SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
8
RESUMEN
Introducción: Los encargados de la gestión de las
instituciones relacionadas con la salud, están
enfrentados a una gran responsabilidad en cuanto a
ser capaces de tomar las decisiones adecuadas en el
momento y en el tiempo precisos.
Para poder hacerlo necesitan contar con la
información adecuada en tres etapas: caracterización
de la situación, elaboración de escenarios alternativos
y evaluación de las consecuencias y resultados
obtenidos.
Objetivo: Analizar las características, funciones e
importancia de la Unidad de Análisis de Información a
nivel sanitario.
Desarrollo: La Epidemiología cuenta con diversas
herramientas y metodología orientadas al diagnóstico
del perfil sanitario, así como la monitorización de
eventos que constituyen señales de alerta.
El Análisis Espacial de los datos, a través de los
Sistemas de Información Geográfica es un paso
fundamental, en el manejo de la información
institucional.
El análisis temporal permite el seguimiento de
procesos y la detección temprana de cambios en los
patrones de ocurrencia. Las series temporales
permiten la predicción de valores futuros en función
del comportamiento pasado.
Los meta análisis y revisiones sistemáticas aportan
una herramienta muy importante en la búsqueda de
evidencia científica y evaluación de intervenciones.
Para el estudio de eventos poco frecuentes son útiles
las técnicas de clustering temporal, espacial y la
distribución de Poisson.
Análisis: A modo de ejemplo se analiza la serie
temporal de mortalidad del Hospital Central de las
FF.AA. en el quinquenio 1996-2000. El promedio de
muertes por mes fue de 40.72 (de 9,46) La línea de
tendencia es ligeramente negativa con un coeficiente
de correlación de –0.20, la línea de tendencia tiene
un valor y=121,48 y la pendiente es –0.4393.
Conclusiones: La Unidad de Análisis de Información,
permite generar información oportuna para la toma de
decisiones sanitarias, constituyendo un elemento
básico de un Sistema de Información de Salud.
SUMMARY
Introduction: Those in charge of the administration of
institutions related with health care, are faced with a great
responsibility as to being able to take the adequate decisions
in the precise moment and time.
Objective:Analyze characteristics, functions and significance
of the Unit of Information Analysis, at a health level.
Development: Epidemiology has various tools and
methodology focused on the diagnosis of the health profile,
as well as monitoring events which constitute an alert signal.
The Spatial Analysis of data, through the Geographic
Information Systems is a fundamental step in the
management of institutional information. The temporary
analysis allows the follow-up of processes and an early
detection of changes in occurrence patterns. Temporary
series allow the prediction of future values as a function of
the past behavior.
Meta analysis and systematic revisions contribute with a very
important tool in the search for scientific evidence and
assessment of interventions.
For the study of rare events the temporary and spatial
clustering techniques as well as the Poisson distribution are
very useful
Analysis: As an example it is analyzed the temporary
mortality series at the Armed Forces Central Hospital
between 1996 – 2000.The monthly death average was 40.72
(of 9,46). The trend line is slightly negative with a correlation
coefficient of-0.20, the trend line has a value y= 121,48 and
the slope is –0.4393.
Conclusions: The Unit of Information Analysis allows for a
timely generation of information in order to take health
decisions, and constitutes a basic element for a Health
Information System.
UNIDAD DE ANÁLISIS
DE LA INFORMACIÓN:
su importancia institucional
Eq.Tte.1º (M) Teresa Puppo
ARTICULOS ORIGINALES
PREMIO ANUAL AÑO 2004
E.S.FF.AA. – Area Salud
Pública y Administración
MENCION
https://doi.org/10.35954/SM2006.28.1.2
Unidad de Análisis de la Información:
Su importancia institucional
9
I. LA INFORMACIÓN COMO INSUMO
EN EL NIVEL DECISORIO
Los encargados de la gestión de las instituciones
relacionadas con la salud, están enfrentados a una
gran responsabilidad en cuanto a ser capaces de
tomar las decisiones adecuadas en el momento y en
el tiempo precisos.
Deberán para ello contar con las herramientas
necesarias para evaluar los resultados o
consecuencias de esa decisión. Esta tarea se
desarrolla en un marco de inevitable incertidumbre,
por lo cual es necesario contar con métodos que
brinden criterios para poder elegir en forma
justificada, reproducible y evaluable.
En las instituciones de salud existe un nivel político,
encargado de definir los objetivos y tomar las
decisiones necesarias para alcanzarlos. Existe
también un nivel técnico, que tiene la ineludible tarea
de elaborar la información de manera adecuada y
oportuna, a fin de que realmente se constituya en un
insumo básico y efectivo para la elección de un curso
de acción exitoso.
Otro nivel de gran importancia es el operativo. Aquí
se desarrolla lo que se conoce como microgestión.
En la salud, el papel del clínico, del profesional que
trabaja directamente con el usuario es de
fundamental importancia. A este nivel se decide una
parte importante del gasto institucional y es necesario
que también se cuente con las herramientas
adecuadas que apoyen sus decisiones. (1,2)
Relacionando estos niveles (político, técnico,
operativo) debe existir un sistema de información
fluido, que comunique a todos los actores, pensado
para apoyar estratégicamente la toma de decisiones,
es decir pensado desde y para apoyar el logro de los
objetivos estratégicos institucionales.
Es muy importante también la capacitación
permanente del personal que decide, tanto a nivel
político como clínico, para que este proceso decisorio
sea eficiente, tanto desde el punto de vista
económico como de la calidad de atención brindada
al usuario.
Toda institución deberá encuadrarse además, en un
marco general normativo y legal, desarrollando los
mecanismos que le permitan rendir cuentas de su
gestión, en consonancia con las directivas definidas a
nivel gubernamental (macrogestión).
En este proceso y en todos los niveles, la
epidemiología y la bioestadística son disciplinas
fundamentales para guiar y fundamentar la toma de
decisiones.(3) La gestión, como disciplina
administrativa, necesita complementarse con la
epidemiología que le aporta los elementos necesarios
para orientar el cambio. El resultado final apunta al
logro de tres metas: equidad, eficiencia micro-
económica y adecuación macroeconómica.
Llama la atención, desde esta perspectiva, al
observar las distintas instituciones de salud de
nuestro medio, la gran cantidad de administradores
que hay en relación a los pocos epidemiólogos.
La epidemiología, es una ciencia orientada a estudiar
los procesos de salud y enfermedad a nivel de las
poblaciones, aportando herramientas metodológicas
para el estudio de factores de riesgo, factores
causales, impacto de las intervenciones,
cuantificación de eventos, e identificación de patrones
espaciales y temporales.
“La investigación epidemiológica permite identificar
cada situación y perfil de salud y determinar sus
causas, para de esa forma definir las estrategias de
intervención sanitaria más adecuadas al caso”. (4)
Actualmente pueden diferenciarse diversas áreas de
aplicación específica como puede ser la
epidemiología genética, fármaco vigilancia,
epidemiología ambiental, epidemiología clínica,
epidemiología comunitaria, epidemiología en la
administración, entre las más desarrolladas.
En una institución de salud la epidemiología clínica es
una disciplina fundamental para el profesional de la
salud que trabaja a este nivel. Aunque es aquí que
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
10
se genera gran parte del gasto institucional y se
toman las decisiones básicas diagnósticas y
terapéuticas, muchas veces no se dispone de
criterios científicos actualizados que respalden las
decisiones tomadas. Hay que proveer a este nivel a
través de la capacitación permanente de las
herramientas básicas como: capacidad crítica para
evaluar trabajos científicos, entrenamiento en
medicina basada en la evidencia, uso de guías de
práctica clínica, uso de algoritmos diagnósticos
eficaces, incorporación de evaluaciones sistemáticas,
conocimientos básicos de gestión sanitaria,
actualización continua. (5,6,7)
En muchos Hospitales relevantes a nivel mundial y
docentes, existe una Unidad de Epidemiología Clínica
que desarrolla parte de estas tareas esenciales.
La DNSFFAA como organización de salud, y en el
marco de la reforma sanitaria necesita contar con la
información adecuada. En este contexto las Unidades
de Análisis de Información son las encargadas de
sistematizar, analizar y elaborar la información para
poder contar con el dato adecuado en el momento
oportuno. Paradójicamente las instituciones a veces
recogen muchos datos, pero estos se quedan en los
cajones sin llegar a destino.
El Sistema de Información es un reflejo de la
estructura institucional a la cual representa y debe en
este caso tener también varios niveles.(8,9)
Hay que diseñar subsistemas de alerta, capaces de
detectar rápidamente las señales de alarma. La
epidemiología cuenta con diversas metodologías
adecuadas a esta función, que hay que seleccionar,
evaluar e incorporar, adaptándolas a cada evento que
se va a monitorear.
No es lo mismo un acontecimiento de baja que de
alta frecuencia, no es lo mismo detectar un factor de
riesgo que un factor causal, no es lo mismo evaluar la
contaminación ambiental que el impacto de un
programa preventivo asistencial.
Todo esto requiere sin duda, recursos humanos
capacitados y recursos tecnológicos adecuados, es
decir inversión. El punto crítico sería quizás poder
convencer y demostrar a las autoridades que esta
inversión inicial es altamente rentable a mediano
plazo, para implementar un experimento piloto que
favorezca la ejecución de un proyecto de mayor
envergadura.
II. ALGUNAS TÉCNCIAS
DISPONIBLES
Análisis espacial de los datos
(Sistemas de Información Geográfica)
Actualmente los Sistemas de Información Geográfica
(SIG) han tenido un gran desarrollo gracias a la
generalización de software accesible, aunque el
análisis de la dimensión espacial de los eventos de
salud pública es muy antiguo en epidemiología. (10)
Ya R. Snow en su clásico trabajo sobre el cólera, en
la epidemia de agosto de 1854 en el sub-distrito de
Saint-James en Londres, encontró un patrón de
distribución geográfica que fue la clave para
establecer la causa de la misma. (11)
En esta área, dada la larga trayectoria y experiencia
que tiene el Instituto Geográfico Militar, sería muy
interesante explorar la posibilidad de establecer un
convenio de trabajo que permita la formación inicial
de los recursos humanos y garantice la correcta
ejecución de un primer proyecto.
Análisis temporal
Se analizarán algunas técnicas actualmente en uso,
que son de gran utilidad en el seguimiento de eventos
de salud y faciliten le detección temprana de cambios
en los patrones de ocurrencia: aumento de los casos,
existencia de focos, asociaciones de tipo causa-
efecto, impacto de una intervención, proyecciones a
corto plazo, etc.
En el estudio de una epidemia, este aspecto
representado gráficamente en la curva epidémica es
esencial y puede sugerir por ejemplo una exposición
masiva común de corta duración, una exposición
masiva común prolongada, una exposición masiva
común seguida de casos secundarios o una epidemia
propagada por exposición múltiple. (11)
Unidad de Análisis de la Información:
Su importancia institucional
11
Otra forma de análisis de gran utilidad son las series
temporales, ya sea representado una sola variable en
relación al tiempo o un análisis multivariante.
Una serie temporal es en sentido amplio “una
secuencia de valores observados a lo largo del
tiempo, y por tanto ordenados cronológicamente.
...Denominamos predicción a la estimación de
valores futuros de la variable en función del
comportamiento pasado de la serie. La predicción
mediante modelos basados en la teoría de series
temporales, puede servir para una buena
planificación de recursos sanitarios, en función de la
demanda que se espera en el futuro, prevista por el
modelo”. (12).
Su estudio tiene como objetivo descubrir las
características subyacentes del fenómeno, su
tendencia en el tiempo, sus variaciones cíclicas y
estacionales, así como la posibilidad de predecir
(dentro de ciertos límites) su comportamiento.
Una aplicación actual en pleno desarrollo es el uso de
series temporales de múltiples variables para analizar
sus posibles interrelaciones y calcular riesgos. Estos
métodos tienen gran aplicación en estudios de
epidemiología ambiental.
Meta-análisis y revisiones sistemáticas
Son los que permiten resumir información proveniente
de diversos trabajos originales y a través de técnicas
estadísticas apropiadas procesarlos en forma
conjunta, aumentando en general de esa forma la
potencia de las pruebas aplicadas y permitiendo
llegar a conclusiones de mayor significación
estadística. Un ejemplo clásico de su utilidad son los
hallazgos acerca de la eficacia del uso de corticoides
como estimulantes de la maduración pulmonar en
fetos en riesgo de un parto prematuro. Aunque el
primer ensayo clínico sobre este tema se publicó en
1972, fue recién en 1989 que se publicó una revisión
sistemática demostrando la eficacia de la
intervención.
“Para que la ciencia sea acumulativa es necesario un
paso intermedio entre la investigación pasada y
futura: la síntesis de la evidencia existente”. (13)
La validez de los resultados de estas síntesis
depende del uso de procedimientos estadísticos
adecuados. Ligth y Pillmer (13) proponen un modelo
funcional para expresar la pregunta guía para la
realización de una revisión sistemática de la forma:
Y = f ( T, X ) + error (1)
En donde Yrepresenta un resultado de interés, Tun
tratamiento de interés y Xlas características de los
participantes. Sin embargo la generalización de
los resultados debe tener en cuenta dos aspectos
críticos: cómo se seleccionaron los estudios para la
revisión y cómo se seleccionaron los individuos para
participar en el estudio. El primer aspecto se
relaciona con la posibilidad de tener sesgos por no
publicación, de selección, de idioma, entre otros. El
segundo aspecto se refiere a la comparabilidad de los
resultados, ya que si los estudios definen las
variables de manera diferente sus resultados no
podrán compararse.
Análisis de eventos poco frecuentes:
Otra situación que se presenta habitualmente en la
práctica es la necesidad de vigilar un hecho de baja
frecuencia y detectar de manera rápida sus
variaciones. Aquí son útiles las técnicas de clustering
temporal y espacial. (14) y el uso de la distribución de
Poisson. (15,16)
1) Eventos frecuentes: Un método útil es comparar
el comportamiento observado con el comportamiento
histórico. La línea de base de referencia se construye
a partir de una base de datos con los casos de la
enfermedad reportados agrupados en 15 intervalos
de tiempo pertenecientes a 5 años anteriores o más.
Estos intervalos comprenden las observaciones del
período inmediato anterior, del período central
(correspondiente a un momento de tiempo similar al
actual) y del inmediato posterior. El central es
representado por un conjunto de 4 semanas que
incluye la semana de interés y las 3 anteriores. Esto
es para evitar las fluctuaciones debidas a
irregularidades en los mecanismos de notificación.
Los intervalos de confianza en torno a los valores
esperados permiten determinar si la enfermedad sale
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
12
de los límites previstos. Los prerrequisitos para
utilizar este método son que no exista una correlación
de primer orden elevada y que el evento tenga cierta
frecuencia. La distribución de probabilidades teórica
subyacente a este modelo es la normal. (17)
2) Eventos de baja frecuencia: Cuando los eventos
son de baja frecuencia es muy importante contar con
un método que permita identificar áreas donde se
comporta en forma diferente al resto del país. Las
enfermedades de baja frecuencia no se pueden
estudiar con los modelos clásicos y estocásticos
utilizados habitualmente para el tratamiento de series
temporales. En estos casos es muy útil la distribución
de Poisson que permite predecir el número de
sucesos que se producen en un determinado período,
cuando son eventos raros que se asume que ocurren
en forma aleatoria en el tiempo. Se puede
complementar con un indicador que es la razón entre
lo observado y lo esperado, que si es mayor que 1
sugiere que se ha producido un aumento en los casos
de acuerdo a lo esperado. (17)
Tecnologías de apoyo:
La información es cada vez más abundante en
general, pero si los procedimientos de elaboración y
análisis no acompañan el proceso de generación de
datos, la recolección se transforma en una simple
“cosecha” automática, que no aporta los beneficios
esperados.
El diseño del Sistema de Información es un aspecto
crucial. Esta fase actualmente está muy relacionada
(y debe analizarse en forma conjunta) con las
tecnologías de soporte que permiten el adecuado
procesamiento de los datos.
La informatización y generalización de los datos
significa una gran ayuda para la investigación, pero
también genera nuevos problemas tanto éticos como
legales.
El derecho informático, como nueva disciplina que se
viene desarrollando, aporta el marco de resguardo
necesario tanto para el individuo garantizando su
privacidad, como para las instituciones demarcando
compromisos y responsabilidades. (18)
La telemática, con su crecimiento acelerado, la
Historia Clínica Electrónica (19), la posibilidad de
acceder a los microdatos, el manejo de enormes
bases de información, todo eso plantea grandes
desafíos que hay que ir resolviendo. (20)
El derecho estadístico está aún muy poco
desarrollado, aunque sus antecedentes pueden
relacionarse con los de la econometría. “En la
actualidad numerosos programas informáticos ocultan
o dificultan la comprensión de los criterios de
muestreo, reparto, consideración, inspección o
sanción de numerosas instituciones públicas o
empresas privadas.” (21)
III. UN EJEMPLO:
ANÁLISIS DE SERIES TEMPORALES
Se analizarán en forma sucesiva los diferentes pasos
del análisis, tomando como ejemplo las series
temporales.
III.1. TÉCNICAS DE MODELADO DE LOS
DATOS
En medicina, como en muchas otras áreas del
conocimiento científico, necesitamos conocer la
realidad, comprender el comportamiento de los
fenómenos, conocer sus causas y predecir su
desenlace.
La primera etapa de este proceso es construir
un modelo simplificado de la realidad: definir
variables, medir acontecimientos y sacar las
conclusiones estadísticas. El concepto fundamental
que guía este proceso es que los datos por sí
mismos no tienen sentido, ni el método estadístico
puede resolver los errores derivados de la falta de
consistencia de un marco teórico. Es decir que antes
de recolectar los datos siempre tiene que haber un
conocimiento previo, una hipótesis que guíe todos los
otros pasos y a partir del cual se interpreten
finalmente los resultados obtenidos.
Todo estudio parte de una simplificación de la
realidad. Esto que por un lado es imprescindible,
significa sin dudas una restricción. Su adecuación y
utilidad dependerá de muchas cosas, entre otras de
Unidad de Análisis de la Información:
Su importancia institucional
13
la capacidad del investigador de seleccionar las
variables adecuadas para modelar la realidad.
Siempre hay que tener en cuenta que como lo
expresa Babbie “los científicos nunca recaban datos:
crean datos. ... El investigador nunca puede hacer
medidas precisas, sino tan sólo útiles. Esto no debe
tenerse como una justificación de la anarquía
científica. Siempre es posible una investigación
rigurosa . (22)
Los modelos si bien son necesarios, no son un
fin en sí mismos, son una herramienta, una etapa del
proceso del conocimiento y luego deberán ser
confrontados con la realidad para ver si aportan
resultados adecuados.(23)
III.2. MODELOS DE REGRESIÓN
Habitualmente se centrará el análisis de un
problema en una variable que se desea explicar
(describir su comportamiento) en relación a una o
más variables explicatorias.
Una forma habitual en epidemiología de
encarar la modelización de un problema desde el
punto de vista estadístico es a través de la regresión
lineal simple o múltiple. Analizaremos en detalle este
proceso para ver algunos de los aspectos
fundamentales a tener en cuenta, así como sus
dificultades y limitaciones. (24,25,26)
Existen varios tipos de regresión: lineal
múltiple, logística, proporcional de Cox y de Poisson.
Las suposiciones básicas del análisis de regresión
son la aditividad, linealidad, normalidad,
independencia y varianzas homogéneas.
Antes de elegir un modelo debemos verificar
que los datos siguen una tendencia apropiada, en
este caso aproximándose a una recta, para lo cual es
muy útil visualizar su forma a través de un gráfico
(diagrama de dispersión o nube de puntos). (27)
En el caso de que no se observe una
tendencia lineal, habrá que buscar otros modelos no
rectos, o quizás transformar los datos, a través de
técnicas habituales, como la transformación
logarítmica, para ver si es posible adaptarlos a un
modelo recto. (28)
En términos generales los pasos del
modelado serán los siguientes:
Analizar las variables, su escala (cualitativa
o cuantitativa), sus posibles relaciones
asociativas o causales, en función de la
hipótesis que guía el trabajo.
Graficar los datos, para visualizar la forma
de la distribución de los mismos.
Seleccionar uno o varios modelos, teniendo
en cuenta que los datos cumplan las
suposiciones básicas de ellos. Por ejemplo
si los datos son de conteo, la distribución de
Poisson será una de las más adecuadas.
Cuando hay información sobre dos o más
variables relacionadas, es habitual buscar un
modelo que exprese la forma en que se
relacionan. Un gráfico de dispersión
mostrará por ejemplo una relación directa o
inversa. Esto se expresa a través de una
fórmula matemática, que en condiciones
ideales permite describir el comportamiento
mutuo de las variables, así como predecir el
valor de una si conocemos los valores de las
variables asociadas.
Las técnicas más comúnmente utilizadas
para este objetivo son métodos de regresión
y correlación. Los métodos de regresión se
usan para determinar la “mejor relación
funcional entre las variables mientras que los
métodos de correlación se utilizan para
medir el grado de asociación entre las
distintas variables”. (29)
Finalmente habrá que verificar con los datos
reales su adecuación al modelo.
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
14
Habitualmente suponemos que la función
elegida representa algún mecanismo básico, causal o
de asociación entre las variables estudiadas. Sin
embargo esto no es necesariamente así, encontrar un
modelo descriptivo y aún predictivo no supone
demostrar ninguna relación causal. Dos o más
variables pueden tener una correlación
estadísticamente significativa, sin que haya ninguna
relación entre ellas. Algunos ejemplos de esta
situación son muy conocidos, como el estudio que
encontró una asociación entre el número de
ahogados en Florida (EEUU) y el consumo de
helados, producto del fenómeno denominado falacia
ecológica. (5)
Para evitar estos errores la única forma es
conocer adecuadamente el problema y partir de una
hipótesis plausible. En términos generales se puede
decir que, a través de los métodos epidemiológicos,
se demuestra asociación no causalidad. Por lo tanto
el análisis estadístico es solamente una herramienta
de ayuda para el análisis e interpretación de los
datos.
Luego de elegir una familia de funciones,
hay que seleccionar una, es decir hay que estimar los
parámetros de esa función, lo que habitualmente se
denomina “ajuste de la curva”. El objetivo de este
paso es adaptar los datos reales al modelo
seleccionado.
Una forma habitual de ajuste es el método
de los mínimos cuadrados, a partir del cual se
obtiene la ecuación de regresión.
En el caso de la regresión lineal simple la
relación funcional puede expresarse como:
Y = βo + β1 X (2)
En donde Yrepresenta la variable dependiente, βlos
parámetros del modelo y Xla variable independiente.
Para un modelo dado, los parámetros son constantes
y se puede utilizar la fórmula para estimar el valor
teórico de “y” a partir de una valor de “x” dado.
El alcance de esta “predicción” es el conjunto de
datos experimentales, es decir que no es correcto
hacer predicciones más allá de los límites del modelo.
“Una ecuación de estimación es válida sólo sobre el
mismo intervalo de donde se extrajo inicialmente la
muestra”. (30)
Luego de calcular un valor teórico para “y”,
se apreciará al compararlo con el valor observado
que existe una diferencia o error, denominado
habitualmente residuo. Una de las etapas más
importante del análisis de la salida de la regresión es
el análisis de los residuos. Si la regresión incluye
todos los factores explicatorios de la relación entre las
variables, los residuos mostrarán una distribución
aleatoria. Si los residuos muestran patrones no
aleatorios, esto indica que existe algún factor
importante que no se tomó en cuenta.
III.3. LAS SERIES TEMPORALES
III.3.1 Características generales de
las series temporales:
Un tipo de estudio muy frecuente en
epidemiología es el análisis de las series temporales.
Este tipo de datos se estudia frecuentemente a través
de modelos lineales, pero teniendo en cuenta algunas
particularidades y restricciones importantes. (31-35)
El análisis clásico de una variable en función
del tiempo implica identificar cuatro componentes:
1) La tendencia secular: representa la dirección a
largo plazo de la serie. Una manera de describir este
componente es ajustar los datos a una línea, por
ejemplo por el método de los mínimos cuadrados. La
utilidad de estudiar la tendencia es describir un patrón
histórico, proyectar patrones o tendencias hacia el
futuro, eliminar la tendencia secular de una serie de
tiempo para eliminar de la serie el componente de la
tendencia, lo que facilitará el estudio de los otros tres
componentes. Cuando la tendencia es lineal, la línea
de ajuste se representa:
y = a + bx (3)
en donde:
yes la variable dependiente
aes el punto en donde la recta corta el eje
de las ordenadas
bes la pendiente de la recta (la variación de
y por cada unidad de variación de x)
xes la variable independiente
2) La variación cíclica: es el componente de una
serie de tiempo que tiende a oscilar por encima y por
Unidad de Análisis de la Información:
Su importancia institucional
15
debajo de la línea de tendencia secular durante
períodos mayores que un año. El procedimiento que
se utiliza para identificar la variación cíclica es el
método de residuales. Esto puede expresarse como
residual cíclico relativo:
y (observado) – y (estimado) / y (estimado) * 100
3) La variación estacional: es un movimiento
repetido y predecible alrededor de la línea de
tendencia, durante un año o menos. Para detectar la
variación estacional hay que medir los intervalos de
tiempo en medidas pequeñas como días, semanas,
meses o trimestres. Su utilidad es descubrir el patrón
de cambios anteriores, proyectar los patrones
históricos hacia el futuro, identificar estos patrones y
eliminarlos de la serie (este ajuste permite calcular la
variación cíclica que tiene lugar cada año) para
obtener una serie de tiempo sin variación estacional.
El método utilizado es el cálculo de los índices
estacionales, por ejemplo con el método de razón al
promedio móvil.
4) Las variaciones irregulares: se estudian a través
del análisis de los residuos.
III.3.2 Estudios bivariados y
multivariados:
En la aplicación de estos métodos para el
análisis de series temporales se puede utilizar una
sola variable, para describir sus características y
comportamiento en función del tiempo, o también se
pueden analizar dos o más variables, buscando
relaciones entre, por ejemplo, varios factores de
riesgo y daño.
Este tipo de estudio se usa actualmente mucho
en epidemiología, para estudiar los efectos a corto
plazo de la polución ambiental sobre la salud.
Al analizar las series temporales para estudiar
un factor de riesgo como puede ser las variaciones
diarias de la concentración de un contaminante del
aire y su relación con los ingresos hospitalarios por
asma, o las muertes por causa respiratoria o
cardiovascular, se utilizan datos agrupados, por lo
que estos estudios corresponden a los denominados
estudios ecológicos. (36-45)
Dentro de los modelos propuestos para el
análisis de estos estudios, en los cuales la variable
dependiente de interés es de conteo (por ejemplo
cuántos muertos, cuantos ingresos) uno de los más
adecuados es el Modelo Aditivo Generalizado
(conocido por la sigla inglesa GAM) de regresión
de Poisson.
Por ejemplo, en el estudio realizado en la
ciudad de San Pablo entre 1996 y 1998 se utilizó este
modelo. Es un estudio ecológico de series
temporales, en el cual la variable dependiente (de
respuesta) es el número de consultas por día en un
hospital por neumonía o gripe. Las variables
independientes son las concentraciones diarias de
contaminantes ambientales. Se realizó un ajuste para
estacionalidad de larga duración (días transcurridos),
un ajuste para estacionalidad de corta duración (días
de semana), por temperatura mínima y humedad
promedio. (46)
Un elemento importante de estos estudios es
la determinación de una estructura de desfasaje, ya
que el efecto deletéreo sobre la salud puede no
manifestarse en forma inmediata, sino aparecer
retardado en varios días. En este caso se usaron
medias móviles de contaminantes variando entre 2 y
7 días.
Los modelos de regresión de series
temporales se usan en epidemiología especialmente
para evaluar los efectos a corto plazo de las
variaciones temporales de exposición a factores
ambientales principalmente contaminantes
atmosféricos sobre la salud. Es importante analizar
adecuadamente la tendencia y la estacionalidad.
La regresión de Poisson permite calcular una
estimación del Riesgo Relativo.
El Modelo Aditivo generalizado constituye el
mejor modelo, en cuanto a ausencia de
autocorrelación y disminución de la sobredispersión.
Las técnicas estadísticas tienen una gran
utilidad, sin embargo siempre hay que tener en
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
16
cuenta sus ventajas y limitaciones, así como no
restringir el análisis a una sola técnica. Es
fundamental complementar la información final con
varios métodos y sobre todo con el análisis teórico
que sustenta la aplicación e interpretación, a fin de
garantizar dentro de lo posible la integralidad de las
conclusiones.
IV. UN EJEMPLO:
EVOLUCIÓN DE LA MORTALIDAD EN
EL HOSPITAL MILITAR. 1996 - 2000
A modo de ejemplo se analizará una serie
temporal: la mortalidad del Hospital Militar en el
quinquenio 1996-2000.
Preparación de los datos: los datos originales se
obtuvieron del Departamento de Información
Poblacional del Ministerio de Salud Pública. Para
calcular la edad se utilizó la fórmula (fecha de
fallecido – fecha de nacimiento) /365.25. Se
descartaron todos los registros que no tenían fecha
de fallecimiento, por lo cual los números de muertes
no corresponden exactamente a los reales. Se
calcularon las muertes por trimestre, numerando los
mismos en forma correlativa, correspondiendo el
trimestre 1 al período enero-marzo 1996 y el 20 a
octubre-diciembre de 2000. El promedio de muertes
por mes fue de 40.72 muertes, con un desvío
estándar de 9.46. El gráfico de dispersión inicial
muestra una línea de tendencia ligeramente negativa
con un coeficiente de correlación r = -0.20, la
intersección de y corresponde a 45.67 y la pendiente
de la recta es –0.37. Los datos de las muertes
mensuales del quinquenio se muestran en el Anexo I
y el gráfico de Dispersión en el Anexo II .
La tendencia negativa de la serie indicaría
una disminución de la mortalidad en el período de
estudio, sin embargo esto no puede interpretarse así
ya que son datos absolutos y no tasas, ignorándose
el número de expuestos, que en este caso son los
usuarios de la DNSFFAA.
El procedimiento para describir esta serie se
hará en dos etapas:
1) Suprimir su estacionalidad: En este paso se
calculan los índices estacionales partiendo de los
promedios móviles centrados de 4 trimestres y el
porcentaje del valor real respecto al promedio móvil.
Luego se calcula el índice estacional para cada
trimestre y finalmente las muertes sin variación
estacional. Todos los pasos de esta etapa se
muestran en el Anexo III. El cálculo de los índices
estacionales trimestrales se muestra en el Anexo IV.
2) Desarrollar la línea de tendencia: en esta etapa
se parte de las muertes sin variación estacional y del
tiempo codificado, tomando como punto cero la mitad
de la serie. Con estos datos el punto de corte del eje
“y” equivale a 121.48 y la pendiente de la recta a -
0.4393. de esta manera queda definida la fórmula de
la recta de forma:
Y = 121.48 + ( - 0.47 * X)
La tabla con todos los cálculos se muestra
en el Anexo V.
Esta fórmula se puede utilizar para calcular
el valor teórico esperado en determinado tiempo, por
ejemplo para calcular el número de muertes teóricas
esperadas en el tercer trimestre de 2001. Primero
calculamos el valor de X codificado, sumando 3
trimestres de 2 unidades cada uno al último valor de
la serie que era 19 (ver columna 5 de la tabla de
cálculos), que equivale a 25 = ((2 * 3) + 19).
Sustituyendo en la fórmula quedaría:
Y = 121.48 + (- 0.47 * 25)=121.48 + (-11.75) = 109.73
Este valor (que representa solamente la tendencia) se
multiplica por el índice estacional calculado para el
tercer trimestre del año a fin de agregarle el
componente estacional:
Y = a + bx * índice estacional del trimestre / 100 =
Estimación estacionalizada
109.73 * 1.117 = 122.56
Es decir que se esperan 122.56 muertes para ese
trimestre.
V. CONCLUSIONES
Unidad de Análisis de la Información:
Su importancia institucional
17
“Uno de los objetivos fundamentales del trabajo de
las Unidades de Análisis y Tendencias es el
perfeccionar los métodos de vigilancia usados en el
país de manera que se garantice la detección
oportuna de cualquier comportamiento que se desvíe
de lo normal esperado para los eventos de salud de
nuestro interés” (17)
La recolección y elaboración de datos tiene que tener
como elemento fundamental una etapa de análisis en
profundidad, que permita detectar oportunamente y
precozmente situaciones de emergencia, relacionar
eventos con factores de riesgo y medir el impacto de
las intervenciones realizadas. (47, 48,49)
Esta etapa que muchas veces se omite es esencial
para darle sentido a la información. Cuando no se
realiza la consecuencia es que se invierte mucho
tiempo, recursos humanos y materiales en algo que
después no rinde los beneficios esperados.
Es como si se solicitara a un paciente una evaluación
paraclínica preoperatoria y luego nadie mirara los
resultados. Es necesario fomentar la creación de
estas Unidades y fortalecer su desarrollo, para que
pueda cumplirse con el objetivo de “información para
la acción”. La información que se queda en los
cajones no sirve, pero tampoco sirve la que circula sin
una adecuada interpretación. Siguiendo el
paralelismo clínico sería como solicitar un estudio
altamente especializado y que los resultados no
estuvieran respaldados por un informe con la
interpretación de los mismos por el especialista que
lo realiza.
Otra tarea de estas Unidades es la investigación
continua a fin de incorporar nuevas técnicas de
análisis, evaluarlas, adecuarlas a la realidad local y
adaptarlas individualmente para cada fenómeno que
se quiera estudiar. En general cada evento de salud o
problema debería analizarse con un conjunto de
técnicas que se complementen entre sí, aumentando
de ese modo la eficiencia total del proceso.
El otro aspecto fundamental es la educación
permanente al personal que trabaja en el nivel de la
microgestión. Cada vez más se requiere tener una
formación adecuada y actualizada que permita
gestionar los recursos destinados a la salud, siempre
escasos, de la manera más eficiente, sin perder de
vista el objetivo principal de todo el proceso, el
usuario, hacia quien deben estar dirigidos todos los
esfuerzos en un proyecto de mejora continua de la
calidad.
Por último hay que destacar la importancia de contar
con Unidades de Análisis de Información, con los
recursos humanos adecuados, capacitados para
realizar estudios estadísticos y epidemiológicos
especializados, pero que sean capaces también de
transmitir las conclusiones de los mismos en forma
clara y precisa al nivel político institucional a fin de
dotarle de los insumos necesarios en el momento de
la toma de decisión.
VI. BIBLIOGRAFIA
(1) GONZÁLEZ GARCÍA G. Las reformas sanitarias
y los modelos de gestión. Rev Panam Salud
Pública 2001;9 (6):406-412
(2) BUGLIOLI M, ORTÚN V. Decisión Clínica. Cómo
entenderla y mejorarla. Ed. Springer, 2001,
Barcelona.
(3) ALAN DEVER GE. Epidemiología y
Administración de Servicios de Salud. OPS-
OMS. 1991.
(4) MAGNÍFICO G, NOCETI C, RODRÍGUEZ N.
Planificación de la RED ASISTENCIAL DE
ASSE. MSP, ASSE. Uruguay, abril de 2002.
(5) RIEGELMAN RK, HIRSCH RP. Cómo estudiar
un estudio y probar una prueba: lectura crítica de
la literatura médica. OPS. Publicación Científica
1992; 531.
(6) SACKETT DL, STRAUS SE, RICHARDSON WS,
HAYNES RB. Medicina Basada en la Evidencia.
Ed. Harcourt, 2ª Ed. 2001, Madrid
(7) FLETCHER RH,FLETCHER SW, WAGNER EH.
Epidemiología Clínica. Ed. Consulta. 2ª. Ed.
1989, Barcelona.
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
18
(8) COSIALLS I, PUEYO D. Gestión Clínica y
gerencial de Hospitales. Servicio de Información.
Ed. Harcourt, 2000, Madrid.
(9) ANDREW R, RICART JE, VALOR J. Estrategias
y Sistemas de Información. McGraw-Hill, 2ª. Ed.
1996. España.
(10) MAC MAHON B, TRICHOPOULOS D.
Epidemiología. Ed. Marban, 2ª. Edición, 2001,
Madrid. Capítulo 6. Tiempo.
(11) ARMIJO ROJAS R. Epidemiología. Vol.I.
Epidemiología Básica. Ed. InterMédica, 1ª. Ed.
1974, Buenos Aires.
(12) MOLINERO LM. Análisis de series temporales.
[on line] [citado el 9 de marzo de 2004]
Disponible en la World Wide Web:
http://www.seh-lelha.org/stat1.htm
(13) LIGHT RJ, PILEMER DB. Revisando
Investigaciones. La ciencia de sintetizar estudios.
OPS-OMS. 1996.
(14) CASAS CARDOSO GM, GRAU ABALO R,
ALEGRET RODRÍGUEZ M. Técnicas de
clustering para la detección de epidemias. [on
line][citado el 8 de julio de 2004] Reporte Técnico
de Vigilancia 1999;4(7).
Disponible en la World Wide Web:
http://www.bvs.sld.cu/uats/rtv_files/rtv0799.htm
(15) SNEDECOR GW, COCHRAN WG. Métodos
Estadísticos. Ed. C.E.C.S.A. 1980, 6ª. Edición,
México. Capítulo 6. Regresión.
(16) CANAVOS GC. Probabilidad y Estadística.
Aplicaciones y métodos. Ed. McGraw-Hill,
España, 1999. Capítulo 13. Análisis de regresión:
el modelo lineal simple. 13.9. Series de tiempo.
(17) COUNTIN MARIE G, BORGES SORIA J,
BATISTA MOLINER R, et al. Métodos para la
vigilancia de eventos en salud. Rev Cubana Hig
Epidemiol. [on line] sep-dic. 2000;38(3):157-166
[citado el 7 de julio de 2004].
Disponible en la World Wide Web:
http://scielo.sld.cu/scielo.php?script=scittext&pid=
S0253-17512000000300001&lng=es&nrm=iso>.
ISSN 0253-1751
(18) DELPIAZZO CE, VIEGA MJ. Lecciones de
Derecho Telemático. Fundación de Cultura
Universitaria. 1ª. Ed., abril 2004, Montevideo.
(19) DELPIAZZO CE. Acerca del decreto No. 396/003
de 30 de setiembre de 2003 sobre Historia
Clínica Electrónica. InfoSUIS, [on line] No. 17,
noviembre de 2003, [citado el 19 de mayo de
2003] Disponible en la Word Wide Web:
http://www.suis.org.uy
(20) NEGRETE J, LÓPEZ G. Informática Médica. Ed.
Noriega-LIMUSA. 1ª. Ed, 1991, México.
(21) GALLARDO ORTIZ AG. Apuntes para un futuro
Derecho Estadístico. [on line] [citado el 4 de
mayo de 2004] Disponible en la World Wide
Web: http://www.cita.es/apuntes
(22) BABBIE ER. Métodos de investigación por
encuesta. Biblioteca de la Salud. Fondo de
Cultura Económica. 1ª Ed. en español, 1988.
México.
(23) CASTILLO-SALGADO C, LOYOLA E, ROCA A.
Desigualdades en la Mortalidad Infantil en la
Región de las Américas: Elementos Básicos para
el Análisis. [on line] Boletín Epidemiológico junio
2001;22(2) [citado el 15 de mayo de 2004]
Disponible en la World Wide Web:
http://www.paho.org/spanish/SHA/be_v22n2-
DesigualdadesIM.htm
(24) PÉRTEGA DÍAZ S, PITA FERNÁNDEZ S.
Técnicas de regresión: Regresión Lineal Simple.
[on line] Cad Aten Primaria 2000;7:91-94. [citado
el 22 de junio de 2004] Disponible en la World
Wide Web: http://www.fisterra.com
(25) PÉRTEGA DÍAZ S, PITA FERNÁNDEZ S.
Técnicas de regresión: Regresión Lineal Múltiple.
[on line] Cad Aten Primaria 2000;7:173-176.
[citado el 22 de junio de 2004] Disponible en la
World Wide Web: http://www.fisterra.com
Unidad de Análisis de la Información:
Su importancia institucional
19
(26) PÉRTEGAS DÍAZ S, PITA FERNÁNDEZ S.
Determinación del tamaño muestral para calcular
la significación del coeficiente de correlación
lineal. Cad Aten Primaria 2001;2002;9:209-211.
[on line] [citado el 24 de setiembre de 2003]
Disponible en la World Wide Web:
http://www.fisterra.com
(27) TOBÍAS A, SÁEZ M, GALÁN I. Herramientas
gráficas para el análisis descriptivo de series
temporales en le investigación médica. Med Clin
[Barc] [on line] 2004:122 (18); 701-6. [citado el 14
de abril de 2004]
(28) SILVA AYCAGUER LC, BARROSO ULTRA IM.
Selección algorítmica de modelos en las
aplicaciones biomédicas de la regresión múltiple.
Med Clin (Barc). [on line] 2001;116(19):741-745.
[citado el 10 de agosto de 2004].
(29) OSTLE B. Estadística aplicada. Ed. Limusa-
Noriega. 12ª reimpresión, 1992, México.
(30) LEVIN RI. Estadística para administradores. Ed.
Prentice-Hall, 2ª. Edición. 1988, México.
Cap. 11: Regresión y correlación simples.
Cap. 12. Técnicas de modelado.
Cap. 14. Series de tiempo.
(31) CALOT G. Curso de Estadística Descriptiva. Ed.
Paraninfo, 1988, 5ª. Edición. Madrid. Capítulo
4.11:201-208 Generalidades sobre los ajustes.
Cap. 7:397-409. Series Cronológicas.
Cap. 8:411-477. Análisis de series cronológicas.
(32) BORGES DEL ROSAL, A. Análisis de series
temporales. Profesora Titular de Metodología de
Ciencias del Comportamiento. Facultad de
Psicología. Campus de Guajara. Tema 10.
[citado el 7 de setiembre de 2004]
Disponible en la World Wide Web:
http://webpages.ull.es/users/aborges/n1%20tema10.pdf
(33) DE ARCE R, MAHÍA R. Modelos ARIMA.
Departamento de Economía Aplicada. U.D.I.
Econometría e Informática. [on line] [citado el 18
de agosto de 2004].
Disponible en la World Wide Web:
http://www.uam.es/personal_pdi/economicas/
rarce/pdf/Box-jenkins.pdf
(34) PEREZ RETANA A, FERNÁNDEZ RUIZ F,
GARCÍA DE LA VEGA JM. Sunspots. La
actividad solar vista por la estadística.
Diplomatura en Estadística. Universidad Carlos
III de Madrid. [on line] [citado el 28 de agosto
de 2004]. Disponible en la World Wide Web:
http://personales.com/espana/madrid/multivariante
(35) RODRÍGUEZ RIOTORTO M, Series temporales.
[on line] [citado el 21 de julio de 2004] Disponible
en la World Wide Web: http://es.geocities.com
/riotorto/sert/set.htm. IÑIGUEZ C, PÉREZ-
HOYOS S, BALLESTER F, SÁEZ M.
Comparación de dos métodos en el análisis del
efecto a corto plazo de la contaminación
atmosférica en la salud. Gac Sanit. [on line]
2003;17(4):283-288, [citado el 14 de julio de
2004].
(36) LAGE FERRÓN MB, DÍAZ JIMÉNEZ J, GESTAL
OTERO JJ, PAJARES ORTIZ MS, et al.
Influencia de los Factores Ambientales en el
número de ingresos por urgencias en el
Complejo Hospitalario “Juan Canalejo” de La
Coruña: Elaboración de un modelo de predicción.
Rev Esp Salud Pública, 1999; 73: 45-60. .[on
line] [citado el 16 de junio de 2004]
(37) SUNYER J. La contaminación atmosférica y sus
efectos sobre la salud. Unidad de Investigación
Respiratoria y Ambiental. Instituto Municipal de
Investigación Médica de Barcelona. [on line]
[citado el 14 de agosto de 2004]. Disponible en la
World Wide Web: http://www.estrucplan.com.ar
(38) KAN H, CHEN B. A Case-crossover Analysys of
Air Pollution and Daily Mortality in Shangai. J
Occul Health . [on line] 2003;45:119-124. [citado
el 10 de agosto de 2004],
(39) McMICHAEL A, ROSS ANDERSON H,
BRUNEKREEF B, COHEN AJ. Inappropriate use
of daily mortality analyses to estimate longer-term
mortality effects of air pollution. International
SALUD MILITAR – Vol.28 Nº 1 – Marzo 2006
20
Journal of Epidemilogy. [on line] 1998;27:450-
453. [citado el 14 de agosto de 2004].
(40) HONG YC, LEE JT, KIM H, KOWN HJ. Air
pollution. An New Risk factor in Ischemic Stroke
Mortality. Stroke. [on line] Sept 2002:2165-2169.
[citado el 24 de agosto de 2004]. Disponible en la
World Wide Web: http://www.strokeaha.org
(41) SHI L, MACINKO J, STARDIELD B, XU J,
POLITZER R. Primary Care, Income Inequality,
and Stroke Mortality in the United States, a
Longitudinal Analysis, 1985-1995. Stroke. [on
line] Agosto 2003, p.2165-2169. [citado el 11 de
julio de 2004]. Disponible en la World Wide Web:
http://www.strokeaha.org
(42) ELLIS A, POST E. Population response to
climate change: linear vs. non-linear modeling
approaches. BMC Ecology [on line] March 2004;
4. [citado el 11 de julio de 2004]. Disponible en la
World Wide Web: http://www.biomedcentral.com
/1472-6785/4/2
(43) TOBÍAS A, SÁEZ M. Time-series regresión
models to study the short-term effects of
environmental factors on health. Departament
d’Economia, Universitat de Girona. [on line]
[citado el 7 de julio de 2004]. Disponible en la
World Wide Web: http://perso.wandoo.es/
bledatobias/download/regresion.pdf
(44) DÍAZ JIMÉNEZ J, ALBERDI ODRIOZOLA JC,
MONTERO RUBIO JC, MIRÓN PÉREZ IJ.
Asociación entre la contaminación atmosférica
por dióxido de azufre y partículas totales en
suspensión y la mortalidad diaria en la ciudad de
Madrid (1986-1992). Gaceta Sanitaria. [on line]
1998;12(5):207-215, [citado el 28 de junio de
2004] Dispoble en la World Wide Web:
http://db.doyma.es/cgibin/wdbcgi.exe/doyma/mre
vista.fulltext?pident=13008322
(45) SÁEZ M, PÉREZ-HOYOS S, TOBÍAS A,
SAURINA C, et al. Métodos de series temporales
en los estudios epidemiológicos sobre
contaminación atmosférica. Rev Esp Salud
Pública [on line] 1999;73:133-143, [citado el 28
de junio de 2004]
(46) MARTINS LC, DIAS DE OLIVEIRA LATORRE
MR, ALVES CARDOSO MR, TEIXEIRA
GONCALVES FL, et al. Poluicao atmosférica e
atendimentos por pneumonia e gripe em Sao
paulo, Brasil . Rev Saúde Pública. [on line]
2002;36(1):88-94. [citado el 10 de junio de
2004]. Disponible en la World Wide Web:
http:/www.fsp.usp.br/rsp
(47) CAMPBELL MJ, TOBÍAS A. Causality and
temporality in the study of short-term effects of air
pollution on health. International Journal of
Epidemilogy. [on line] 2000;29:271-273. [citado
el 18 de julio de 2004].
(48) BALLESTER DÉZ F, SÁEZ ZAFRA M, ALOSNO
FUSTEL ME, TARACIDO TRUNK M, et al. El
Proyecto EMECAM: Estudio Multicéntrico
español sobre la relación entre la contaminación
atmosférica y la mortalidad. Antecedentes,
participantes, objetivos y metodología. [on line]
Rev Esp Salud Pública 1999;73(2):165-175.
[citado el 12 de mayo de 2004] Disponible en la
World Wide Web: http://www.scielo.org
(49) MOLINA ESQUIVEL E, MENESES RUIZ E.
Evaluación epidemiológica del inpacto de los
contaminantes del aire. Propuesta metodológica.
Rev Cubana Hig Epidemiol. [on line] Mayo.dic.
2003;41(2-3) [citado el 24 de mayo de 2004]
Disponible en la World Wide Web:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0
25317512003000200002&lng=es&nrm=iso
SIN 0253-1757.
