Estudios Longitudinales
Estudios Longitudinales
Estudios Longitudinales
PARTICULARIDADES
Correspondencia:
Miguel Delgado Rodríguez
Universidad de Jaén
Edificio B-3
23071-Jaén
Correo electrónico: [email protected]
RESUMEN ABSTRACT
En la década de 1980 era muy común utilizar el término longitudinal para separar
simplemente la causa del efecto. En oposición al término transversal. Miettinen lo
define como un estudio cuya base es la experiencia de la población a lo largo del
tiempo (al contrario que un corte de la población) 3. Consistente con esta idea,
Rothman, en su texto de 1986, indica que la palabra longitudinal denota la existencia
de un intervalo de tiempo entre la exposición y el comienzo de la enfermedad 4. Bajo
esta acepción, el estudio de casos y controles, que es una estrategia de muestreo para
representar esa experiencia de la población a lo largo del tiempo (sobre todo bajo las
ideas de Miettinen), también sería un estudio longitudinal. De igual forma es
coincidente con esta idea Abramson, que además diferencia los estudios descriptivos
longitudinales (estudios de cambio) de los analíticos longitudinales, que incluyen
dentro a los estudios de casos y controles5. Kleinbaum et al6 así mismo definen el
término longitudinal en oposición al transversal pero, con un matiz algo diferente,
hablan de «experiencia longitudinal» de una población (frente a «experiencia
transversal») e implica para ellos la realización de al menos dos series de
observaciones a lo largo de un periodo de seguimiento. Excluyen estos últimos autores
a los estudios de casos y controles. Kahn y Sempos7 tampoco tienen un epígrafe para
estos estudios y en el índice por palabras clave, en la entrada «estudio longitudinal» se
lee «ver estudio prospectivo».
Aquí las ideas están mucho más claras: un estudio longitudinal es el que implica más
de dos mediciones a lo largo de un seguimiento; deben ser más de dos, ya que todo
estudio de cohortes tiene este número de mediciones, la del principio y la del final del
seguimiento. Éste es el concepto existente en el texto mencionado de Goldstein de
1979. En ese mismo año Rosner era explícito al indicar que los datos longitudinales
implican mediciones repetidas en los sujetos a lo largo del tiempo, proponiendo un
nuevo procedimiento de análisis para ese tipo de datos17. Desde ese momento, los
artículos en revistas de estadística (por ejemplo 18-22) y textos23-25 son consistentes en
el mismo concepto.
Las ideas anteriores denotan que en epidemiología hay una tendencia a esquivar el
concepto de estudio longitudinal. No obstante, resumiendo las ideas comentadas con
anterioridad, la noción de estudio longitudinal hace referencia al estudio de cohortes en
el que se realizan más de dos mediciones a lo largo del tiempo y en el que se realiza
un análisis que tiene en cuenta las diferentes medidas. Los tres elementos claves son:
seguimiento, más de dos medidas y un análisis que las tenga en cuenta. Esto puede
hacerse de manera prospectiva o retrospectiva, y el estudio puede ser de observación
o de intervención.
* Será mayor cuando en los respondedores que no se contactan una vez, no se vuelve
a intentar establecer el contacto en fases ulteriores del seguimiento.
* El objeto del estudio influye; por ejemplo, en un estudio de ciencia política los no
interesados en política abandonarán más.
* La frecuencia del contacto puede también influir, aunque no todos están de acuerdo.
Hay estudios que han documentado que un exceso de contactos perjudica el
seguimiento, mientras que otros, o no han encontrado relación o ésta es negativa.
Para evitar los abandonos conviene establecer estrategias con el fin de retener y
rastrear a los miembros participantes. Debe valorarse al comienzo la voluntad de
participación e informar de lo que se espera de los participantes. Hay que establecer
puentes de unión con los participantes mediante el envío de cartas de felicitación,
actualizaciones del estudio, etc. La frecuencia de contacto debe ser regular. El personal
del estudio debe ser entusiasta, con facilidad de comunicación, que responda rápida y
adecuaduamente a los problemas de los participantes y adaptable a sus necesidades.
No hay que desdeñar dar incentivos que motiven la continuación en el estudio 35.
En tercer lugar, otro problema de mayor calibre frente a otros estudios de cohortes es
la existencia de datos perdidos. Si se requiere que un participante tenga todas las
mediciones hechas, puede producir un problema similar al de los abandonos durante el
seguimiento. Pare ello se han desarrollado técnicas de imputación de valores perdidos
y, aunque se ha sugerido que pueden no ser necesarias si se aplican las ecuaciones de
estimación generalizadas (análisis GEE)36, se ha comprobado que otros procedimientos
dan mejores resultados, incluso cuando las perdidas son completamente aleatorias 37.
Con frecuencia las pérdidas de información son diferenciales y se pierden más
mediciones en los pacientes con un peor nivel de salud. Se recomienda en estos casos
que la imputación de datos se haga teniendo en cuenta los datos ya existentes del
propio individuo al que le faltan38.
Análisis
En el análisis de los estudios longitudinales es posible tratar covariables dependientes
del tiempo que pueden a la vez influir sobre la exposición en estudio y ser influidas por
ella (variables que se comportan simultáneamente como confundidoras e intermedias
entre exposición y efecto). También, de manera similar, permite controlar resultados
recurrentes que pueden actuar sobre la exposición y ser ocasionados por ella (se
comportan a la vez como confundidores y efectos)26.
El análisis longitudinal se puede utilizar cuando existen mediciones del efecto y/o de la
exposición en diferentes momentos del tiempo. Supongamos que la relación entre una
variable dependiente Y es función de una variable X que cambia en el tiempo
(témporo-dependiente) y otra Z que es estable en el tiempo (témporo-independiente),
que se estudian N sujetos en K momentos del tiempo, lo cual se expresa según la
ecuación siguiente17:
Por ejemplo, el análisis longitudinal se podría realizar en una cohorte infantil en la que
se valora como exposición principal la deficiencia de vitamina A (que puede cambiar en
el tiempo) sobre el riesgo de infección (que puede ser múltiple a lo largo del tiempo),
controlando la influencia de la edad, el peso y la talla (variables témporo-
dependientes). El análisis longitudinal se puede clasificar en tres grandes grupos39:
b) Los modelos de transición realizan una regresión del resultado presente sobre
valores pasados y sobre las exposiciones pasadas y presentes. Un ejemplo de ellos son
los modelos de Markov. Los coeficientes del modelo se transforman directamente en
un cociente de incidencias, esto es, en RRs; en el ejemplo sería el RR del déficit de
vitamina A sobre la infección.
c) Los modelos de efectos aleatorios permiten que cada individuo tenga parámetros de
regresión únicos, y existen procedimientos para resultados normalizados, binarios y
datos de persona-tiempo. Los coeficientes del modelo se transforman en una odds
ratio referida al individuo, que se asume constante en toda la población; en el ejemplo
sería la odds de infección en un niño con déficit de vitamina A frente a la odds de
infección en el mismo niño sin deficiencia de vitamina A.
BIBLIOGRAFÍA
7. Kahn HA, Sempos CT. Statistical methods in epidemiology. Nueva York: Oxford
University Press; 1989. [ Links ]
8. Last JM. A dictionary of epidemiology. 2ª ed. Nueva York: Oxford Univ. Press;
1988. [ Links ]
9. Beslow NE, Day NE. Statistical methods for cancer research. Volume II- The design
and analysis of cohort studies. Lión: IARC Scientific Publications; 1987. [ Links ]
10. Cook NR, Ware JH. Design and analysis methods for longitudinal research. Annu
Rev Public Health 1983;4:1-24. [ Links ]
13. Last JM. A dictionary of epidemiology. 4ª ed. Nueva York: Oxford Univ. Press;
2000. [ Links ]
15. Aday LA. Designing and conducting health surveys. 2ª ed. San Francisco: Jossey-
Bass Publishers; 1996. p. 29-30. [ Links ]
17. Rosner B. The análisis of longitudinal data in epidemiologic studies. J Chron Dis
1979; 32: 163-73. [ Links ]
18. Louis TA. General methods for analysing repeated measures. Stat Med 1988; 7:
29-45. [ Links ]
19. Ware JH, Lipsitz S. Issues in the analysis of repeated categorical outcomes. Stat
Med 1988; 7: 95-107. [ Links ]
20. Landis JR, Miller ME. Some general methods for the analysis of categorical data in
longitudinal studies. Stat Med 1988; 7: 29-45. [ Links ]
21. Zeger SL, Liang KY. An overview of methods for the analysis of longitudinal data.
Stat Med 1992; 11: 1825-39. [ Links ]
22. Carlin JB, Wolfe R, Coffey C, Patton GC. Analysis of binary outcomes in longitudinal
studies using weighted estimating equations and discrete-time survival methods:
prevalence and incidence of smoking in an adolescent cohort. Stat Med 1999; 18:
2655-79. [ Links ]
23. Dwyer JH, Feinleib M, lippert P, Hoffmeister H. Statistical models for longitudinal
studies of health. Nueva York: Oxfod University Press; 1992. [ Links ]
24. Diggle PJ, Heagerty P, Liang KY, Zeger SL. Analysis of longitudinal data. 2ª ed.
Oxford: Oxford University Press; 2002. [ Links ]
25. Twisk JWR. Applied longitudinal data analysis for epidemiology. A practical guide.
Cambridge: Cambridge University Press; 2003. [ Links ]
28. Galbraith S, Marschner IC. Guidelines for the design of clinical trials with
longitudinal outcomes. Controlled Clin Trials 2002; 23: 257-73. [ Links ]
29. Tager IB. Outcomes of cohort studies. Epidemiol Rev 1998; 20: 15-
28. [ Links ]
30. Lipnick RJ, Buring JE, Hennekens CH, Rosner B, Willett W, Bain C, et al. Oral
contraceptives and breast cancer. A prospective cohort study. JAMA 1986;255:58-
61. [ Links ]
31. Muñoz A, Kirby AJ, He YD. Long-term survivors with HIV-infection: incubation
period and longitudinal patterns of CD4+ lymphocytes. J Acquir Immune Defic Syndr
Hum Retrovirol 1995; 8: 496-505. [ Links ]
32. Schlesselman KK. Planning a longitudinal study. II. Frequency of measurement and
study duration. J Chron Dis 1973; 26: 561-70. [ Links ]
33. Whitney CW, Lind BK, Wahl PW. Quality assurance and quality control in
longitudinal studies. Epidemiol Rev 1998; 20: 71-80. [ Links ]
34. Deeg DJH, van Tilburg T, Smit JH, de Leeuw ED. Attrition in the Longitudinal Aging
Study Amsterdam: The effect of differential inclusion in side studies. J Clin Epidemiol
2002; 55: 319-28. [ Links ]
35. Hunt JR, White E. Retaining and tracking cohort study members. Epidemiol Rev
1998; 20: 57-70. [ Links ]
36. Twisk J, de Vente W. Attrition in longitudinal studies: how to deal with missing
data. J Clin Epidemiol 2002; 55: 329-37. [ Links ]
37. Touloumi G, Babiker AG, PocockSJ, Darbyshire JH. Impact of missing data due to
drop-outs on estimators for rates of change in longitudinal studies: a simulation study.
Stat Med 2001; 20: 3715-28. [ Links ]
39. Samet JM, Muñoz A. Evolution of the cohort studies. Epidemiol Rev 1998; 20: 1-
14. [ Links ]
40. Guo W. Functional data analysis in longitudinal settings using smoothing splines.
Stat Meth Med Res 2004; 13:49-62. [ Links ]
41. Zhang H. Mixed effects multivariate adaptive splines model for the analysis of
longitudinal and growth curve data. Stat Meth Med Res 2004; 13: 63-
82. [ Links ]