Upload
hoangdien
View
214
Download
0
Embed Size (px)
Citation preview
Programas de optimización de
tratamientos antimicrobianos:
llegando al siguiente nivel
Análisis de series temporales para establecer la relación entre uso de antibióticos y resistencias
Alcázar de San Juan, 18 de noviembre de 2011
José María Tenías Burillo
Unidad de Apoyo a la Investigación
Hospital General La Mancha Centro, Alcázar de San Juan
Las guías/tratados actuales para el control y la
prevención de la resistencia de los antibióticos
recomiendan la puesta en marcha de sistemas de
vigilancia que permitan detectar y publicar las
tendencias y cambios significativos a los encargados
de la prescripción.
Las series temporales en los sistemas de vigilancia de la
infección nosocomial
Entre los métodos empíricos utilizados en el estudio de las
enfermedades infecciosas y, en particular, en el estudio del control
de las infecciones y la resistencia a antibióticos destacan los diseños
cuasi-experimentales.
El análisis de series temporales permitiría abordar en los
estudios observacionales y cuasi-experimentales la relación
dinámica entre el consumo de antibióticos y la aparición de
resistencias.
Diseños en el estudio de las resistencias a antimicrobianos
¿Qué es una serie temporal?
Sucesión ordenada en el tiempo de valores de una variable
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
5500
6000
6500
196
3
196
4
196
5
196
6
196
7
196
8
196
9
197
0
197
1 19
72
19
73
19
74
19
75
19
76
19
77
19
78
19
79
19
80
19
81
198
2
198
3
198
4
198
5
198
6
198
7
198
8
198
9
199
0
199
1 19
92
19
93
19
94
19
95
19
96
19
97
19
98
19
99
2
00
0
20
01
20
02
2
00
3
20
04
2
00
5
20
06
2
00
7
20
08
2
00
9
20
10
Documentos publicados anualmente en PubMed con el descriptor MeSH “Drug
Resistance, Microbial” (1963-2010)
Componentes de una serie temporal
Tendencia evolución a largo plazo, de naturaleza
lineal, parabólica, exponencial, etc
Variaciones estacionales oscilaciones periódicas en
períodos iguales o inferiores a un año
Variaciones cíclicas oscilaciones periódicas de amplitud
superior a un año
Componentes de una serie temporal tendencia
Interés social sobre el paro en España. Evolución temporal de las búsquedas en
Google del término “paro” (2004-2011) y previsiones para 2012
Componentes de una serie temporal tendencia
Interés social sobre el dolor en España. Evolución temporal de las búsquedas en
Google del término “dolor” (2004-2011) y previsiones para 2012
Componentes de una serie temporal estacionalidad
Evolución temporal de las búsquedas en Google del término “aire acondicionado”
(2004-2011) y previsiones para 2012
Componentes de una serie temporal estacionalidad
Interés social sobre las infecciones virales respiratorias altas en España. Evolución temporal
de las búsquedas en Google del término “resfriado” (2004-2011) y previsiones para 2012
Métodos de análisis de series temporales
Métodos basados en la identificación y estimación de los
componentes de la serie temporal (“deterministas”)
Descomposición estacional
Modelos de regresión (Poisson)
Métodos basados en la realización muestral de procesos
estacionarios
ARIMA (Box y Jenkins)
Modelos ARIMA
Metodología propuesta por Box y Jenkins en 1976
Modelos lineales de tres tipos
Autorregresivos (AR)
Medias Móviles (MA)
Mixtos (ARMA)
Modelos ARIMA
Flexibilidad
Predicciones
Permite introducir variables externas (impacto de
intervenciones)
Permite relacionar varias series temporales (funciones de
transferencia)
Componentes de difícil interpretación
Complejidad de modelización (entrenamiento previo necesario)
Ventajas
Inconvenientes
Modelos ARIMA – Metodología de Box - Jenkins
Identificación
Estimación
Comprobación y diagnóstico
Predicción
Modelos ARIMA – Metodología de Box - Jenkins
Identificación
Comprobar estacionaridad (media y varianza constantes) de la
serie
Diferenciación (media)
Conversión logarítmica (varianza)
Identificar modelos candidatos por funciones de autocorrelación
Autocorrelación simple (FAS)
Autocorrelación parcial (FAP)
Modelos ARIMA – Metodología de Box - Jenkins
Estimación
AR Asociación con el valor anterior (mes previo)
AR, estacional Asociación con el valor en el año previo
Relación entre dos series temporales
• Modelización de ambas series
• Inspección de la relación dinámica (CCF)
• Estimación de la asociación (función de transferencia)
Modelos ARIMA – Metodología de Box - Jenkins
Escherichia Coli -Resistencias a Amoxicilina clavulánico
Antibiótico 0 1 2 3 4 5 6
Amoxicilina-clavulanico
Cloxacilina
0-1-2-3-4-5-6-7-8-9-10-11-12
Lag Number
1,0
0,5
0,0
-0,5
-1,0
CC
F
Lower ConfidenceLimit
Upper ConfidenceLimit
Coefficient
Resitencias (%) E. Coli a Amoxicilina-clavulánico with Error foraugmenti from ARIMA, MOD_5 CON
0-1-2-3-4-5-6-7-8-9-10-11-12
Lag Number
1,0
0,5
0,0
-0,5
-1,0
CC
F
Lower ConfidenceLimit
Upper ConfidenceLimit
Coefficient
Resitencias (%) E. Coli a Amoxicilina-clavulánico with Error forCLOXAC_A from ARIMA, MOD_57 CON
Antibiótico Retardo Coeficiente (SE) p
Amoxicilina-clavulanico 2 1,251 (0,565) 0,03
Cloxacilina 2 33,51 (21,86) 0,13
Antibióticos Microorganismo Ámbito
Ceftazidima Bacilos gram (-) Hospital (Sp)
Imipenem Pseudomona Aeruginosa Hospital (Sp)
Ceftriaxone Enterobacter cloacae Hospital (Fr)
Macrolidos Cefalosporinas (3ª) Fluoroquinolona
Staphylococcus aureus Meticilin resistente
Hospital (UK)
Betalactámicos Quinolonas Macrolidos Cotrimoxazol
E. coli Poblacional (Suiza)
Relaciones analizadas con la metodología ARIMA
Elementos necesarios para realizar un análisis de series temporales
Número de observaciones mínimo 60 periodos (5 años)
Niveles de resistencia:
nº de resistentes/100 aislamientos
Nº de gérmenes resistentes/1000 pacientes-día
Datos de consumo de antimicrobianos
mg/1000 pacientes-día
DDD/1000 pacientes-día
Software adecuado: SPSS, STATA, SAS,..etc
Personal entrenado
Clinical practice guidelines by the Infectious Diseases Society of America for the treatment of
methicillin-resistant Staphylococcus aureus infections in adults and children. 2011 Feb. NGC:008225
Haute Autorité de Santé. Ann Fr Anesth Reanim. Recommendations --antibiotic therapy strategy and
prevention of bacterial resistance at health facilities. 2008 Sep;27(9):772-88.
Harris AD, Bradham DD, Baumgarten M, Zuckerman IH, Fink JC, Perencevich EN.
The use and interpretation of quasi-experimental studies in infectious diseases. Clin Infect Dis.
2004;38(11):1586-91.
Saez M, Barceló MA. Introducción al análisis de las series temporales. Metodología y aplicaciones en
Salud Pública. Quaderns de Salut Pública i Administración de Serveis de Salut, 19. Valencia: Escola
Valenciana d’Estudis per a la Salut, 2002.
López-Lozano JM, Monnet DL, Yagüe A, Burgos A, Gonzalo N, Campillos P, Saez M. Modelling and
forecasting antimicrobial resistance and its dynamic relationship to antimicrobial use: a time series
analysis. Clin Infect Dis. 2004; 38(11):1586-91.
Monnet DL, López-Lozano JM, Campillos P, Burgos A, Yagüe A, Gonzalo N. Making sense of
antimicrobial use and resistance surveillance data: application of ARIMA and transfer function
models. Clin Microbiol Infect. 2001;7 Suppl 5:29-36.
BIBLIOGRAFIA