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

Análisis de datos

temporales en

agregados anuales

¿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

Componentes de una serie temporal ciclos

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)

J01c (betalactámicos)

ARIMA (1,0,0)(1,0,0)

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

Modelos ARIMA – Metodología de Box - Jenkins

Comprobación y diagnóstico

Modelos ARIMA – Metodología de Box - Jenkins

Predicción

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