Módulo 2:

Estadística

Medición de las condiciones de salud y enfermedad de una población

La recolección de datos y la estimación de indicadores tienen como fin generar, en forma
sistemática, evidencia que permita identificar patrones y tendencias que ayuden a
emprender acciones de protección y promoción de la salud y de prevención y control de
la enfermedad en la población.
Entre las formas más útiles y comunes de medir las condiciones generales de
salud de la población destacan los censos nacionales, que se llevan a cabo
decenalmente en varios países.
Los censos proporcionan el conteo periódico de la población y varias de sus
características, cuyo análisis permite hacer estimaciones y proyecciones.
Para permitir las comparaciones a lo largo del tiempo en una misma población o bien
entre poblaciones diferentes, se requiere de procedimientos de medición
estandarizados.

Medición: Es el procedimiento de aplicar una escala estándar a una variable

o a un conjunto de valores.
Los datos para la medición en salud provienen de diversas fuentes, por lo que deben
de tomarse en cuenta aspectos relacionados con la validez, calidad,
integridad y cobertura de los datos mismos y sus fuentes. Los datos,
cuantitativos o cualitativos, que se obtienen y registran de los servicios de salud y las
estadísticas vitales representan la “materia prima” para el trabajo epidemiológico.
Una vez que se cuenta con los datos e indicadores de salud, una de las dificultades
presente en los servicios de salud tiene que ver con las limitaciones para el manejo
correcto de la información numérica, su análisis e interpretación, funciones que
requieren el uso de los principios de la epidemiología y la bioestadística.
Para la correcta toma de decisiones en todos los niveles de los servicios de salud,
basada en información pertinente, es necesaria la capacitación permanente del equipo
local de salud y de sus redes en la recolección, manejo, análisis e interpretación de
datos epidemiológicos.
Un programa computarizado reduce notablemente el tiempo de cálculo,
procesamiento y análisis de los datos, pero es el trabajo humano el que
aporta resultados racionales y válidos para el desarrollo de los objetivos
de salud pública.

Los indicadores de morbilidad miden la frecuencia de problemas de salud específicos

tales como infecciones, cánceres, accidentes en el trabajo, etc. Las fuentes de datos
suelen ser registros de hospitales y servicios de salud, notificación de enfermedades
bajo vigilancia y encuestas de seroprevalencia y de autoreporte de enfermedad, entre
otros.
Los indicadores de mortalidad general o por causas específicas permiten comparar el
nivel general de salud e identificar causas de mortalidad relevantes como accidentes,
tabaquismo, etc. El registro de la mortalidad requiere de la certificación de la muerte,
para lo cual se usa el Certificado Médico de Defunción.
La mortalidad se presenta comúnmente como números crudos, proporciones, o
tasas por edad, sexo y causas específicas.

El enfoque epidemiológico
El enfoque epidemiológico incorpora una serie ordenada de pasos que permiten
una toma de decisiones y acciones más efectivas.
Consiste básicamente en:
i) la observación de los fenómenos de salud y enfermedad en la población;
ii) la cuantificación de éstos en frecuencias y distribuciones;
iii) el análisis de las frecuencias y distribuciones de salud y de sus
determinantes, comparación; y,
iv) la definición de cursos de acción apropiados.

Este proceso cíclico de observar–cuantificar–comparar–proponer sirve también para

evaluar la efectividad y el impacto de las intervenciones en salud, para construir nuevos modelos
que describan y expliquen las observaciones y para utilizarlos en la predicción de nuevos
fenómenos.

Tipos de datos y tabulación

Uno de los primeros pasos en el proceso de medición del estado de salud en la
población es la definición de las variables que lo representan o caracterizan.
Variable: cualquier característica o atributo que puede asumir valores diferentes.
Las variables pueden ser de dos tipos, cualitativas y cuantitativas.
Denominamos cualitativas a aquellas que son atributos o propiedades.
Denominamos cuantitativas a aquellas en las que el atributo se mide numéricamente
y a su vez se pueden clasificar en discretas y continuas.
Las variables a su vez pueden ser discretas o discontinuas ya que asumen valores
que son siempre números enteros; por ejemplo, el número de hijos de una pareja.
Las variables continuas pueden tomar tantos valores como permita la precisión del
instrumento de medición; p. ej., el peso al nacer de un bebé de 2.500 gramos podemos
medirlo con mayor precisión, como 2.496,75 gramos, si nuestra balanza lo permite.
Las variables también pueden clasificarse según el tipo de medición que podamos
aplicarles.
Así, se pueden distinguir cuatro niveles de medición de las variables:

- nominal,
- ordinal,
- de intervalo y
- proporcional o de razón.

Una variable nominal tiene categorías a las que se les asignan nombres que no tienen
ningún orden entre ellos; por ejemplo, el sexo. La categoría “hombre” no tiene ninguna
relación de orden sobre la categoría “mujer”.
Las variables nominales no tienen que ser necesariamente dicotómicas (dos
categorías) sino que pueden tener varias categorías, como por ejemplo el estado civil
(soltero, casado, divorciado, viudo, unión libre) o el grupo sanguíneo según el sistema
ABO (A, B, AB y O). El hecho de cambiar el orden no tiene ninguna implicación
en el análisis de los datos.
Una variable ordinal, que se define como aquella cuyas categorías tienen un orden,
aunque las diferencias entre ellas pueden no ser iguales.
P. Ej., si se nos pregunta sobre la calidad de este curso y se nos ofrecen las siguientes
opciones de respuesta: muy malo, malo, regular, bueno y excelente. Esta clasificación
tiene un orden: excelente es mejor que bueno, bueno que regular y así sucesivamente;
sin embargo, la “distancia” que hay entre excelente y bueno no tiene porque ser la
misma que entre malo y muy malo.
Una variable ordinal se define como aquella cuyas categorías tienen un orden,
aunque las diferencias entre ellas pueden no ser iguales.
Otros ejemplos de variables ordinales son los estadíos de un cáncer (I, II, III y IV) o
los resultados de un cultivo de laboratorio (–, +, ++, +++).
Una variable de intervalo tiene distancias iguales entre sus valores y una característica
fundamental: el cero es arbitrario.
El ejemplo típico de variable de intervalo es la temperatura corporal. Existe la misma
diferencia entre 37°C y 39°C que entre 38°C y 40°C (o sea, 2°C). Sin embargo, no
podemos decir que una temperatura de 60°C sea ‘tres veces más caliente’ que una de
20°C. Tampoco podemos concluir que un individuo con un coeficiente de inteligencia
de 120 es el doble de inteligente que otro con coeficiente 60.
Por último, si la variable de intervalo tuviese un punto de origen que es el valor cero
significativo, estaríamos hablando de una variable proporcional o de razón.
Ésta tiene intervalos iguales entre valores y punto de origen cero. El peso y la altura
son ejemplos típicos de variables proporcionales, 80 Kg. es el doble que 40Kg. y hay la
misma diferencia entre 50 y 35Kg. que entre 105 y 90 Kg.
En este nivel se puede sumar, restar, multiplicar y dividir.
Los datos sobre casos de enfermedades atendidas o notificadas por el centro o servicio
de salud pueden provenir de un listado de nombres, edades, sexo, etc., del cual se
puede obtener el número total o frecuencia de casos.

Si se busca agrupar los casos según algunas características de los mismos, la tarea de
identificar los grupos poblacionales con mayores problemas se simplifica.
P. ej., entre las características de la persona, se pueden agrupar los casos según su
edad, sexo. A partir de este listado se puede identificar los casos que han ocurrido en
determinado lugar y comparar la frecuencia de la enfermedad en distintos lugares o
áreas geográficas.
Por último, se puede examinar el número de casos según el momento en que ocurrieron
o fueron notificados. La distribución de los casos en el tiempo se puede agrupar en
días, semanas, meses o cualquier otro período de tiempo que se considere adecuado.
Esto permite saber en qué momento se presentó el mayor número de casos, cuánd o
empezó a aumentar y cuándo a disminuir. Es necesario recordar que la frecuencia es
el número de veces que se repite un valor de la misma variable.
Los datos agrupados según determinadas características (edad, sexo, residencia, clase
social, etc.) pueden presentarse en cuadros y/o gráficos; esto facilita los cálculos y la
comparación e interpretación de los resultados como se puede ver en el siguiente Cuadro.
Cuadro 1: Distribución de los casos de gastroenteritis según edad. Centro de
Salud A, mayo de 2000
Ejemplo para la elaboración de un cuadro:
El siguiente listado corresponde a las edades en años de 120 personas afectadas por
malaria durante el verano de 2001, en una isla del Caribe

La edad mayor es 63 años y la menor es 20 años. Si agrupamos estas edades en

clases, por intervalos de 4 años, tendremos 11 grupos de edad, a los que procedemos
a asignar sus respectivas frecuencias (“paloteo”), como se muestra a continuación:

Finalmente, preparamos la presentación tabular de esta información, es decir, el cuadro

propiamente dicho, al que se denomina tabla o cuadro resumen de frecuencias, útil
porque presenta la distribución de la variable que estamos observando.
Distribución: es el resumen completo de las frecuencias de los valores o categorías de
la medición realizada. La distribución muestra cuántos o qué proporción del grupo se
encuentra en un determinado valor o rango de valores dentro de todos los posibles que
la medida cuantitativa puede tener.
En nuestro ejemplo, la distribución del número de casos de la enfermedad según grupos
de edad, se presenta en el Cuadro 3.2. La distribución del número de casos (frecuencia
absoluta) se acompaña del porcentaje de cada grupo (frecuencia relativa simple) y del
porcentaje acumulado (frecuencia relativa acumulada), que suelen aportarinformación
adicional útil. Por ejemplo, el 15,8% de los casos correspondió a personas de 32 a 35
añosde edad y cerca de un tercio de los casos (34,1%) tenía menos de 36 años.
Distribución de casos de malaria por grupos de edad. Isla del Caribe, verano
de 2001

Presentación gráfica de datos

El tipo y la distribución de variables cualitativas así como las cuantitativas discretas se
suele representar gráficamente por medio de diagramas de barras o bien por gráficos
de sectores, ya sea como frecuencias absolutas o relativas, como se muestra a
continuación:
Distribución de muertes por suicidio según sexo. Lugar X, 2005-2010
Las variables cuantitativas continuas se representan gráficamente por medio de
histogramas y polígonos de frecuencia. Aunque parecidos a los diagramas de barras,
en los histogramas las barras se disponen en forma adyacente, precisamente para
ilustrar la continuidad y distribución de la variable representada. En el eje de las “x” se
ubica la variable continua y en el eje de las “y” se representa la frecuencia.

Giardasis. Casos notificados por mes. Lugar X, 2000 (n=460)

El polígono de frecuencias también permite graficar la distribución de una variable y se

construye uniendo con líneas rectas los puntos medios del extremo superior de cada
barra de un histograma (Gráfico 3.3). Es particularmente útil para visualizar la forma y
simetría de una distribución de datos y para presentar simultáneamente dos o más
distribuciones.

Casos de dengue por mes de inicio. Lugar Y, 2000

Una variante del polígono de frecuencias es la llamada “ojiva porcentual”, que es un

polígono de frecuencias relativas acumuladas. Cada punto de este polígono representa
el porcentaje acumulado de casos en cada intervalo de clase y, por tanto, va de cero a
100%.
La ojiva porcentual permite identificar de manera gráfica el valor correspondiente a la
mediana (i.e., 50%) de la distribución
Casos de tuberculosis por edad. Lugar Z, 2000

Medidas de resumen de una distribución

Muchas veces es necesario utilizar un valor resumen que represente la serie de valores
en su conjunto, es decir, su distribución.
Para los datos de variables cualitativas, la proporción o porcentaje, la razón y las
tasas son unas típicas medidas de resumen.
Para los datos de variables cuantitativas, sin embargo, hay medidas que resumen su
tendencia hacia un valor medio (medidas de tendencia central) y otras que
resumen su grado de variabilidad ( medidas de dispersión).
Cada una proporciona información complementaria y útil para el análisis
epidemiológico.

Medidas de tendencia central

Las medidas de tendencia central de los datos son la moda, la mediana, y la
media o promedio.
La selección de las medidas depende del tipo de datos y propósitos.
Los valores de muchas variables biológicas, como la talla, se distribuyen de manera simétrica.
Otras variables, como la mortalidad y la tasa de ataque en una epidemia, tienen
distribución asimétrica.
Para distribuciones normales (ejemplo de distribución simétrica), la media, la mediana
y la moda son idénticas.
Para distribuciones asimétricas, la mediana representa mejor al conjunto de datos, aunque la
media tiene mejores propiedades para el análisis estadístico y pruebas de significancia.
Medidas de tendencia central
El siguiente gráfico ilustra estas distribuciones, usando un listado de edades.
Distribución normal, observada y asimétrica de la edad

Medidas de tendencia central son la media o promedio, la mediana, y la moda.

La media aritmética es equivalente o sinónimo al promedio. Se calcula de la
misma manera, como lo hemos hecho desde que estábamos en la escuela.
Por ejemplo, la media aritmética de las frecuencias cardíacas (FC) de una muestra es:
FC= 72 +52 +63 +68 +66 +72 +74 +81 +76 +56 = 68.0
10
La media aritmética es una medida de tendencia central. Sin embargo, por ciertos tipos
de datos, la mediana es una medida de tendencia central mas adecuada.
La mediana representa el punto medio del grupo de números. Es decir, la mitad de
los números estarán por encima de la mediana y la otra mitad por debajo de ella.

Para calcular la mediana primero tenemos que ordenar los números de menor a
mayor (o de mayor a menor). Por ejemplo, los datos de la frecuencia cardíaca.
72 52 63 68 66 72 74 81 76 56
Se ordenarán así
Datos sobre la frecuencia cardíaca ordenados:
52 56 63 66 68 72 72 74 76 81
Ya podemos decir que la mediana se ubica entre 68 y 72
Ahora tenemos un pequeño problema. Dado que tenemos un número par de datos, no
tenemos un número que caiga en el medio. En este caso, tendremos que calcular el
promedio de los números centrales o sea la mediana es 70.
En un conjunto de datos, la moda es el número es el número que se repite con mayor
frecuencia.
Si miramos de nuevo nuestros datos sobre la frecuencia cardíaca:
72 52 63 68 66 72 74 81 76 56
La moda es 72.
Como se puede apreciar, el número 72 aparece dos veces en nuestro conjunto de
datos. Todos los demás solo aparecen una vez.
Media= 68 Mediana = 70 Moda = 72
Se observa que las tres medidas de tendencia central (media, mediana y moda) tienen
valores diferentes. Se usan en situaciones estadísticas distintas, según la naturaleza de
los datos y las pruebas estadísticas que se requieran.

Medidas de dispersión
Para las variables cuantitativas continuas las medidas de dispersión más usadas son
básicamente tres: el rango o amplitud, la varianza y la desviación estándar.
El rango o amplitud es la diferencia entre el valor máximo y el valor mínimo de una
serie de datos.

De modo que para el siguiente conjunto de datos:

1.- 30 40 50 60 40 70
El recorrido del conjunto 1.- es 40. Porque 70-30=40

La varianza (s2), que mide la desviación promedio de los valores individuales con
respecto a la media, es el cociente entre la suma de los cuadrados de la diferencia
entre cada valor y el promedio, y el número de valores observados (menos 1).
La desviación estándar (DE) es la raíz cuadrada de la varianza.
En la fórmula, se elevan al cuadrado todas las desviaciones para que no se anulen las
negativas con las positivas y se extrae la raíz cuadrada al final.

La medida de dispersión que más de utiliza es la Desviación Estándar (DE).

La desviación estándar junto con la media permite describir la distribución de la
variable. Si la variable se distribuye normalmente, entonces el 68% de sus valores
estará dentro de ± 1 desviación estándar de la media, 95% dentro de ± 2 y 99,9%
dentro de ± 3 DE (ver próximo gráfico). (Es necesario notar que se trata de
aproximaciones, ya que, por ejemplo, el área bajo la curva que abarca 95% no es
exactamente 2 desviaciones, sino 1.96).

Distribución normal

Cuantiles: percentiles, deciles, quintiles y cuartiles

Finalmente, otra forma útil de representar la dispersión de la distribución de una serie de datos es
usando cuantiles, que son los valores que ocupan una determinada posición en función de la
cantidad de partes iguales en que se ha dividido una serie ordenada de datos. Si dividimos nuestra
serie en 100 partes iguales, hablamos de percentiles; si la dividimos en 10 partes iguales, deciles; en
cinco partes, quintiles; y en cuatro, cuartiles. Como ejemplo, en el siguiente cuadro se presentan
nueve percentiles de edad correspondientes a la serie de casos de malaria del ejemplo dado más
arriba: el percentil 25 de esta distribución es 33 años, que equivale a decir que 25% de los casos
tenían edad menor o igual a 33 años (y, en consecuencia, 75% de los casos eran mayores de 33
años). Nótese que la mediana de la distribución corresponde al percentil 50 (o cuartil 2).
Percentiles y sus valores en una distribución de casos de Malaria

Para comprender esta medida de posición proponemos las tradicionales tablas de crecimiento de niñas
y niños usadas en pediatría (Tablas de Peso y Talla) donde se grafican el peso y talla del niño/a
evaluado ubicando el valor en un percentilo del gráfico. Por ejemplo: en la siguiente tabla de
Peso/Edad para Niños un lactante varón de 12 meses de edad que pesa 9 kg y 600 gr se ubica en el
percentilo 50 de la tabla.
Medidas de frecuencia
El enfoque epidemiológico parte de la observación de hechos en la población.
Estos hechos son: la presencia de enfermedad y la exposición a determinados
factores, u otros atributos o eventos de interés.
La cuantificación es asignar números a los hechos y medir la frecuencia u
ocurrencia de tales hechos en la población es una tarea fundamental.
La probabilidad es una medida de ocurrencia de un hecho incierto, o sea, el número
de veces que se espera ocurra un evento a futuro.
La tasa es una medida de la rapidez de cambio de un estado a otro estado (v.g., de
sano a enfermo) y, por tanto, también expresa un riesgo.

A diferencia del riesgo, la tasa involucra la experiencia de exposición de la población en

unidades efectivas de tiempo-persona

Probabilidad: Número de eventos que ocurren dentro de un número de eventos

posibles.
Riesgo a la salud: probabilidad de experimentar un efecto adverso o daño en un
tiempo determinado.
Tasa: medida de la rapidez de cambio de un fenómeno dinámico por unidad de población
y de tiempo (tiempo-persona de exposición). Es una medida del riesgo de enfermar
en la población.

- La probabilidad es medible y se sitúa entre 0 y 1 (siendo 1 la certeza absoluta).

- El riesgo es también medible y su valor se situaría entre 0 y 1.
- La tasa es la medida clásica de la epidemiología y tiene 3 componentes básicos:
• un numerador, que corresponde al número de individuos que experimenta el
evento de interés (v.g., muerte, enfermedad, nacimiento, ingreso hospitalario);
• un denominador, que corresponde al número total de individuos en la población
expuestos o en riesgo de presentar el evento; y,
• un período de tiempo específico, durante el cual se observa la frecuencia del
evento de interés y la población que ha estado expuesta efectivamente.
Prevalencia e Incidencia
Prevalencia: es la medida del número total de casos existentes, llamados casos
prevalentes, de una enfermedad en un punto o periodo de tiempo y en una población
determinados, sin distinguir si son o no casos nuevos. La prevalencia es un indicador de la
magnitud de la presencia de una enfermedad u otro evento de salud en la población.

La prevalencia es un indicador de gran importancia en salud pública, pues provee una

medida del volumen o carga de enfermedad en una comunidad o población en un
momento dado –información esencial en la planeación de los servicios de salud.

La prevalencia es un indicador de gran importancia en salud pública, pues provee una

medida del volumen o carga de enfermedad en una comunidad o población en un
momento dado –información esencial en la planeación de los servicios de salud.

Casos de tuberculosis en una población latinoamericana por unidad de

tiempo. 1995-2000
Año N° de casos Total de población
1995 60 30.000
2000 80 50.000

Al comparar cuál de los dos años tuvo una prevalencia más alta de
Tuberculosis, nos encontramos que:

- En 1995 fue de 60 casos / 30000 habitantes = 2,0/%o

- En 2000 fue de 80 casos / 50000 habitantes = 1,6/%o
Desde el punto de vista epidemiológico, hay mayor interés en conocer específicamente
cuántos casos nuevos de una enfermedad aparecen en una población durante un
período de tiempo. La incidencia es un indicador de la rapidez de cambio del proceso
dinámico de salud y enfermedad en la población.
La incidencia nos da una idea del riesgo promedio que tienen los individuos en la
población de padecer la enfermedad, así como evaluar la eficacia de las acciones de
control adoptadas.
Incidencia: es la medida del número de casos nuevos, llamados casos incidentes, de
una enfermedad originados de una población en riesgo de padecerla, durante un
periodo de tiempo determinado. La incidencia es un indicador de la velocidad de
ocurrencia de una enfermedad u otro evento de salud en la población y, en
consecuencia, es un estimador del riesgo absoluto de padecerla.
Tanto la prevalencia como la incidencia son medidas de morbilidad (enfermedad) en la
población, pero difieren en que la prevalencia mide el número de personas que tienen
la enfermedad en un momento dado (i.e., su magnitud) y la incidencia mide los casos
nuevos que se presentan en un período determinado de tiempo (i.e., su velocidad). Las
relaciones entre incidencia y prevalencia pueden apreciarse en la siguiente figura:

Relación entre incidencia y prevalencia

Nótese que si aumenta la incidencia (aparecen más casos nuevos) y el número de

muertes y recuperados se mantiene sin cambio, aumentará la prevalencia. Si aumenta
la mortalidad o más gente se recupera y la incidencia no cambia, la prevalencia
disminuirá.
En la siguiente figura, cada línea representa un caso de enfermedad respiratoria
(neumonía) y la duración en días de cada caso, que se presentaron durante el mes de
septiembre.

Casos de enfermedad respiratoria en el mes de setiembre

Obsérvese las diferencias, el número de casos incidentes de la enfermedad en el mes
de septiembre es de 12, mientras que el número de casos prevalentes en el día 15 de
septiembre es de 6.

Medidas de Mortalidad
Otra forma importante de medir la ocurrencia de enfermedad en la población es a
través de la tasa de mortalidad, un estimador del riesgo absoluto de morir.

Las tasas de mortalidad pueden referirse a toda la población de un país o territorio o

restringirse a una comunidad, institución o una muestra poblacional y pueden, también,
calcularse para grupos específicos de población, según sexo, edad, grupos de enfermedades
u otras características relevantes (en cuyo caso constituyen tasas específicas).

A modo de ejemplo, en el año 2013, en la Provincia de Buenos Aires se produjeron

288.391 nacimientos y se registraron 3.168 defunciones en menores de 1 año de edad,
por lo tanto la Tasa de Mortalidad Infantil de la Provincia de Buenos Aires para
el año 2013 es de:
3168 / 288391 * 1000 = 10,99 %o
Si se sospecha que una enfermedad determinada está causando un elevado o inusual
número de muertes, es de interés conocer cuántas de las personas enfermas mueren,
es decir, la proporción de casos fatales entre el total de casos. En una epidemia a este
cálculo se le llama tasa de letalidad y es particularmente importante para evaluar la
severidad de una epidemia:

Mientras la mortalidad hace referencia a las defunciones entre la población total (sana o
enferma), la letalidad sólo hace referencia a las defunciones entre la población enferma.
P. ej., si en un distrito de 30.000 habitantes ocurrieron 200 casos de tifoidea con 6
muertes en un año determinado, podemos afirmar que, en ese distrito y en ese año, la
mortalidad por tifoidea fue 2 por 10.000 y su letalidad 3%; es decir:
Cuando la distribución proporcional se refiere a datos de mortalidad, entonces hablamos
Específicamente de mortalidad proporcional, una medida de mortalidad útil para
describir el perfil y las contribuciones de causas de muerte específicas a la mortalidad
general de un lugar y periodo determinados; esto es:

Las medidas de prevalencia, incidencia y mortalidad, tomadas en conjunto, permiten

describir perfiles de salud de la población, útiles para el análisis de la situación
de salud, la primera función esencial de la salud pública. Estas medidas básicas
permiten comparar la importancia relativa de riesgos, enfermedades y daños a la salud
en las poblaciones entre diferentes períodos de tiempo y entre localidades distintas,
facilitando la identificación de necesidades y prioridades en salud y
orientando la gestión sanitaria.

El siguiente gráfico de líneas ilustra la evolución de la tasa de mortalidad infantil entre

los años 2001 – 1013 y la de sus dos componentes, neonatal y postneonatal.

Evolu ción d e la Mortali dad In fantil y sus comp onent es

Años 2001 a 2013 Provi ncia de Buenos Aires
18,0

16,0 T MORT. INF. T.M. NEO T.M. POST

14,0

12,0

10,0

8,0

6,0

4,0

2,0

0,0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

T.MORT. INF. 14,8 15,7 16,2 13,0 12,9 12,5 13,5 12,3 12,4 12,0 11,7 11,4 11,0

T.M. NEO 9,1 9,9 9,7 8,5 8,3 7,9 8,1 7,8 8,0 7,7 7,3 7,6 7,2
T.M. POST 5,7 5,8 6,5 4,5 4,6 4,6 5,4 4,4 4,3 4,4 4,4 3,9 3,8
 La siguiente tabla muestra la tasa de mortalidad proporcional postneonatal,
comparativa entre los años 2011 – 1012.
DEFUNCIONES POSTNEONATALES POR CAUSAS MAS FRECUENTES
PROVINCIA DE BUENOS AIRES - 2011/2012

CAUSA 2011 % 2012 % n %

TOTAL DE DEFUNCIONES POSTNEONATALES 1.275 100 1.085 100 -190
OTRAS ENFERMEDADES RESPIRATORIAS 189 1 14,8 169 1 15,6 -20,0 0,8
MUERTE SUBITA 119 4 9,3 124 2 11,4 5,0 2,1
MALFORMACIONES CONGENITAS DEL APARATO CIRCULATORIO 125 3 9,8 114 3 10,5 -11,0 0,7
OTRAS MALFORMACIONES CONGENITAS 101 5 7,9 93 4 8,6 -8,0 0,6
INFECCIONES RESPIRATORIAS AGUDAS 133 2 10,4 85 5 7,8 -48,0 -2,6
SEPTICEMIAS 83 8 6,5 82 6 7,6 -1,0 1,0
CAUSAS MAL DEFINIDAS Y LAS NO ESPECIFICADAS 86 7 6,7 68 7 6,3 -18,0 -0,5
CAUSAS EXTERNAS (ACC., HOMICIDIOS Y OTRAS VIOLENCIAS) 90 6 7,1 62 8 5,7 -28,0 -1,3
OTRAS CAUSAS BIEN DEFINIDAS 50 9 3,9 59 9 5,4 9,0 1,5
ENFERMEDADES DEL CORAZON Y CEREBROVASCULARES 46 10 3,6 43 10 4,0 -3,0 0,4
MALFORMACIONES DEL SISTEMA NERVIOSO 29 14 2,3 31 11 2,9 2,0 0,6
TRAST.RESPIRATORIOS Y CARDIOVASC. PERIODO PERINATAL 36 12 2,8 26 12 2,4 -10,0 -0,4
DURACION CORTA DE LA GESTACION Y BAJO PESO 34 13 2,7 25 13 2,3 -9,0 -0,4
OTRAS AFECCIONES ORIGINADAS EN EL PERIODO PERINATAL 26 15 2,0 22 14 2,0 -4,0 0,0
INSUFICIENCIA RESPIRATORIA NO CLASIF. EN OTRA PARTE 21 16 1,6 20 15 1,8 -1,0 0,2
TOS FERINA * 41 11 3,2 16 16 1,5 -25,0 -1,7
TUMORES 12 19 0,9 14 17 1,3 2,0 0,3
ENFERMEDADES INFECCIOSAS INTESTINALES 16 18 1,3 13 18 1,2 -3,0 -0,1
OTRAS ENFERMEDADES INFECCIOSAS 19 17 1,5 8 19 0,7 -11,0 -0,8
MENINGITIS 12 19 0,9 7 20 0,6 -5,0 -0,3
DESNUTRICION PROTEINOCALORICA 5 21 0,4 3 21 0,3 -2,0 -0,1
SIFILIS CONGENITA 2 22 0,2 1 22 0,1 -1,0 -0,1

El siguiente gráfico de barras ilustra la evolución de la tasa de mortalidad infantil entre

los años 2009 a 1013 y las 12 regiones sanitarias de la provincia de Buenos Aires.

16
2009 2010 2011 2012 2013

14

12

10

0
I II III IV V VI VII VIII IX X XI XII Total Prov.
2009 10,9 9,6 13,9 14,0 11,5 12,9 13,6 10,1 8,7 12,3 12,8 12,2 12,4
2010 8,5 9,1 11,6 12,2 11,7 12,6 13,3 10,7 9,7 10,8 13,0 11,4 12,0
2011 10,0 11,5 9,8 10,5 11,7 13,0 11,8 10,7 12,6 10,2 11,6 10,1 11,7
2012 8,6 11,9 10,2 12,0 11,3 12,1 13,0 9,4 9,8 9,4 11,8 12,3 11,4
2013 9,0 14,9 10,4 11,1 10,7 12,3 11,6 7,3 8,3 8,4 10,8 11,1 11,0
Como podrá observarse, hay diferentes maneras de observar la
evolución de la mortalidad, en estos ejemplos los lugares que tienen
valores más altos y sus principales causas.

No todos los indicadores están relacionados al daño en la salud …

Existen distintas medidas e indicadores de bienestar (social o económico) en
salud y sehan desarrollado ciertos índices de “salud positiva” (Alleyne, 1998),
… dimensiones tales como la salud mental, autoestima, satisfacción con el
trabajo, ejercicio físico, etc.

Comparación de la frecuencia de enfermedad y medidas de asociación

Medir la frecuencia y distribución de los fenómenos, enfermedades o estados de salud

es un paso previo a la comparación de dichas medidas. Esta comparación es la
estrategia básica del análisis del método epidemiológico y el paso
fundamental para transformar los datos en información relevante.

En todo acto de comparación hay una intencionalidad analítica subyacente: encontrar

igualdades o, alternativamente, encontrar diferencias. Este es el enfoque no-
igualitario que pone en práctica la epidemiología.

Un aspecto central en este raciocinio analítico de la epidemiología es la generación

de explicaciones tentativas, suposiciones, pronósticos o conjeturas verosímiles
respecto a una relación causa-efecto que encierran incertidumbre; es decir, la
generación de hipótesis. Una hipótesis es una suposición que se hace de una
observación o reflexión, que lleva a predicciones refutables.

Significación estadística

Hecha la comparación de dos grupos: los expuestos a un factor de riesgo y los no

expuestos y observada una diferencia en la presencia o incidencia del evento en
ambos, la primera pregunta que debe responderse es si esa diferencia ¿es producto
del azar o no? Si se logra demostrar que la diferencia no es producto del azar, se dice
que es “estadísticamente significativa”.

La prueba más utilizada en la comparación de dos proporciones es la de x 2 (Chi

cuadrado). Esta prueba permite conocer el valor de P (probabilidad). Arbitrariamente
se determinó que cuando dicha probabilidad es menor a 5% (P < 0.05), se puede
afirmar que la asociación es estadísticamente significativa y no se debe al azar.

Un valor de P< 0.05 equivale a decir que menos del 5 % de la diferencia observada
se explica por el azar, luego se puede afirmar que la misma se debe a una asociación
estadística entre las 2 variables.

Medidas de efecto o asociación

Las medidas de efecto o asociación se utilizan en ciertas investigaciones

epidemiológicas que veremos más adelante (Unidad 3: Estudios Epidemiológicos).
 Nos permiten determinar la magnitud o fuerza de la relación existente entre una
exposición y un evento. Su ventaja principal radica en que permiten en un sólo
parámetro, describir la fuerza de asociación entre una exposición particular y
el riesgo de desarrollar una enfermedad.
Es importante tener claro que una asociación fuerte no implica necesariamente que
exista una relación CAUSA-EFECTO (causalidad).

En concepto de riesgo está ligado directamente a la probabilidad, mayor o menor, de

que uno de los miembros de una población desarrolle una enfermedad dada en un
determinado período de tiempo.

Factor de riesgo: característica o circunstancia detectable en individuos o grupos, asociada

con una probabilidad incrementada de experimentar un daño o efecto adverso a la salud. En
general, un factor de riesgo es un atributo o exposición que incrementa la probabilidad de
ocurrencia de una enfermedad u otro daño a la salud
Podemos dividir estas medidas de efecto en:
Medidas Relativas o de Razón
- Riesgo Relativo
- Odds Ratio

Medidas Absolutas o de Diferencia

- Riesgo Atribuible

El Riesgo Relativo es la incidencia de una enfermedad de los expuestos a un

factorde riesgo (FR) sobre la incidencia de esa enfermedad de los no expuestos a
ese factor.
Un RR > 1 indica que la exposición es un FR para el evento

Un RR < 1 indica que la exposición es un FP (factor protector) para el evento

Un RR = 1 indica que no hay relación entre la exposición y el evento

El Odds Ratio se utiliza en estudios en donde no es posible calcular las

incidencias como en los estudios transversales y en los estudios de Casos y
Controles

El Riesgo Atribuible (diferencia de riesgos) nos da información sobre el posible

impacto que se obtendría si se logra controlar la exposición.
Un ejemplo sería la diferencia entre la incidencia de la enfermedad coronaria entre los
fumadores menos la incidencia de la enfermedad coronaria entre los NO fumadores

El Riesgo Atribuible (RA) sirve para:

- Establecer el motivo principal o Racionalidad de la intervención

- Determinar el objetivo para prevención
- Definir prioridades
 Exceso de daño
en los expuestos
Efecto de la exposición
asociado a la exposición

daño daño

Confiabilidad de la medición: Intervalo de Confianza

Un procedimiento alternativo o complementario de la inferencia estadística es el cómputo de

sus intervalos de confianza. Como los datos obtenidos suelen corresponder a una muestra de
la población, existe siempre incertidumbre respecto a cuáles serían los valores en la población
general.

El intervalo de confianza indica el rango en el que, con una probabilidad conocida, el

verdadero parámetro poblacional estudiado está contenido.

Un intervalo de confianza del 95 % (IC 95%) para un RR= 2,5 (IC 95 % 1,7 – 5) quiere
decir que en la población el riesgo se encontrará entre 1,7 y 5 con una probabilidad del 95
%, o que si repitiéramos nuestra investigación 100 veces en 95 de ellas el valor obtenido
estará comprendido entre RR= 1,7 y un RR= 5.

Veremos ahora la utilización e interpretación de estas tres medidas estadísticas en un

ejemplo:

“una investigación realizada por la Fundación INFANT que se propuso analizar factores de
riesgo asociados a defunciones infantiles en el hogar durante el sueño encontró que la
vacunación incompleta en lactantes se asoció con la defunción durante el sueño, con una
significación de p= 0,01; OR= 2,47 (IC95% 1,23 – 4,98)”

¿Cómo deben interpretarse estos datos?

1. Una p= 0,01 nos habla de que sólo 1 % de las diferencias se explican por el azar: hay
asociación estadística entre las 2 variables

2. OR= 2,47 expresa que el factor de riesgo (vacunas incompletas) aumenta la probabilidad del
evento (defunción durante el sueño) en más de 2 veces

3. El IC 95 % nos dice que si repitiéramos la investigación 100 veces en 95 de los estudios

obtendríamos un OR > 1 (en un rango entre 1,23 y 4,98). Hay asociación entre el FR y el
evento.

El análisis estadístico de estos datos nos confirma que la vacunación incompleta en lactantes
es un potente factor de riesgo para muerte durante el sueño.
Resumiendo:

El análisis estadístico de una asociación entre dos variables (por ej. un factor de riesgo y una
enfermedad), suele incluir los siguientes pasos:

PASOS SIGNIFICADO FORMA DE

DETERMINARLO

Asociación Significación Chi cuadrado: P < 0.05

estadística estadística (no es
azar)
Fuerza de Significación Riesgo relativo/ OR > 1
asociación clínica/Fuerza de
asociación

Precisión de la Confiabilidad de la Intervalo de confianza

estimación medición 95 %

Por lo tanto, mediante una prueba estadística se debe testear si la asociación sometida a
estudio no se debe únicamente al azar, para lo cual se calcula el valor de P. La magnitud del
efecto (valor del Riesgo Relativo u del Odds Ratio) nos permitirá evaluar la importancia clínica
de dicha asociación y diferenciar la significación estadística de su significación clínica. Y
finalmente, si estas medidas son estimadas a través de una muestra, deben ir acompañadas
de sus respectivos intervalos de confianza, que dan idea de la precisión ó del grado de
confiabilidad con que se está estimando el parámetro.