELOS ESTRUCTURALES MARGINALES EN NEFROLOGÍA

 

Los MEM se han implementado en el campo de la medicina, incluido el área de la Nefrología, para dar rigor científico a los EO, especialmente cuando se evalúan variables dependientes del tiempo. A título de ejemplo, esta herramienta se utilizó inicialmente en pacientes con VIH10 en los que la carga viral o el recuento de CD4 pueden ser considerados como confusores dependientes del tiempo en la evaluación causal de un tratamiento retroviral, cuando aparece un nuevo acontecimiento de sida o en la muerte del paciente durante el curso evolutivo de la enfermedad.

En Nefrología, los MEM se han implementado para establecer la relación causal entre múltiples tratamientos o exposiciones y el pronóstico o desenlace final de una entidad. Múltiples EO han mostrado que los pacientes con altas dosis de eritropoyetina (EPO) tenían una elevada mortalidad, si bien los pacientes que requerían dosis más elevadas de EPO tenían mayor comorbilidad. La gran variabilidad en la dosis de EPO durante el seguimiento de los pacientes en diálisis hacía que los confusores fueran dependientes del tiempo, es decir, que los factores pronósticos pudieran ser marcadores para iniciar el tratamiento y estar afectados al mismo tiempo por el propio tratamiento. En un EO reciente, se investigó elegantemente la relación causal entre la dosis de EPO y la mortalidad mediante la aplicación de los MEM19. En este estudio, que incluyó 27.791 pacientes durante un seguimiento de 12 meses, la variable de exposición fue la dosis de EPO (categorizada en rangos), mientras que la variable final (end-point) fue la muerte del paciente o la pérdida de seguimiento. En el análisis final se incluyeron variables basales (edad, sexo, raza, tiempo en diálisis, presencia de diabetes, etc.) y variables evolutivas dependientes del tiempo (parámetros de laboratorio, medicaciones concomitantes, comorbilidad, etc.). Los niveles de hemoglobina pudieran ser a priori una variable confusora dependiente del tiempo, ya que niveles bajos de ésta favorecen la administración de dosis altas de EPO, la cual aumenta los niveles de hemoglobina. Por tanto, y dado que la hemoglobina pudiera estar en la cadena causal entre la EPO y la mortalidad, no se deberían utilizar en este caso los modelos convencionales de regresión para dilucidar esta asociación. Se evaluaron tres tipos de modelos incrementando el número de predictores asociados al uso de EPO para la buena especificación del modelo de estudio. Las variables que asociaron con la dosis de EPO de forma más directa fueron la hemoglobina previa, el tipo de acceso vascular y la comorbilidad, evaluada por las hospitalizaciones. La conclusión a la que llegan los autores es que, aunque el análisis más simple, corrigiendo sólo por hemoglobina e historia previa de uso de EPO, podría indicar que dosis muy altas de EPO (más de 49.000 IU en 2 semanas) se asocian con mayor mortalidad (hazard ratio [HR] = 1,51), este efecto desaparece (HR = 0,98) cuando se plantea un MEM más completo. En cualquier caso, este estudio no está exento de limitaciones importantes como la asunción de positividad, que exigiría una probabilidad distinta de 0 de recibir cualquiera de las dosis de EPO ante cualquier valor de hemoglobina, o la confusión residual al no incluirse en el modelo variables biológicas importantes (proteína C reactiva, recuento de linfocitos, etc.) que pudieran afectar el resultado final.

De manera similar, la aplicación de MEM en EO de pacientes con enfermedad renal avanzada ha proporcionado luz sobre algunos aspectos clínicos controvertidos de la terapia sustitutiva de la función renal. Concretamente, esta herramienta estadística ha permitido dilucidar que ni la restricción de fosfato en la dieta de estos pacientes ni el tipo de diálisis recibido (hemodiálisis vs. diálisis peritoneal) influyen decisivamente sobre la mortalidad de estos pacientes20,21. Por el contrario, una excesiva restricción de fósforo en la dieta pudiera acarrear un mayor riesgo de muerte en esta población. Asimismo, la aplicación de MEM en un EO multicéntrico holandés demostró que la pérdida de la función renal residual se asociaba a mayor mortalidad22. Esto respalda la posibilidad de aplicar una terapia renal sustitutiva individualizada en función del volumen urinario que tenga cada paciente al inicio del tratamiento dialítico crónico.

En el campo del trasplante renal, la utilidad de los MEM se ha centrado en testar el impacto de alteraciones metabólicas sobre la mortalidad y en evaluar la eficacia de fármacos inmunosupresores y medicación cardioprotectora sobre la supervivencia del paciente y del injerto renal. En efecto, el empleo de modelos de regresión de Cox y MEM, ajustando para variables confusoras, demostró que niveles elevados de glucemia o un tratamiento insulínico más intenso se asociaba a mayor mortalidad23. Empleando una metodología similar, se demostró que el uso de micofenolato mofetil proporcionaba una mayor supervivencia del injerto renal con respecto al empleo de azatioprina24. Finalmente, un EO reciente de nuestro grupo que incluyó 990 pacientes que recibieron un injerto renal entre 1996-2005 demostró, mediante un análisis de regresión de Cox con variables dependientes del tiempo, que el empleo de fármacos que bloquean el sistema renina-angiotensina (inhibidores de la enzima conversora de angiotensina [IECA] y antagonistas de los receptores de la angiotensina II [ARA II]) se asociaban a una reducción del riesgo de mortalidad (HR = 0,626, 95% intervalo de confianza [IC], 0,407-0,963), pero no de pérdida del injerto. Similares resultados fueron observados después de ajustar por variables confusoras para la indicación de IECA/ARA mediante el empleo de MEM (HR = 0,629, 95% IC, 0,407-0,973)25. Una vez más, estos hallazgos confirman la utilidad de la implementación de los MEM en los EO de cohortes de pacientes con enfermedades renales.

En resumen, la aplicación de MEM en los EO de cohortes que utilicen variables dependientes del tiempo puede proporcionar una información válida y complementaria a los EC a la hora de evaluar la eficacia clínica de un determinado tratamiento o exposición. Sin duda, esto ayudará a incrementar el nivel de evidencia de los EO en diferentes áreas de la medicina, incluida la Nefrología.

 

CONCEPTOS CLAVE

 

1.  Los resultados de los EO pueden ser comparables a los de los ensayos clínicos en cuanto a evaluar la eficacia de un tratamiento o exposición, siempre que el diseño y el análisis de éstos sea adecuado y riguroso.

2.  La existencia de variables clínicas confusoras, dependientes del tiempo, pueden conducir a sobreestimaciones o infravaloraciones del efecto del tratamiento cuando se emplean los modelos de regresión convencionales, incurriendo en la confusión por indicación.

3.  Los MEM pueden evitar el sesgo de la confusión por indicación, pero tienen asunciones que deberían ser verificadas.

4.  La elección de variables confusoras para la aplicación de MEM debe hacerse desde un planteamiento clínico y estadístico. La elección errónea de estas variables puede generar un sesgo que modifica la varianza del estimador.

5.  A la hora de valorar la eficacia de un tratamiento mediante un EO, la aplicación de MEM puede incrementar el nivel de evidencia para su aplicación en la práctica clínica diaria.

 

Agradecimientos

Los autores agradecen la colaboración de la Unidad de Bioestadística del Hospital Ramón y Cajal (IRYCIS, Madrid; CIBER Epidemiología y Salud Pública CIBERESP) y la de los equipos de trasplante renal del Hospital Universitario de Canarias (Tenerife) y del Hospital Universitario Carlos Haya (Málaga). Este estudio fue financiado parcialmente por Instituto de Salud Carlos III Retic RD06/0016 (RedInRen), FIS PI070732 y FIS PI10/01020 del Ministerio Español de Ciencia e Innovación (MICINN), y por la Consejería de Salud del Gobierno de Andalucía (PI-0499/2009).

11267_19115_23989_es_11267_figura1.doc

Figura 1.

11267_19115_23990_es_11267_figura2.doc

Figura 2.

11267_19115_23991_es_11267_figura3.doc

Figura 3.

Bibliografía
[1]
Pascual J, de Pablo I, Gálvez MA, Hernández D. [Clinical trials (I): general concepts]. Nefrologia 2005;25(5):493-9. [Pubmed]
[2]
2. Pocock SJ. Clinical Trials: A Practical Approach. John Wiley & Sons; 1983.
[3]
Pascual J, de Pablo López de Abechuco I, Gálvez MA, Hernández D. [The clinical trial (II): ethics and legislation in Spain]. Nefrologia 2005;25(6):622-8. [Pubmed]
[4]
Pascual J, de Pabño I, Gálvez MA, Hernández D. [Clinical trials (III). The publication of the results]. Nefrologia 2006;26(1):25-30. [Pubmed]
[5]
Hernández D, Pascual J, Abraira V, Lorenzo V, Quereda C. Estudios observacionales y registros como fuentes de evidencia en el trasplante renal. Nefrologia 2006;26(Supl. 5):66-76.
[6]
Concato J, Shah N, Horwitz RI. Randomized, controlled trials, observational studies, and the hierarchy of research designs. N Engl J Med 2000;342(25):1887-92. [Pubmed]
[7]
Peto R, Pike MC, Armitage P, Breslow NE, Cox DR, Howard SV, et al. Design and analysis of randomized clinical trials requiring prolonged observation of each patient. I. Introduction and design. Br J Cancer 1976;34(6):585-612.
[8]
Rosenbaum PR, Rubin D. The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrika 1983;70(1):41-55.
[9]
Cole SR, Hernan MA. Constructing inverse probability weights for marginal structural models. Am J Epidemiol 2008;168(6):656-64. [Pubmed]
[10]
Hernan MA, Brumback BA, Robins JM. Estimating the causal effect of zidovudine on CD4 count with a marginal structural model for repeated measures. Stat Med 2002;21(12):1689-709. [Pubmed]
[11]
Hernan MA, Brumback B, Robins JM. Marginal structural models to estimate the causal effect of zidovudine on the survival of HIV-positive men. Epidemiology 2000;11(5):561-70. [Pubmed]
[12]
Zeger SL, Liang KY. An overview of methods for the analysis of longitudinal data. Stat Med 1992;11(14-15):1825-39.
[13]
D'Agostino RB, Lee ML, Belanger AJ, Cupples LA, Anderson K, Kannel WB. Relation of pooled logistic regression to time dependent Cox regression analysis: the Framingham Heart Study. Stat Med 1990;9(12):1501-15. [Pubmed]
[14]
Brookhart MA, Schneeweiss S, Rothman KJ, Glynn RJ, Avorn J, Sturmer T. Variable selection for propensity score models. Am J Epidemiol 2006;163(12):1149-56. [Pubmed]
[15]
HSPH Program on Causal Inference, 2011. Available at: www.hsph.harvard.edu/causal/software/
[16]
Heinze G, Juni P. An overview of the objectives of and the approaches to propensity score analyses. Eur Heart J 2011;32(14):1704-8. [Pubmed]
[17]
ipw: Estimate inverse probability weights. 2011 Apr 4. Available at: http://cran.r-project.org/web/packages/ipw/index.html.[electronic mail system].
[18]
Fewell Z, Hernán MA, Wolfe F, Tilling K, Choi H, Sterne JA. Controlling for time-dependent confounding using marginal structural models. Stata J 2004;4(4):402-20.
[19]
Wang O, Kilpatrick RD, Critchlow CW, Ling X, Bradbury BD, Gilbertson DT, et al. Relationship between epoetin alfa dose and mortality: findings from a marginal structural model. Clin J Am Soc Nephrol 2010;5(2):182-8. [Pubmed]
[20]
Lynch KE, Lynch R, Curhan GC, Brunelli SM. Prescribed dietary phosphate restriction and survival among hemodialysis patients. Clin J Am Soc Nephrol 2011;6(3):620-9. [Pubmed]
[21]
Mehrotra R, Chiu YW, Kalantar-Zadeh K, Bargman J, Vonesh E. Similar outcomes with hemodialysis and peritoneal dialysis in patients with end-stage renal disease. Arch Intern Med 2011;171(2):110-8. [Pubmed]
[22]
Van der Wal WM, Noordzij M, Dekker FW, Boeschoten EW, Krediet RT, Korevaar JC, et al. Full loss of residual renal function causes higher mortality in dialysis patients; findings from a marginal structural model. Nephrol Dial Transplant 2011;26(9):2978-83. [Pubmed]
[23]
Wiesbauer F, Heinze G, Regele H, Horl WH, Schernthaner GH, Schwarz C, et al. Glucose control is associated with patient survival in diabetic patients after renal transplantation. Transplantation 2010;89(5):612-9. [Pubmed]
[24]
Kainz A, Heinze G, Korbely R, Schwarz C, Oberbauer R. Mycophenolate mofetil use is associated with prolonged graft survival after kidney transplantation. Transplantation 2009;88(9):1095-100. [Pubmed]
[25]
Hernández D, Muriel A, Abraira V, Pérez G, Porrini E, Marrero D, et al. Renin-angiotensin system blockade and kidney transplantation: longitudinal cohort study. Nephrol Dial Transplant 2011 May 28. [Epub ahead of print].
Descargar PDF
Idiomas
Nefrología
Opciones de artículo
Herramientas
Material suplementario
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?