Documentos de Académico
Documentos de Profesional
Documentos de Cultura
-----------------------------------------
La eficacia de una prueba diagnóstica va a depender de la capacidad que tiene para
detectar la presencia o la ausencia de la enfermedad. Y eso se estudia mediante 4
índices:
• Sensibilidad
• Especificidad
• Valor predictivo positivo
• Valor predictivo negativo
Sensibilidad y especificidad
Valores predictivos
Valor predictivo positivo: posibilidad decir estar enfermo cuando la prueba salga
positiva
• Fórmula: VP/VP + FP
Valor predictivo negativo: probabilidad de estar sano cuando la prueba salga
negativa
• Fórmula: VN/VN + FN
Parece innecesario, pero por ejemplo, si tiene una prueba 98% específica para
Kawasaki, y el otro 2% puede salir positiva para diabetes, en México no puedes
confiar que aunque salga positiva, sea porque en realidad tenga Kawasaki. Su valor
predictivo positivo para Kawasaki es muy bajo, por que aunque tenga buena
especificidad, su poca prevalencia hace que salgan muchos falsos positivos, solo
por ese 2%.
------------------------------------------------------------------------------------
Tipo de estudios
Para clasificar un estudios, utilizamos 4 vertientes
Tipos de estudios
• Prevalencia o transversales
• Incidencia
• Estudios ecológicos
• Serie de casos clínicos
• Casos y controles
• Cohorte
• Ensayo antes y después
• Ensayos clínicos
• Controlados no aleatorizados
Secuencia temporal
• Transversal (prevalencia): analiza la relación entre una enfermedad y algunas
variables en un momento concreto del tiempo. Buscan hallar una posible
relación entra un factor de riesgo y una enfermedad, que luego se deberá
verificar con un estudio analítico. La enfermedad y la exposición se estudian al
mismo tiempo, por lo que son descriptivos por definición.
o Enfermedad y características se miden al mismo tiempo: por ejemplo ves
la prevalencia de diabetes en personas delgadas y en personas obesas. Al
final tendrás como resultado que hay más obesos con diabetes, pero no
puedes afirmar que sea por obesidad porque no los seguiste en por un
periodo de tiempo, los mediste al mismo tiempo. No conoces la
secuencia temporal, si era diabético y se volvió obeso y era obeso y se
volvió diabético.
o Se puede usar una medida de asociación al describir los datos llamado
razón de momios de las prevalencias, y se define como: cociente entre la
prevalencia del efecto en los expuestos a la causa y la prevalencia del
efecto entre los no expuestos.
• Longitudinal: estudia a un grupo de persona en un periodo determinado, hace
medidas repetidas. De este modo se establece una secuencia temporal.
o Por ejemplo: sigues en el tiempo a personas obesas y ves cuantas de
ellas desarrollan diabetes
o Pueden ser descriptivos o analíticos: descriptivos porque por ejemplo,
puedes seguir a niños <2 años en un periodo de tiempo y ves e cuantos
ellos se enferman en 1 año de bronquiolitis, entonces solo describes la
incidencia. Analíticos porque por ejemplo, puedes seguir a obesos en un
periodo de tiempo y ves cuantos de ellos desarrollan diabetes,
comparándolo con delgados.
Medidas de asociación
Evalúan la fuerza con la que una enfermedad se asocia a un factor de riesgo.
Observando a un grupo expuesto contra un grupo no expuesto.
---------------------------------------------------------------------------------------------------
Leyes de distribución y distribución estadística
Medidas de tendencia central: para variables cuantitativas.
• Media: es el promedio. Es la suma de todos los datos dividido entre el número
total de datos (suma de los valores/total del número de valores)
o Ejemplo: 12+14+21+6+15/5=13.6
o Es el que más se afecta por medidas extremas
• Mediana: es el valor central entre todos los valores
o Si hay un número par: la mediana será el promedio de los dos valores
centrales
• Moda: el valor que más se repite.
o El menos afectado por valores extremos
Distribución
• Distribución normal o de Gauss: en forma de campana
o Es unimodal
o El área bajo la curva tiene un valor igual a 1
o Es simétrica alrededor de la media: por lo tanto media, mediana y moda,
coinciden
Tipos de variables:
• Cualitativas: expresan una cualidad, como sexo, estado civil, grupo sanguíneo
o Nominal: no hay criterio de orden, como los colores.
o Ordinal: ejemplo, leve, moderado, fuerte
o Análisis: con medidas de asociación, razón (riesgo relativo, razón de
momios). Chi cuadrada. Por ejemplo: medir la proporción de cancer de
pulmón en expuestos con el cáncer de pulmón en no expuestos. Son dos
grupos (nominal)
• Cuantitativas: se expresan numéricamente y se pueden medir, como numero
de camas, peso, talla, edad, glucosa, colesterol.
o Intervalo
o Razón
o Análisis: se hace con medidas de tendencia central (media, moda,
mediana) y con medidas de dispersión (intervalo de confianza,
desviaciones estándar). T de student. Ejemplo: comparas el efecto de dos
medicamentos para bajar la presión arterial. No puedes dividir el valor de
la presión arterial, y entonces haces comparaciones sobre sus medidas (t
student)
Hipótesis y errores
Cuando tu haces un estudio, la probabilidad de que tu estudio se vea afectado por
el azar va a depender de lo estricto que seas con tus medidas y este puede afectar
el resultado del estudio. Si por ejemplo mido un tratamiento nuevo con uno viejo y
encuentro que el tratamiento nuevo tiene 80% de efectividad y el viejo solo 50%,
es probable que ese resultado se vea afectado por el azar y no sea fiable. De igual
manera si veo la asociación de tabaquismo con cáncer de pulmón y me salió que
los que fuman tienen 200% más probabilidad de desarrollar cáncer de pulmón,
tengo que asegurarme que mi resultado no fue por azar. Para abordar esto, uso
dos hipótesis que se excluyen mutuamente.
• Hipótesis nula (Ho): hipótesis de no diferencias o relación, que no hay
asociación entre las variables, representa lo tradicionalmente aceptado hasta
el momento, o que ésta es explicada por el azar. Por ejemplo, no hay relación
entre la enfermedad y el factor de riesgo, o no hay diferencias entre dos
medicamentos estudiados. Te dice que las cosas se quedan como están.
• Hipótesis alternativa(Hl): hipótesis de que si hay diferencias o relación. Hay
relación entre la enfermedad y el factor de riesgo o hay diferencias entre
medicamentos estudiados. Te dicen que hay un cambio.
Cuando haces una prueba diagnóstica, la hipótesis nula te dice que le paciente está
sano y la hipótesis alternativa te dice que está enfermo. El médico puede elegir la
hipótesis nula o la hipótesis alternativa dependiendo de su criterio, pero si elige la
hipótesis nula cuando si estaba enfermo, provoca un error tipo II. Y si elige la
hipótesis alternativa cuando estaba sano es una error tipo I.
Error tipo I (alfa) o falso positivo: rechazar la hipótesis nula cuando es cierta
• Es decir, indica que hay una relación o diferencia donde no lo hay. Es como un
falso positivo. Se le llama ¨alfa¨ a la probabilidad de cometer el error tipo I. El
valor de P coincide con la probabilidad de cometer el error tipo I
Error tipo II (beta) o falso negativo: no rechazar la hipótesis nula cuando es falsa.
• Cuando no se aceptan que hay diferencias o relación cuando si las hay. Se da
como no significativo cuando si lo es. Se le llama ¨beta¨ a la probabilidad de
cometer el error tipo II. Beta se relaciona con la potencia o el ¨poder
estadístico de un test¨ (1-B), que es la capacidad que tiene un test de detectar
una diferencia cuando esta existe en realidad, es decir, es la probabilidad que
se tiene de demostrar la hipótesis alternativa, o la probabilidad de rechazar la
hipótesis nula cuando es falsa.
• El mayor poder de la prueba y menor probabilidad de beta se logra con:
o Tamaño de muestra mayor
o Mayor efecto alterno esperado
o Mayor precisión en las mediciones
• Ejemplo: (1-0.056)=0.944. quiere decir que hay un 94% de que la hipótesis
nula sea rechazada cuando esta sea falsa.
-----------------------------------------------------------------------------------------
Intervalo de confianza
Rango de números donde se espera que estará una valor que aun no se conoce,
con determinada probabilidad. En el se encuentra el valor real de una determinada
variable. Te dice entonces que, dentro del rango se encuentra el valor real de un
parámetro con 95% de certeza.
Un intervalo de confianza de 95% corresponde a una P <0.05
• Para un IC 95%=1.96 desviaciones estándar
• Para un IC 99%=2.58 desviaciones estándar
Si tienes un resultado de RR de 3 con un IC de 95% entre 2-4, te dice que con 95%
de seguridad el valor se encuentra entre 2 y 4.
• Esto aplica en cualquier situación, otro ejemplo no médico es: si quieres saber
cuantas personas votarían por un candidato, haces un sondeo con 1000
personas, y tu crees que 600 personas votarían por el candidato con un
intervalo de confianza de 95% que la verdadera proporción de la población
está entre 590 y 615
----------------------------------------------------------------------------------------------
Casos y controles
Or: 0.514/0.051=10.08
31,376/3,096=10