Los errores en la medición de la exposición pueden tener diferentes impactos en la relación exposición-enfermedad que se estudia, según cómo se distribuyan los errores. Si un estudio epidemiológico se ha realizado a ciegas (es decir, se han tomado medidas sin conocimiento de la enfermedad o el estado de salud de los participantes del estudio), esperamos que el error de medición se distribuya uniformemente entre los estratos de enfermedad o estado de salud.
La Tabla 1 proporciona un ejemplo: supongamos que reclutamos una cohorte de personas expuestas en el trabajo a un tóxico, para investigar una enfermedad frecuente. Determinamos el estado de exposición solo en el momento del reclutamiento (T0), y no en otros puntos en el tiempo durante el seguimiento. Sin embargo, digamos que un número de individuos, de hecho, cambia su estado de exposición en el año siguiente: en el momento T1, 250 de las 1,200 personas expuestas originales han dejado de estar expuestas, mientras que 150 de las 750 personas no expuestas originales han comenzado a estar expuestas al tóxico. Por lo tanto, en el tiempo T1, 1,100 personas están expuestas y 850 no están expuestas. Como consecuencia, tenemos una "clasificación errónea" de la exposición, con base en nuestra medición inicial del estado de exposición en el tiempo T0. Estos individuos luego son rastreados después de 20 años (en el tiempo T2) y se evalúa el riesgo acumulativo de enfermedad. (La suposición que se hace en el ejemplo es que solo la exposición de más de un año es una preocupación).
Tabla 1. Cohorte hipotética de 1950 individuos (expuestos y no expuestos en el trabajo), reclutados en el tiempo T0 y cuyo estado de enfermedad se determina en el momento T2
|
Horario |
|||
|
T0 |
T1 |
T2 |
|
Trabajadores expuestos 1200 250 abandonar la exposición 1100 (1200-250+150)
Casos de enfermedad en el tiempo T2 = 220 entre trabajadores expuestos
Trabajadores no expuestos 750 150 exposición inicial 850 (750-150+250)
Casos de enfermedad en el tiempo T2 = 85 entre trabajadores no expuestos
El verdadero riesgo de la enfermedad en el tiempo T2 es del 20% entre los trabajadores expuestos (220/1100),
y 10% en trabajadores no expuestos (85/850) (razón de riesgo = 2.0).
Riesgo estimado en T2 de enfermedad entre los clasificados como expuestos a T0: 20%
(es decir, riesgo real en los expuestos) ´ 950 (es decir, 1200-250)+ 10%
(es decir, riesgo verdadero en no expuestos) ´ 250 = (190+25)/1200 = 17.9%
Riesgo estimado en T2 de enfermedad entre los clasificados como no expuestos al
T0: 20% (es decir, riesgo real en los expuestos) ´ 150 +10%
(es decir, riesgo verdadero en no expuestos) ´ 600 (es decir, 750-150) = (30+60)/750 = 12%
Relación de riesgo estimada = 17.9% / 12% = 1.49
La clasificación errónea depende, en este ejemplo, del diseño del estudio y las características de la población, más que de las limitaciones técnicas de la medición de la exposición. El efecto de la clasificación errónea es tal que la relación "verdadera" de 2.0 entre el riesgo acumulado entre las personas expuestas y las personas no expuestas se convierte en una relación "observada" de 1.49 (tabla 1). Esta subestimación de la razón de riesgo surge de una “borrosidad” de la relación entre la exposición y la enfermedad, que ocurre cuando la clasificación errónea de la exposición, como en este caso, se distribuye uniformemente de acuerdo con la enfermedad o el estado de salud (es decir, la medición de la exposición es no influida por si la persona padecía o no la enfermedad que estamos estudiando).
Por el contrario, puede producirse una subestimación o una sobreestimación de la asociación de interés cuando la clasificación errónea de la exposición no se distribuye uniformemente en el resultado de interés. En el ejemplo, podemos tener parcialidad, y no sólo un desdibujamiento de la relación etiológica, si la clasificación de la exposición depende de la enfermedad o estado de salud de los trabajadores. Esto podría surgir, por ejemplo, si decidimos recolectar muestras biológicas de un grupo de trabajadores expuestos y de un grupo de trabajadores no expuestos, para identificar cambios tempranos relacionados con la exposición en el trabajo. Las muestras de los trabajadores expuestos podrían entonces analizarse de manera más precisa que las muestras de los no expuestos; la curiosidad científica podría llevar al investigador a medir biomarcadores adicionales entre las personas expuestas (incluidos, por ejemplo, aductos de ADN en linfocitos o marcadores urinarios de daño oxidativo al ADN), suponiendo que estas personas son científicamente "más interesantes". Esta es una actitud bastante común que, sin embargo, podría conducir a un serio sesgo.