Sesgo de selección

Definitions & Key takeaways

Selection bias refers to a systematic error that occurs when the sample of individuals being studied is not representative of the population of interest. This can lead to incorrect conclusions and invalid results from those research studies. Several types of selection biases include sampling bias, non-response bias, and Berkson's bias.

Sampling bias occurs when the sample of individuals being studied does not cover or represent the population of interest. In non-response bias, some individuals in a study do not respond to a survey or questionnaire, leading to incorrect conclusions and invalid results. Finally, Berkson's bias occurs when individuals in both case and control groups are recruited based on a characteristic that's associated with the exposure.

Ver video solo
El sesgo de selección es un tipo de sesgo o error que puede producirse cuando los investigadores eligen quiénes serán incluidos en un estudio.
Los estudios con sesgo de selección pueden acabar teniendo resultados que no pueden aplicarse a la población fuera del estudio, por lo que carecen de validez extern También pueden dar lugar a una representación inexacta de la relación entre una exposición y un resultado, por lo que carecen de validez interna.
Normalmente, el objetivo de un estudio es averiguar si una exposición está asociada a un resultado en una población diana.
Por ello, lo ideal es que un estudio se realice en una muestra de población de personas que sea similar a esa población diana en todos los aspectos significativos, lo que daría al estudio una alta validez externa.
Por ejemplo, si se quiere averiguar cómo influye el tabaquismo en el riesgo de cáncer de pulmón en Portland (Oregón), la población diana son los habitantes de Portlan Lo ideal sería que la población de la muestra incluyera a personas de Portland.
Y además, la población de la muestra debe incluir personas de edades, razas y niveles socioeconómicos que reflejen también la población diana, porque todos estos son factores que probablemente afecten al riesgo de cáncer de pulmón.
Si el estudio solo recluta estudiantes de uno de los institutos locales, es probable que la población de la muestra no represente a la población diana, ya que la edad promedio del estudio será más baja que la edad promedio de Portland, que es de 36 años.
Para que la población de la muestra represente a la población diana, una herramienta que se puede utilizar es la aleatorización, que significa que las personas se seleccionan para entrar en el estudio mediante un proceso de azar.
Para mostrar cómo funciona, digamos que los investigadores meten los nombres de todas las personas de Portland en una bolsa de papel marrón, que tendría que ser bastante grande, ya que habría más de 600.000 nombres en esa bolsa, probablemente con varias repeticiones Supongamos entonces que se eligen mil nombres de la bolsa para incluirlos en el estudio, ya sea simplemente eligiéndolos o utilizando un programa informático para asegurarse de que es realmente por azar.
Eso es la aleatorización. Al utilizar la aleatorización, hay una probabilidad bastante alta de que la población de la muestra y la población diana sean similares, y de que el estudio tenga una alta validez externa, lo que significa que cualquier conclusión hecha sobre la población de la muestra puede aplicarse a la población diana.
A veces, incluso cuando una población se selecciona al azar, el sesgo de selección puede reducir la validez externa de un estudio Por ejemplo, si se decide elegir aleatoriamente la población de la muestra de una lista de todas las direcciones de casas de Portland, o de una lista de todos los números de teléfono de Portland.
En esta situación, hay una alta probabilidad de sesgo de muestreo, que es un tipo de sesgo de selección. En este caso, algunas personas de la población diana pueden tener menos posibilidades o ninguna de ser seleccionados para formar parte de la población de la muestra, porque hay algunas personas que viven en la ciudad que no tienen una dirección o un número de teléfono fijo Si las personas que no tienen una dirección o un número de teléfono fijos tienen un nivel socioeconómico más bajo que las que tienen una dirección fija, entonces la renta media del estudio será superior a la renta media de todos los habitantes de Portland.
Otro ejemplo habitual de sesgo de muestreo se produce cuando los investigadores tienen la dirección o el número de teléfono correctos, pero simplemente no pueden contactar con esa person Por ejemplo, digamos que los investigadores tienen una lista de nombres de personas de Portland con cáncer de pulmón y una lista de nombres de personas de Portland sin cáncer de pulmón, y quieren preguntar a cada persona sobre su condición de fumador en los últimos 10 años.
Los investigadores deciden llamar a cada persona de la lista entre las 17:00 y las 21:00 horas de los miércoles, ya que la mayoría de la gente sale del trabajo a esa hora.
Pero esta lista excluye a las personas que trabajan por las tardes, como las que hacen turnos de noche, como las enfermeras y los policías, o que tienen que tener varios trabajos para llegar a fin de mes.
Para evitar el sesgo de muestreo, los investigadores pueden hacer llamadas telefónicas a diferentes horas del día y en diferentes días de la semana.
Además, los investigadores pueden intentar utilizar varios modos de contacto, como enviar un correo electrónico o un mensaje de texto a la persona o ir a su casa para verla.
Otro tipo de sesgo de selección se denomina sesgo de no respuesta, y es especialmente problemático en los estudios que requieren tiempo o esfuerzo por parte del participante, como una encues En general, las personas más jóvenes, las mujeres, las personas de raza blanca y las personas con estudios superiores y con un nivel socioeconómico más alto son las más propensas a responder a una encuesta.
A menudo, las personas deciden no completar una encuesta porque piensan que les llevará demasiado tiempo o simplemente porque no les gusta responder a las preguntas.
Por eso, en este tipo de estudios, los investigadores a veces utilizan incentivos, como dinero o comida gratis, para motivar a la gente a participar, en un esfuerzo por garantizar que la población de la muestra refleje con exactitud la población diana.
Vamos a ver ahora cómo el sesgo de selección puede influir en la validez interna de un estudio, o en su calidad. En última instancia, para sacar conclusiones de un estudio, la clave es asegurarse de que los dos grupos (por ejemplo, las personas con cáncer de pulmón y las personas sin cáncer de pulmón) tengan características basales similares entre s De este modo, la única diferencia clave es la exposición que se intenta estudiar, la exposición al tabaco.
Por ejemplo, supongamos que los investigadores eligen a personas con cáncer de pulmón de una comunidad de jubilados, y eligen a personas sin cáncer de pulmón de un campus universitario.
Si eso ocurriera, sería difícil saber si la diferencia en las tasas de cáncer de pulmón entre los dos grupos se debe a fumar cigarrillos o a la diferencia de edad de los dos grupos, ya que la mayoría de los jóvenes, aunque fumen, no desarrollarán cáncer de pulmón hasta mucho más tarde.
Una forma de garantizar que los dos grupos de un estudio sean similares es reclutar a personas del mismo lugar, como por ejemplo reclutar a todos los participantes del departamento de policía loca Un tipo de sesgo de selección es el llamado efecto del trabajador sano.
Puede ocurrir cuando los investigadores reclutan al grupo expuesto (las personas que fuman) de una cohorte ocupacional, como un grupo de policías, pero reclutan al grupo no expuesto (las personas que no fuman) de la población general, como si fueran de puerta en puerta pidiendo a la gente que se una al estudi Este tipo de sesgo de selección se denomina efecto del trabajador sano, porque las personas menos sanas tienen menos probabilidades de tener un trabajo.
Como resultado, el grupo de fumadores incluirá solo a personas con buena salud (lo que significa que, en general, tendrán menos probabilidades de desarrollar cáncer de pulmón, independientemente de su condición de fumadores) y el grupo de no fumadores incluirá probablemente a personas tanto con buena como con mala salud (lo que significa que tendrán más probabilidades de desarrollar cáncer de pulmón, independientemente de su condición de fumadores), y se subestimará el efecto global del tabaquismo sobre el cáncer de pulmón.
Otro tipo de sesgo de selección es el llamado sesgo de Berkson, llamado así por el estadístico Joseph Berkson. El sesgo de Berkson se produce cuando las personas de los dos grupos de un estudio se reclutan en función de una característica asociada a la exposición, y suele ocurrir en entornos hospit alarios.
Por ejemplo, digamos que se quiere observar un grupo de personas con cáncer de pulmón (los casos) y un grupo de personas sin cáncer de pulmón (los controles) y comparar cuántas personas fuman en cada grupo.
Para los casos, se obtiene una lista de 100 personas con cáncer de pulmón del hospital local y se descubre que 90 de ellas fuma Para los controles, se obtiene una lista de 100 personas sin cáncer de pulmón de ese mismo hospital, supongamos que es una lista de personas con cardiopatía coronaria, y se descubre que 70 de ellos fuman.
Si se utiliza la ecuación del cociente de posibilidades, CP = (A*D)/(B*C), parece que las probabilidades de cáncer de pulmón para las personas que fuman son aproximadamente 4 veces mayores que las probabilidades de cáncer de pulmón para las personas que no fuman.
El problema aquí es que el tabaquismo también es un factor de riesgo de enfermedades cardíacas, por lo que probablemente haya un mayor porcentaje de personas que fuman en el grupo de controles en comparación con un grupo de controles que fueron ingresados en el hospital por algo como un hueso roto, ya que fumar no es un factor de riesgo para romperse un hueso.
Así que supongamos que, en lugar de eso, se utiliza una lista de personas con huesos rotos para reclutar a 100 personas sin cáncer de pulmón como controles, y se descubre que solo 20 de ellos fuman.
Las probabilidades de cáncer de pulmón de las personas que fuman son unas 36 veces mayores que las de las personas que no fuman.
Dado que las fracturas óseas no tienen una relación conocida con el tabaquismo, esto refleja el cociente de posibilidades real.
Así pues, el sesgo de Berkson puede evitarse eligiendo controles que tengan un resultado (como la rotura de huesos) que no esté asociado a la exposición (el tabaquismo).
Otro tipo de sesgo de selección se produce cuando las personas abandonan el estudio antes de que termine el período de estudio, lo que se denomina pérdida de seguimiento.
La pérdida de seguimiento puede ocurrir cuando los participantes fallecen durante el curso del estudio por una razón que no está relacionada con la exposición o el resultado, o abandonan el estudio porque pierden el interés, o simplemente porque se van de la zona del estudio sin avisar a los investigadores.
La pérdida de seguimiento puede suponer un problema, especialmente si las personas que se pierden en el seguimiento son las que tienen más probabilidades de desarrollar el resultado.
Por ejemplo, supongamos que de 200 personas (100 fumadores y 100 no fumadores), 80 desarrollan cáncer de pulmón, 60 en el grupo que fuma y 20 en el grupo que no fuma.
De las 60 personas que desarrollaron cáncer de pulmón en el grupo que fuma, 40 se pierden en el seguimiento en algún momento del período de estudio, mientras que ninguna de las personas del grupo que no fuma se pierde en el seguimiento.
Al final del estudio, parece que hay 20 personas que desarrollaron cáncer de pulmón en el grupo que fumaba y 20 personas que desarrollaron cáncer de pulmón en el grupo que no fumaba, por lo que parece que fumar no tiene ningún efecto sobre el cáncer de pulmón.
En este ejemplo, la pérdida de seguimiento subestima el efecto global de la exposición sobre el resultad Para ayudar a reducir la pérdida de seguimiento, los investigadores suelen intentar minimizar el tiempo entre los contactos con los participantes en su estudio, como enviarles una encuesta cada 2 años en lugar de cada 5 años.
Si los participantes no responden a la encuesta inicial, los investigadores también pueden intentar ponerse en contacto con las personas por teléfono o correo electrónico, o poniéndose en contacto con una pareja o un buen amigo del participante.
##Resumen Como breve resumen... El sesgo de selección se produce cuando los errores en la selección de los participantes disminuyen la validez externa del estudio (la similitud de la población de la muestra con la población diana) o la validez interna (la similitud entre los dos grupos del estudio).
El sesgo de muestreo y el sesgo de falta de respuesta pueden disminuir la validez externa de un estudio, pero pueden evitarse utilizando varios modos de contacto y ofreciendo incentivos a los participantes en el estudio El efecto del trabajador sano, el sesgo de Berkson y la pérdida de seguimiento pueden reducir la validez interna de un estudio, pero pueden evitarse reclutando a todos los participantes en el mismo lugar, asegurándose de que el reclutamiento no esté vinculado a la exposición y manteniendo un contacto sistemático con los participantes o contactando con ellos de varias formas.