En breve
Un estudio de cohortes es un estudio observacional que sigue en el tiempo a personas clasificadas según una exposición (fumar, trabajar de noche, recibir un tratamiento) y compara cuántas desarrollan el desenlace en cada grupo. Como parte de la exposición y mira hacia delante, permite calcular la incidencia, el riesgo relativo y la diferencia de riesgos. Puede ser prospectivo (el seguimiento empieza ahora) o retrospectivo (se reconstruye con registros). Se analiza con el riesgo relativo, la regresión de Poisson o de Cox y las curvas de Kaplan-Meier, y se reporta con la guía STROBE.
Si tu pregunta de investigación es «¿las personas expuestas a X tienen más riesgo de desarrollar Y?» y no puedes (o no debes) asignar la exposición al azar, el diseño que mejor responde es el estudio de cohortes. Es el diseño observacional más sólido para hablar de riesgo, el que sostiene buena parte de lo que sabemos sobre tabaco, hipertensión o colesterol, y uno de los que más aparecen en tesis de medicina, enfermería y salud pública.
En esta guía verás qué es exactamente una cohorte, sus tipos, dos ejemplos clásicos y uno de tesis, cómo se diseña, qué medidas se calculan (con un ejemplo resuelto), qué análisis estadístico corresponde a cada desenlace, los sesgos que te van a señalar y cómo reportarlo.
Qué es un estudio de cohortes
En epidemiología, una cohorte es un grupo de personas que comparten una característica y a las que se sigue durante un tiempo. En un estudio de cohortes se reclutan personas que todavía no tienen el desenlace, se las clasifica según estén o no expuestas al factor que interesa y se observa quién desarrolla el desenlace en cada grupo (Grimes y Schulz, 2002b).
Dos rasgos lo definen. Es observacional: el investigador no decide quién se expone, solo lo registra; si lo decidiera al azar sería un ensayo clínico. Y va de la exposición al desenlace: la exposición se mide antes de que aparezca el desenlace, lo que permite establecer la secuencia temporal, uno de los requisitos para hablar de causalidad, y calcular directamente cuántas personas enferman en cada grupo.
Esa dirección es justo lo que lo separa de los otros dos diseños observacionales. Un estudio de casos y controles va al revés: parte de personas con y sin la enfermedad y mira hacia atrás su exposición. Un estudio transversal mide exposición y desenlace a la vez, en un solo momento.
Tipos de estudio de cohortes
- Prospectivo (concurrente). Reclutas a las personas hoy, mides su exposición y las sigues hacia el futuro. Controlas qué variables se miden y cómo, pero es caro y lento: el desenlace puede tardar años en aparecer.
- Retrospectivo (histórico). La exposición y el desenlace ya ocurrieron y están registrados (historias clínicas, registros laborales, bases poblacionales). El estudio se hace hoy, pero la cohorte se «sigue» en el pasado. Es rápido y barato, pero dependes de lo que se registró y de cómo (Euser et al., 2009).
- Ambispectivo. Combina las dos: arranca con datos históricos y continúa el seguimiento hacia delante.
- Cohorte fija o abierta. En la fija todos entran al mismo tiempo (por ejemplo, los nacidos en un hospital en 2020). En la abierta o dinámica, las personas entran y salen a lo largo del estudio, y por eso el análisis se hace en persona-tiempo.
Ojo con la etiqueta «retrospectivo»: no convierte un estudio en uno de casos y controles. Lo que define la cohorte es que se parte de la exposición, no el momento en que se recogen los datos.
Ejemplos de estudios de cohortes
El estudio de Framingham. Desde 1948 sigue a la población adulta de esta ciudad de Massachusetts para identificar los factores asociados a la enfermedad cardiovascular (Dawber et al., 1951). De ahí sale buena parte del concepto mismo de «factor de riesgo»: hipertensión, colesterol, tabaco.
Los médicos británicos de Doll y Hill. En 1951 enviaron un cuestionario sobre hábito tabáquico a los médicos del Reino Unido y siguieron su mortalidad. A los pocos años la mortalidad por cáncer de pulmón ya era claramente mayor en los fumadores, y crecía con la cantidad fumada (Doll y Hill, 1954).
Un ejemplo de tesis (ficticio). Quieres saber si el turno de noche fijo aumenta el riesgo de lesión musculoesquelética con baja laboral en enfermeras de hospital. Reclutas a 500 enfermeras sin lesión previa (200 en turno de noche fijo y 300 en turno de día), registras la edad, el índice de masa corporal y los años de servicio, y las sigues 12 meses. Es una cohorte prospectiva, con una exposición dicotómica y un desenlace binario.
Cómo se diseña un estudio de cohortes
- Define la exposición con precisión: qué es estar expuesto, cómo y cuándo se mide, y si puede cambiar durante el seguimiento (alguien que pasa del turno de día al de noche).
- Define el desenlace con criterios objetivos y, si puedes, evaluado por alguien que no sepa quién está expuesto.
- Recluta personas libres del desenlace al inicio. Si incluyes a quien ya lo tiene, no estás midiendo incidencia.
- Elige el grupo de comparación: no expuestos de la misma población (cohorte interna) o de otra población parecida (cohorte externa).
- Mide los posibles confusores al inicio: las variables relacionadas a la vez con la exposición y con el desenlace (edad, sexo, comorbilidad). Sin medirlos no podrás ajustarlos.
- Planifica el seguimiento y las pérdidas: duración, cuándo se mide el desenlace, cómo vas a localizar a quien se pierde.
- Calcula el tamaño de la muestra a partir de la incidencia esperada en los no expuestos y del riesgo relativo mínimo que quieres detectar, y añade un margen por pérdidas. La calculadora de tamaño muestral para estudios clínicos te ayuda con el cálculo, y la lógica completa está en cómo calcular el tamaño de muestra de tu tesis.
Qué se mide: incidencia, riesgo relativo y diferencia de riesgos
Como sigues a personas sanas, puedes contar cuántas enferman. Esa es la gran ventaja de la cohorte: mide la incidencia, algo que ni los casos y controles ni los transversales permiten.
- Incidencia acumulada (riesgo): casos nuevos / personas en riesgo al inicio, en un periodo concreto.
- Tasa de incidencia (densidad): casos nuevos / persona-tiempo de seguimiento. Es la que toca cuando cada persona se sigue un tiempo distinto.
- Riesgo relativo (RR): incidencia en expuestos / incidencia en no expuestos. Un RR de 3 significa que el riesgo es tres veces mayor en los expuestos.
- Diferencia de riesgos (riesgo atribuible): incidencia en expuestos − incidencia en no expuestos. Su inverso es el número necesario para dañar (NND) o para tratar (NNT).
Con los datos ficticios de las enfermeras, al cabo de 12 meses:
| Con lesión | Sin lesión | Total | Incidencia | |
|---|---|---|---|---|
| Turno de noche (expuestas) | 30 | 170 | 200 | 15 % |
| Turno de día (no expuestas) | 15 | 285 | 300 | 5 % |
El riesgo relativo es 0,15 / 0,05 = 3,00 (IC 95 % [1,66, 5,43]): las enfermeras de noche tuvieron el triple de riesgo de lesión. La diferencia de riesgos es de 10 puntos porcentuales (IC 95 % [4,5, 15,5]), así que por cada 10 enfermeras que trabajan de noche en lugar de día aparece una lesión más (NND = 10). La odds ratio de esa misma tabla sería 3,35: cuando el desenlace no es raro, la OR exagera el RR, y en una cohorte lo que hay que reportar es el RR (Zhang y Yu, 1998). Puedes calcular las tres medidas con sus intervalos en la calculadora de odds ratio y riesgo relativo, y la diferencia entre ellas está explicada en odds ratio frente a riesgo relativo.
Qué análisis estadístico usar
El RR crudo de la tabla es solo el principio: en un estudio observacional los grupos casi nunca son comparables, y hay que ajustar por los confusores. El modelo depende de cómo sea tu desenlace:
| Desenlace | Medida | Modelo para ajustar |
|---|---|---|
| Binario, mismo seguimiento para todos | Riesgo relativo | Regresión de Poisson con varianza robusta o regresión log-binomial (Zou, 2004) |
| Binario, seguimiento distinto por persona | Razón de tasas de incidencia | Regresión de Poisson con el logaritmo del persona-tiempo como offset |
| Tiempo hasta el evento, con censura | Hazard ratio | Kaplan-Meier y log-rank para describir; regresión de Cox para ajustar |
| Continuo medido varias veces | Diferencia de medias en el tiempo | Modelos lineales mixtos |
La regresión logística da odds ratios, no riesgos relativos; en una cohorte con un desenlace frecuente es mejor la Poisson robusta. Si el desenlace es el tiempo hasta que ocurre algo y hay personas que se pierden antes de terminar el seguimiento, el análisis de supervivencia es el adecuado: tienes la calculadora de Kaplan-Meier y la explicación de la curva y del modelo de Cox en el artículo de análisis de supervivencia.
Sesgos que te van a señalar
- Pérdidas durante el seguimiento. Si se pierden más expuestos que no expuestos, o se pierden justo los que enferman, el RR queda sesgado. Reporta cuántos se perdieron en cada grupo y compáralos con los que siguieron; si hay muchos datos incompletos, plantea imputación múltiple en lugar de borrar casos (imputación de datos faltantes).
- Confusión. Las enfermeras de noche pueden ser más jóvenes o tener menos antigüedad. Por eso se miden los confusores al inicio y se ajusta. Lo que no mediste no se puede ajustar.
- Sesgo de información. Si el desenlace se busca con más cuidado en los expuestos, la incidencia sale inflada en ellos. Evaluadores ciegos a la exposición y criterios objetivos lo reducen.
- Efecto del trabajador sano. En cohortes laborales, quien sigue trabajando suele estar más sano que la población general; compara con otros trabajadores, no con la población.
Ventajas y limitaciones
| Ventajas | Limitaciones |
|---|---|
| Establece la secuencia temporal: la exposición precede al desenlace | Caro y lento si es prospectivo; poco eficiente para enfermedades raras |
| Mide incidencia, riesgo relativo y diferencia de riesgos | Pérdidas de seguimiento que pueden sesgar los resultados |
| Permite estudiar varios desenlaces de una misma exposición | La confusión no medida sigue ahí: no sustituye a un ensayo aleatorizado |
| Adecuado para exposiciones raras (se puede reclutar a los expuestos) | La exposición puede cambiar durante el seguimiento |
Cómo reportar un estudio de cohortes
La guía de referencia es STROBE, una lista de 22 ítems para estudios observacionales con versión específica para cohortes (von Elm et al., 2007), y su documento de explicación con ejemplos de cada ítem (Vandenbroucke et al., 2007). Lo que más se olvida: el diagrama de flujo con cuántas personas se reclutaron, se perdieron y se analizaron en cada grupo; la definición exacta de exposición y desenlace; el tiempo de seguimiento (mediana y rango); los resultados crudos y ajustados, cada uno con su intervalo de confianza, y la lista de confusores con la justificación de por qué se eligieron.
Antes de enviar el manuscrito, puedes pegar el texto en el comprobador de checklist STROBE para ver qué ítems de la guía aparecen y cuáles faltan. Y si estás diseñando la cohorte de tu tesis doctoral o de un artículo, en la consultoría de bioestadística para tu estudio clínico trabajamos el diseño, el tamaño de la muestra y el análisis (riesgos relativos ajustados, Kaplan-Meier, Cox), con la sintaxis y las tablas listas para tu manuscrito.
Preguntas frecuentes
¿Qué diferencia hay entre un estudio de cohortes y uno de casos y controles?
La dirección. La cohorte parte de la exposición y sigue a las personas hasta ver quién desarrolla el desenlace; los casos y controles parten del desenlace (personas con y sin la enfermedad) y miran hacia atrás su exposición. Por eso la cohorte mide incidencia y riesgo relativo, y los casos y controles estiman odds ratios.
¿Un estudio de cohortes retrospectivo es un estudio de casos y controles?
No. Una cohorte retrospectiva sigue partiendo de la exposición, solo que reconstruye el seguimiento con registros del pasado. Lo que define el diseño es el punto de partida (exposición o desenlace), no cuándo se recogen los datos.
¿Qué se calcula en un estudio de cohortes?
La incidencia del desenlace en expuestos y no expuestos, el riesgo relativo (cociente de incidencias), la diferencia de riesgos y su inverso, el número necesario para dañar o tratar. Si el seguimiento varía entre personas, tasas por persona-tiempo y razones de tasas; si el desenlace es un tiempo hasta el evento, hazard ratios.
¿Un estudio de cohortes demuestra causalidad?
Aporta más evidencia causal que un estudio transversal o de casos y controles, porque la exposición precede al desenlace, pero no la demuestra por sí solo: la confusión no medida puede explicar la asociación. Se habla de asociación ajustada, y la causalidad se argumenta con el conjunto de la evidencia.
¿Qué guía de reporte se usa para un estudio de cohortes?
STROBE (Strengthening the Reporting of Observational Studies in Epidemiology), con 22 ítems y una versión específica para estudios de cohortes. Muchas revistas piden la lista de comprobación cumplimentada al enviar el manuscrito.
Referencias
- Dawber, T. R., Meadors, G. F., & Moore, F. E. (1951). Epidemiological approaches to heart disease: The Framingham Study. American Journal of Public Health and the Nations Health, 41(3), 279–286. https://doi.org/10.2105/AJPH.41.3.279
- Doll, R., & Hill, A. B. (1954). The mortality of doctors in relation to their smoking habits. BMJ, 1(4877), 1451–1455. https://doi.org/10.1136/bmj.1.4877.1451
- Euser, A. M., Zoccali, C., Jager, K. J., & Dekker, F. W. (2009). Cohort studies: Prospective versus retrospective. Nephron Clinical Practice, 113(3), c214–c217. https://doi.org/10.1159/000235241
- Grimes, D. A., & Schulz, K. F. (2002a). An overview of clinical research: The lay of the land. The Lancet, 359(9300), 57–61. https://doi.org/10.1016/S0140-6736(02)07283-5
- Grimes, D. A., & Schulz, K. F. (2002b). Cohort studies: Marching towards outcomes. The Lancet, 359(9303), 341–345. https://doi.org/10.1016/S0140-6736(02)07500-1
- Song, J. W., & Chung, K. C. (2010). Observational studies: Cohort and case-control studies. Plastic and Reconstructive Surgery, 126(6), 2234–2242. https://doi.org/10.1097/PRS.0b013e3181f44abc
- Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., & Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLoS Medicine, 4(10), e297. https://doi.org/10.1371/journal.pmed.0040297
- von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. The Lancet, 370(9596), 1453–1457. https://doi.org/10.1016/S0140-6736(07)61602-X
- Zhang, J., & Yu, K. F. (1998). What’s the relative risk? A method of correcting the odds ratio in cohort studies of common outcomes. JAMA, 280(19), 1690–1691. https://doi.org/10.1001/jama.280.19.1690
- Zou, G. (2004). A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology, 159(7), 702–706. https://doi.org/10.1093/aje/kwh090
¿Tu tesis o tu artículo es un estudio de cohortes?
Te ayudo a cerrar el diseño, calcular el tamaño de la muestra y ejecutar el análisis: riesgos relativos ajustados, regresión de Poisson o de Cox y curvas de supervivencia, con la sintaxis y las tablas en APA 7 o Vancouver.
Ver la consultoría de bioestadística →