Katja Biering Leth-Møller, Tea Skaaby, Flemming Madsen, Janne Petersen
Pharmacoepidemiol Drug Saf. 2020 Sep 23. doi: 10.1002/pds.5120. Publicación electrónica antes de la impresión.
La prevalencia de rinitis alérgica ha ido en aumento, de modo que se ven afectadas una de cada cinco personas. El objetivo de este estudio fue evaluar la validez de 13 algoritmos de prescripciones y datos hospitalarios de Dinamarca para identificar personas con rinitis alérgica.
En este estudio se incluyeron 10 653 adultos daneses en dos períodos. Los investigadores recurrieron a la positividad de IgE específica en suero y a los síntomas nasales notificados por el paciente como criterio de referencia de rinitis alérgica. El criterio de referencia secundario para la rinitis alérgica fue el diagnóstico médico notificado por los pacientes. Calcularon la sensibilidad, la especificidad, el valor predictivo positivo (VPP), el valor predictivo negativo y los correspondientes intervalos de confianza del 95 % para cada algoritmo de registros en los dos períodos.
La sensibilidad de los algoritmos fue baja, con independencia de la definición de rinitis alérgica o del período. Los valores predictivos positivos más altos se alcanzaron con los algoritmos que requerían antihistamínicos y corticosteroides intranasales, con un valor de 0,69 (0,62-0,75) y una sensibilidad correspondiente de 0,10 (0,09-0,12) para el criterio de referencia de la rinitis alérgica.
En conclusión, debido al bajo consumo de medicamentos de venta con receta entre quienes padecen rinitis alérgica, la sensibilidad de los algoritmos fue baja (≤0,40), con independencia de la definición de rinitis alérgica. Los algoritmos basados en antihistamínicos y corticosteroides intranasales ofrecieron los VPP más altos. No obstante, cuando se aplicó un criterio de referencia riguroso (IgE específica y síntomas nasales), los VPP siguieron siendo moderados, debido a la baja sensibilidad. Los estudios que emplean datos administrativos deben prever cómo identificar la rinitis alérgica de modo fiable, por ejemplo, mediante el uso de varias fuentes de datos, y cómo repercutirá en los resultados una posible clasificación incorrecta.
