Está en la página 1de 5

Facultat de Psicologia

Màsters oficials de recerca


Módulos de metodología - 2020/21

Ejercicio de Síntesis
Descripción del estudio
La tendencia actual en la atención al paciente hospitalario psicológico es hacia un aumento de la calidad en los
servicios sanitarios, que repercuta directamente sobre la satisfacción del paciente e, indirectamente, sobre la
severidad de la enfermedad y la percepción de ella.
Para una humanización de la sanidad, un aumento de la calidad en los centros sanitarios y mejora de la continuidad
asistencial se ha creado en Andalucía la figura del “psicólogo de referencia”, que atiende cualquier necesidad del
paciente o de sus familiares.
El objetivo de este trabajo fue evaluar los resultados de la aplicación de un programa de atención sanitaria a través
de la tutorización del paciente mediante un psicólogo de referencia que acogía al paciente al ingreso hospitalario, le
visitaba regularmente durante su estancia y le resolvía dudas y problemas. Se tiene la hipótesis de que un programa
de tutorización con el psicólogo de referencia disminuirá los niveles de ansiedad generados por la estancia
hospitalaria.
Se llevó a cabo un diseño quasi-experimental postest con grupo control que incluyó 54 casos tutorizados y 49
controles no tutorizados en el Hospital Universitario de Granada en el período 2014-2015, con edades
comprendidas entre los 14 y los 95 años.
Para operativizar la medida de ansiedad se calculó el promedio del número de llamadas por día efectuadas al
servicio de enfermería (número total de llamadas dividido por los días de estancia). También se evaluó el sexo del
paciente, la presencia de cuidador informal y la gravedad del diagnóstico principal por su posible influencia en la
ansiedad.
El archivo ComInf_Regres.xlsx contiene los datos simulados del estudio diseñado para estudiar el impacto del
programa de atención sanitaria con psicólogo de referencia sobre la ansiedad de los pacientes.
Las variables recogidas son:
Codigo: Código de identificación del paciente
Tutor: Tutorización hospitalaria mediante psicólogo de referencia (0=No, 1=Sí)
CuiInf: Cuidador informal (0=No, 1=Sí)
GraDia: Gravedad diagnóstico (1: Leve, 2: Moderado, 3: Grave, 4: Muy grave).
Sexo: Sexo del paciente (0=Masculino, 1=Femenino)
NumLlaDia: Número de llamadas a enfermería realizadas por día de estancia.

Ejercicio de síntesis 1 de 5
Preguntas
1. Seleccionar el mejor modelo predictivo del número de llamadas realizadas a enfermería partiendo de
los 4 predictores siguientes: tutor, cuidador informal, gravedad diagnóstico (tomar como referencia la
categoría “Leve”) y sexo. Emplear el método de exclusión secuencial por pasos (Backward
Stepwise) con los criterios habituales.

Puesto que el procedimiento Stepwise de Stata no admite factor de variables, no es posible usar el
prefijo i. para descomponer la variable categorica “Gravedad”. Se debe descomponer previamente en
4 variables binaria y emplear las 3 ultimas, asi la categoría Leve es la referencia. Es importante que
las 3 ficticias que representan la gravedad se introduzcan entre paréntesis para que se evalúen
conjuntamente (o se eliminen las 3 o se mantienen las 3)
tabulate GraDia, gen(GraDia)
stepwise, pr(0.10) pe(0.05) : regress NumLlaDia Tutor CuiInf (GraDia2 GraDia3 GraDia4) Sexo
Coeficientes B y valores p de los predictores seleccionados:
Coeficiente B y valores p de los rp3editores seleccionados:
Tutor: B= -2,652; p<.001
Sexo: B=0.918; p=.081
GraDia2:B=1.184; p=.085; GraDia3: B=5.517; p=<.001; GraDia4: B=7,834; P=<.001

Valoración de la capacidad predictiva del modelo seleccionado:

El coeficiente de determinación ajustado vale o,656, indicando una excelente capacidad predictiva,
que resulta estadísticamente significativa (F=39,97, p<.001)

2. Con el modelo seleccionado en la pregunta anterior, realizar la predicción del número de


llamadas diario para un paciente femenino que no tiene tutorización mediante psicólogo de
referencia y que tiene una gravedad de 4 de su diagnóstico.

Se añade un sujeto al final de la matriz de datos con el valor en los predictores indicado en al
pregunta. La gravedad 4 indica que las 3 variables ficticias deben tener como valor GraDia2=0,
GraDia3=0, GraDia4=1. Esto se puede hacer directamente de forma manual en la matriz de
datos, o mediante la siguiente sintaxis.
set obs 104
replace Tutor= 0 in 104
replace GraDia2= 0 in 104
replace GraDia3= 0 in 104
replace GraDia4= 1 in 104
replace Sexo=1 in 104

predict NumLlaDiaPred, xb
predict SeNmLlaDiaPred, stdp
predict SdNumLlaDiaPred, stdf
generate LowCI = NumLlaDiaPred – invttail(e(df_r) ,0.025) *SeNumLlaDiaPred
generate UppCI = NumLlaDiaPred + invttail(e(df_r) ,0.025) *SeNumLlaDiaPred
generate LowPI = NumLlaDiaPred – invttail(e(df_r) ,0.025) *SdNumLlaDiaPred
generate UppPI = NumLlaDiaPred + invttail(e(df_r) ,0.025) *SdNumLlaDiaPred
 Listado de los casos ficticios con sus predicciones
 List NumLlaDiaPred LowCI UppCI LowPI UppPI in 1047104, clean noobs

Ejercicio de síntesis 2 de 5
A continuación se ejecuta la sintaxis que genera la predicción y se listan los valores de la
predicción para el nuevo sujeto (será el 104 porque la matriz original contiene 103 casos) se
añade un sujeto al final de la matriz de datos con el valor en los predictores indicado en la
pregunta. La gravedad 4 indica que las 3 variables ficticias deben tener como valor GraDia2=0,
GraDia3=0,
Predict NumLlaDiaPred. Xb
MumLla_d= 11.99497
LowCI =10.7854
UppCI =13.20455
LowPI =6.825905
UppPI=17.16404

Valor de la predicción puntual = 11.99


IC 95% de la media predicha: 10.79 a 13.20
Interpretación del IC 95%:
Con una confianza del 95%, la media predicha del número de llamadas para un sujeto como el del
enunciado de la pregunta, se halla entre 10.79 a 13.20 llamadas.

IP 95% de los valores individuales: 6.83 a 17.16


Interpretación de IP 95%:
Con una probabilidad de 95%, el número de llamadas predicho para un sujeto como el del enunciado
de la pregunta, se halla entre 6.83 a 17.16 llamadas.

3. Para contestar al objetivo principal del estudio se debe determinar la influencia de la tutorización con
psicólogo de referencia sobre el número de llamadas diarias. Primero se debe valorar si las 2 variables
siguientes: sexo y cuidador informal, interactúan con la tutorización.

Grado de significación conjunto de las 2 interacciones: p=


Redactar una breve conclusión razonada sobre si se deben o no incluir interacciones en el modelo
final:

4. Se elige el modelo que sólo incluye Tutorización, sin ninguna interacción ni covariable
adicional, y se desea saber si el efecto de la tutorización sobre el número de llamadas debe
ajustarse por la gravedad.

Influencia de la tutorización no ajustada por la gravedad

Ejercicio de síntesis 3 de 5
B=
Influencia de la tutorización ajustada por la gravedad
B=
Efecto del ajuste por gravedad en la influencia de la tutorización:
% cambio en B=
A partir de los resultados de esta pregunta redactar una conclusión sobre el efecto de la
tutorización en el número de llamadas (tener en cuenta si es necesario o no ajustar por
gravedad):

5. Recodificar el número de llamadas a bajas y altas en una nueva variable con nombre NumLlaDiaB.
Se considera que un paciente realiza un número alto de llamadas cuando supera las 6 diarias.
Estimar el modelo de regresión logística que predice el número de llamadas bajas/altas incluyendo
todas las variables registradas como predictores (Sexo, Tutorización, Cuidador informal, Gravedad
diagnóstico).
Para el modelo seleccionado contestar las siguientes cuestiones:
Valorar el ajuste del modelo mediante la prueba de Hosmer-Lemeshow:

Sensibilidad y especificidad del modelo para el punto de corte 0.5: Sen= Esp=
Curva ROC: AUC= (IC 95%: a )
Valorar el poder predictivo del modelo a partir de los valores anteriores:

Interpretar la OR de la tutorización:

DE LO QUE LLEVO

import excel "C:\Users\Maria de los Angeles\Desktop\ComInf_Regres.xlsx", sheet("Hoja1")


firstrow
tabulate GraDia, gen(GraDia)
stepwise, pr(0.10) pe(0.05) : regress NumLlaDia Tutor CuiInf (GraDia2 GraDia3 GraDia4) Sexo
set obs 104
replace Tutor= 0 in 104
replace GraDia2= 0 in 104
replace GraDia3= 0 in 104
replace GraDia4= 1 in 104
replace Sexo=1 in 104
predict NumLlaDiaPred, xb
predict SeNumLlaDiaPred, stdp
generate UppCI = NumLlaDiaPred + invttail(e(df_r), 0.025)*SeNumLlaDiaPred

Ejercicio de síntesis 4 de 5
generate UppPI = NumLlaDiaPred + invttail(e(df_r), 0.025)*SeNumLlaDiaPred

Ejercicio de síntesis 5 de 5

También podría gustarte