Problemas de Inferencia Estadística en los Tests de Cribaje de una Enfermedad en Varias Fases con Distintos Grados de Verificación con Gold Estandar

Abstract

La estimación precisa de la prevalencia de enfermedades constituye un componente esencial en epidemiología y salud pública, especialmente en condiciones de baja frecuencia donde los errores metodológicos pueden conducir a sesgos significativos. Este trabajo doctoral se centra en comparar distintos enfoques de estimación de prevalencias en contextos con pruebas imperfectas y bajas prevalencias, evaluando métodos frecuentistas, correcciones clásicas como Rogan-Gladen, y enfoques Bayesianos, bajo diferentes esquemas de muestreo, incluyendo una corrección propuesta por post-estratificación. Se desarrolló un estudio basado en tres componentes metodológicos. Primero, se evaluaron estimadores clásicos aplicados sobre la identificación genética de casos de quilomicronemia familiar a partir de un esquema de tamizaje en dos fases. Posteriormente, se implementaron análisis aplicados para estimar prevalencias ajustadas mediante post-estratificación en escenarios de verificación parcial, tanto con gold estándar como con pruebas de sensibilidad y especificidad conocidas. Finalmente, se aplicaron modelos de regresión logística corregidos por clasificación errónea en datos reales de prevalencia de infecciones de transmisión sexual (VIH y sífilis) en una muestra de 11452 individuos, comparando el desempeño de modelos frecuentistas, ajustes simultáneos de parámetros y modelos Bayesianos. Los resultados mostraron que en estimaciones directas utilizando gold estándar, los métodos frecuentistas como Agresti-Coull y Jeffreys ofrecieron resultados consistentes con baja variabilidad. No obstante, al integrar el efecto de la clasificación errónea, métodos como el de Lang basados en Rogan-Gladen subestimaron notablemente la prevalencia en escenarios de baja prevalencia, mientras que los enfoques Bayesianos ofrecieron estimaciones más estables y acordes con la realidad epidemiológica. La corrección por post-estratificación, y los métodos Bayesianos mejoraron la cobertura y representatividad poblacional, particularmente en esquemas de verificación parcial, ampliando los intervalos de incertidumbre para reflejar adecuadamente la variabilidad introducida. En el estudio de infecciones de transmisión sexual, el modelo Bayesiano con corrección implícita equilibró precisión y ajuste, produciendo estimaciones intermedias entre los modelos tradicionales y complejos como el de Liu, pero con menores errores estándar y mejores propiedades de cobertura. Se concluye que el uso de métodos que incorporan explícitamente la clasificación errónea, como los modelos Bayesianos corregidos, es fundamental para obtener estimaciones de prevalencia válidas y precisas en contextos de baja prevalencia y pruebas diagnósticas imperfectas. Asimismo, la post-estratificación constituye una herramienta crítica para corregir el sesgo en muestras no probabilísticas, aumentando la validez externa de las inferencias. Los métodos frecuentistas, aunque útiles en condiciones ideales, pueden ser inadecuados en contextos reales complejos. Finalmente, los modelos Bayesianos ofrecen ventajas notables en términos de flexibilidad, incorporación de información previa y capacidad de modelar la incertidumbre, posicionándose como alternativas metodológicas robustas para estudios epidemiológicos y aplicaciones en salud pública.