Negative log-binomial model with optimal robust variance to estimate the prevalence ratio, in cross-sectional population studies

Los estudios transversales son útiles para estimar la prevalencia de un evento particular que preocupa a poblaciones específicas, como en el caso de enfermedades u otros intereses de salud pública. La mayoría de estos estudios se han realizado con un modelo de regresión logística binomial binario que estima valores de OR que podrían estar sobreestimados debido al ajuste del modelo. Por tanto, la selección del mejor modelo multivariado para estudios transversales es una prioridad para controlar la sobreestimación de las asociaciones.

Métodos
Comparamos la precisión de las estimaciones de la razón de prevalencia (RP) del modelo Log-binomial negativo (NLB) con Mantel-Haenszel (MH) y los modelos de regresión Cox, Log-Poisson, Log-binomial y el OR del Regresión logística binaria en estudios transversales de base poblacional. Se utilizó la prevalencia de un estudio transversal previo realizado en Colombia sobre la asociación de los trastornos de salud mental con el consumo de sustancias psicoactivas (p. ej., cocaína, marihuana, cigarrillo, alcohol y riesgo de consumo de sustancias psicoactivas). La precisión de las estimaciones puntuales del RP se evaluó para el modelo NLB con estimaciones de varianza robustas, controladas con variables de confusión e intervalo de confianza del 95%.

Resultados
El modelo NLB ajustado con varianza robusta mostró precisión en las mediciones de RP crudas, errores estándar de estimación y sus correspondientes intervalos de confianza (IC95%) así como una alta precisión de la estimación de RP y errores estándar de estimación después del ajuste de la modelo por edad agrupada en comparación con la estimación de MH PR.

Los RP e IC95% obtenidos entre NLB y MH fueron: consumo de cocaína (2.931, IC95%: 0.723–11.889 vs. 2.913, IC95%: 0.786–12.845), consumo de marihuana (3.444, IC95%: 1.856–6.391 vs. 3.407, IC95%: 1.848, 6.281), tabaquismo (2.175, IC95%: 1.493, 3.167 vs. 2.209, IC95%: 1.518–3.214), consumo de alcohol (1.243, IC95%: 1.158–1.334 vs. 1.241, IC95%: 1.157 –1.332), y riesgo de consumo de sustancias psicoactivas (1.086, IC95%: 1.047-1.127 vs. 1.086, IC95%: 1.047, 1.126). El modelo NLB ajustado con varianza robusta mostró mayor precisión al aumentar la prevalencia, que los otros modelos con varianza robusta con respecto a HM.

Conclusiones
El modelo NLB con varianza robusta se mostró como una poderosa estrategia para la estimación de RP para estudios poblacionales transversales, ya que se identificaron altos niveles de precisión para los estimadores puntuales, los errores estándar de estimación y sus correspondientes intervalos de confianza, luego del ajuste de variables de confusión. Además, no representa problemas de convergencia para casos de alta prevalencia (como ocurre con el modelo Log-binomial) y podría considerarse en casos de sobredispersión y con mayor precisión y bondad de ajuste que los otros modelos con varianza robusta, ya que se muestra con el conjunto de datos del estudio transversal utilizado aquí.