MATERIAL Y METODO 2.
Con el propósito de evitar que una correlación excesiva entre las variables independientes (colinealidad) introdujera deficiencias en las estimaciones se evaluó la asociación a través de la prueba de independencia X2 (Ji Cuadrado) para variables cualitativas, acompañada de un coeficiente de correlación (Phi, V de Cramer, y Etha, según se tratara de tablas de 1 grado de libertad o más de 1 grado de libertad respectivamente), en el caso de las variables cuantitativas, se evaluó la asociación a través del coeficiente de correlación de Pearson (p). Si el valor del coeficiente calculado fue superior a 0.8, se consideró que existía correlación importante y por consiguiente se excluyen del análisis posterior (no hizo falta).
Seguidamente, se aplicó la Regresión Logística Múltiple (RLM) con respuesta dicotómica, cuyo modelo establece que si se tiene una variable dicotómica “Y” (que en este caso es enfermo o no), la probabilidad de que una paciente adquiera una enfermedad cardiovascular (o sea, que Y = enfermo cardiovascular) puede expresarse en función de varias variables o factores de la siguiente
donde:
b : es el término independiente y
b , . . . . , b : son los coeficientes respectivos de las variables independientes.
El modelo permitió determinar la probabilidad de ECV en función de los factores de riesgo incluidos y, paralelamente, estimar la influencia absoluta o pura de cada factor sobre la aparición de dicha patología al controlar las restantes.
El modelo se ajustó mediante el método paso a paso, adicionando términos a la ecuación de regresión (Wald adelante ó Forward Wald), y luego se identificaron aquellas variables cuyos coeficientes fueron significativamente diferentes de 0 (p 0.05). Para ello se utilizó el test de Wald en cada caso. Además, se estimaron los odds ratio (OR) puntuales y por intervalos para cada variable (exp ) seleccionada, los que fueron interpretados.
Se comprobó la bondad del ajuste del modelo a los datos a través del estadígrafo Ji Cuadrado de Hosmer y Lemeshow. La probabilidad fue mayor de 0.05 por lo que se consideró que el modelo ajusta a los datos.
A partir de las variables seleccionadas se estableció un modelo predictivo de ECV en pacientes femeninas con la finalidad de vaticinar, para una mujer dada, la probabilidad de ECV en virtud de su perfil de riesgo. Debido a las características de la muestra (muestra no representativa) se corrigió el intercepto de la función logística, a través de la siguiente expresión:
Donde :
n1 = Total de casos
n2 = Total de controles
P = Prevalencia de ECV.
Para procesar los datos se utilizó el Statistical Package for the Social Sciences (SPSS) para Windows, versión 10,0.
RESULTADOS.
No se encontraron diferencias significativas en los valores medios de la LDL-C entre el grupo de mujeres con ECV y sin ECV; nótese que los niveles séricos superan las recomendaciones para diabéticos y pacientes de alto riesgo (<2,60 mmol/L)12.Tampoco fueron predictores de ECV la hipertrigliceridemia y los niveles de colesterol sérico total, aunque los valores en ambos grupos de pacientes superaron los objetivos terapéuticos .
No tuvieron significación estadística la presencia de DM, el IMC, la PA sistólica (PAS) y la PA diastólica (PAD) (tabla 1).
En el análisis univariado la edad, el hábito de fumar y los niveles de HDL-C tuvieron diferencias (tabla 1). Estas 3 variables en el análisis de colinealidad no presentaron correlación significativa, observándose que todos los coeficientes de correlación son menores que el valor prefijado de 0,80 (resultados no mostrados), por lo que se incluyeron en el análisis multivariado.
En el análisis multivariado para identificar los factores de riesgo de ECV, se empleó la regresión logística múltiple (RLM) con respuesta dicotómica.
Se realizó una corrida del modelo de RLM (Tabla 2), que incluyó las tres variables resultantes del análisis univariado previo.
La probabilidad de tener una ECV en la población investigada, está significativamente influida por la edad, el hábito de fumar y HDL-C, pues quedaron incluidas todas en el modelo logístico.
Con relación a la edad, variable cuantitativa, se observó un OR de 1.046, lo que significa que por cada año de edad que transcurra, el riesgo de ECV se incrementa en 1.046 veces.
Mientras que para la variable cualitativa dicotómica hábito de fumar el valor de OR fue 6.128, lo que significa que es casi 6.13 veces más probable que aparezca ECV en las obesas que fuman con respecto a las que no tienen el hábito.
Con respecto a la HDL-C la OR= 0.00, siendo esta variable un factor protector en la aparición de la entidad en estudio, lo que significa que los niveles elevados contribuye a la no aparición de la ECV en nuestras pacientes.
Para obtener el modelo que permitiera la predicción de la ECV fue necesario corregir el intercepto de la función logística establecida (véase Método).
Seguidamente se presenta el pronóstico de ECV para dos obesas a partir de sus perfiles de riesgo. De esa manera se trata de ilustrar la predicción de dicha condición.
Ejemplo 1. Se trata de una paciente de 20 años de edad, no fumadora con HDL-C de 1.35 mmol/L. Para esta obesa se calculó una probabilidad de 0.03.
Ejemplo 2. Se trata de una obesa de 80 años de edad, fumadora con un HDL-C de 0.90 mmol/L. Esta paciente tuvo una probabilidad de ECV de 0.94.