ESTADISTICA

PASEMOS JUNTOS EL EGEL MEDICINA

 ENRIQUE MARTÍNEZ VILLAFAÑA.

Prevalencia: número de personas que presentan la enfermedad en una población

en un momento determinado
• Número de persona que presentan la enfermedad (en un punto en el tiempo)
/ total de la población

Si la enfermedad es crónica, la prevalencia irá aumentando. Lo que tiene mucho

efecto en esto son los tratamientos, como el de la insulina para diabetes

Incidencia: número de casos nuevos en un periodo de tiempo

• Número de casos nuevos (en un periodo de tiempo) / Población en riesgo

Te habla de la probabilidad de ser afectada por dicha enfermedad

Se tiene que seguir en el tiempo y contar aquellos que se están enfermando (casos
nuevos)
• Se debe de contar con una base para considerar a un sujeto sano o enfermo
Como son casos nuevos, solo se debe de incluir a la población en riesgo

Proporción: parte de las observaciones dividido entre el total de las observaciones

• Ejemplo: en una población de 3,000, hay 1,000 fumadores y por lo tanto 2,000
no fumadores. Se hace división de los fumadores entre el total:
1,000/3,000=0.3333
o La proporción de fumadores en esa población es de 0.33, es decir 33% de
la población es fumadora

Mortalidad: expresa la magnitud con la que se presenta la muerte en una

población en un momento determinado
• Fórmula: número total de muertos en un año / población total x 1000

Letalidad: proporción de casos de una enfermedad que resultan en muerte con

respecto al total de casos
• Fórmula: total de muertes por causa específica (por una enfermedad) /
número total de casos diagnosticados con esa enfermedad
Natalidad:
• Fórmula: nacidos vivos en 1 año / población total x 1000

-----------------------------------------
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

Validez interna del test: sensibilidad y especificidad

Validez externa del test: valor predictivo positivo y negativo
• Esta es la que se obtiene cuando la aplicas a una población determinada: a lo
mejor en México es muy común la enfermedad, pero en Brasil es muy rara (te
hace sospechar si en realidad tiene la enfermedad en Brasil aunque salga
positiva)

Sensibilidad y especificidad

Sensibilidad: capacidad de la prueba de detectar la enfermedad en sujetos

enfermos (probabilidad de que un individuo enfermo tenga un test positivo)
• Fórmula: Individuos enfermos con test + / total enfermos
• Fórmula: VP / VP + FN
o VP: verdaderos positivos
o FN: falsos negativos
 [si la sensibilidad es del 50% tiene un 50% de que salgan verdaderos
positivos y 50% de que salgan falsos negativos]

Especificidad: capacidad de la prueba para dar como negativo los sujetos

realmente sanos (probabilidad de que un individuo sano tenga un test negativo)
• Si tiene una especificidad de 100%: va a salir negativa en cualquier otra
patología (o sanos) que no sea la que buscas (en donde sale positiva)
• Fórmula: individuos sanos con test - / total sanos
o VN / VN + FP
• Si una prueba es 100% específica quiere decir que el 100% de las veces que un
individuo sano (o con otra enfermedad) se haga la prueba, va a salir negativa.

La sensibilidad al poder dar muchos falsos positivos su rentabilidad es por un

resultado negativo, es decir, sirve para descartar la enfermedad.
La especificidad para confirmar la enfermedad.
Estos dos clasifican a lo sujetos en función de la enfermedad, los valores
predictivos lo clasifican en función del test
La sensibilidad y especificidad no dependen de la prevalencia. Los valores
predictivos si

A mayor sensibilidad menor especificidad y viceversa: si tu pones de límite 100

mg/dl para dx de diabetes, habrá mucha sensibilidad pero poca especificidad, y si
pones 140 mg/dl, habrá menos personas positivas (poca sensibilidad), pero con
gran especificidad (realmente estén enfermos esos pocos)

• Una prueba muy sensible, se usa entonces para descartar la enfermedad.

Cuando usar un test sensible

• La enfermedad es curable
• El falso positivo no ocasiona un trauma psicológico para la persona

Cuando usar un test específico

• La enfermedad es incurable
• Los falsos positivos pueden ocasionar un trauma psicológico a la persona
• El tratamiento de un falso positivo puede ocasionar consecuencias graves

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

Cuando la prevalencia de la enfermedad es muy alta el VP + aumenta y el VP -

disminuía

Clasifican a los sujetos en función del resultado del test

A mayor incremento en la prevalencia de la enfermedad mayor el incremento en el

valor predictivo positivo.
• Si una enfermedad tiene alta prevalencia, mayor probabilidad de que el test
se haga en persona enfermas, con menor probabilidad de que salgan falsos
positivos, y por tal aumenta el VPP
• Si una enfermedad tiene baja prevalencia, mayor será la probabilidad de que
el test se realice en personas sanas, por lo que habrá mayor probabilidad de
que salgan falsos positivos, aun con buenas cifras de especificidad del test, y el
VPP disminuye y aumenta el VPN

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.

Finalidad del estudio

• Analítico: evalúa una relación causa-efecto
• Descriptivo: describir, sin buscar una relación causa-efecto
o Objetivo: describir una enfermedad o característica en una población
determinada
o Utilidad: cuando se conoce poco lo que queremos estudiar y como base
para futuros estudios analíticos

Inicio del estudio en relación a la cronológica de los hechos

• Prospectivo: se mide en ese momento y luego se vuelve a medir en el futuro
para su análisis
• Retrospectivo: se analiza en el presente con datos del pasado

Control de la asignación de los factores de estudio

• Experimental: el investigador asigna el factor de estudio y lo controla a su
manera para los fines de su investigación
o Con grupo control (ensayo controlado): ensayo clínica aleatorizado
(asignación aleatoria), ensayo clínico controlado no aleatorizado (sin
asignación aleatoria)
§ Ensayo clínico a simple ciego: el sujeto ignora el tratamiento
§ Ensayo clínico doble ciego: sujeto y observador ignoran el
tratamiento
§ Ensayo clínico triple ciego: el sujeto, observador e investigador que
analiza los datos ignoran el tratamiento
§ Ensayo clínico en paralelo: a un grupo le da el tratamiento y a otro
grupo otro tratamiento (placebo) y se sigue en el tiempo. Son útiles
porque puedes ver su efecto hasta la muerte y entonces ves
mortalidad.
§ Ensayo clínico cruzado: solo hay un grupo y ese recibe tratamiento y
tiempo después se puede pasar a placebo. Tiene la ventaja de
requerir menos sujetos. No son útiles por lo tanto para medir
 mortalidad, pero si efectos a corto plazo como presión arterial,
tiempo de recuperación de un infarto cardiaco, duración de
hospitalización, etc. Una desventaja es el efecto arrastre, que un
tratamiento pueda interferir en el otro por su largo efecto.
§ Ensayo clínico unicéntrico: realizado por un solo investigador en un
centro hospitalario
§ Ensayo clínico multicéntrico: en dos o más centros con un mismo
protocolo y un coordinador que se encarga de procesar todos los
datos
o Sin grupo control (ensayo no controlado) ensayo no controlado, estudio
antes y después
[el mejor estudio es uno controlado, aleatorizado, doble ciego]
• Observacional: deja que la naturaleza siga su curso, el investigador no
interviene, se limita a observar, medir y analizar
o Casos y controles: asigna el grupo en función de la presencia de la
enfermedad. Se tiene un grupo casos (enfermo) y un grupo control (sin la
enfermedad) y se busca cuantos de ambos grupos tuvieron exposición a
un factor de riesgo. Es retrospectivo.
o Cohorte: asigna el grupo en función de la presencia de la exposición al
factor de riesgo.
§ Prospectivo: sigues un grupo con la exposición y a un grupo sin la
exposición y ves cuantos de ellos se enferman
§ Retrospectivo: asignamos a grupos expuestos y no expuestos y
vemos en sus historias clínicas cuales de ellos tienen diagnóstico de
enfermedad. Por ejemplo ves a niños expuestos a radiación en una
población y ves cuantos de ellos tienen diagnóstico de leucemia.
§ En casos y controles tendrías a tu grupo con leucemia y ves
cuantos de ellos tuvieron exposición a radiación.
§ Otro ejemplo: ves a personas que fuman y ves en su historia
clínica si fueron diagnosticados con cáncer de pulmón con el
tiempo (cohorte retrospectivo). En casos y controles ves a
personas con cáncer de pulmón y ves en su historia clínica
cuantos de ellos fumaban. En el primero ves el porcentaje de
desarrollar cáncer de pulmón si fumas, en el segundo ves que
porcentaje de cáncer de pulmón se debe al tabaquismo.
----------------------------------------------------------------------------------

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.

Razón: comparación a través de una división entre dos grupos de diferente

naturaleza
• Ejemplo: hay 50 pacientes con cancer de pulmón que fuman y 5 con cancer de
pulmón que no fuman.
• 50/5: 10
• Por cada paciente con cancer de pulmón que no fuma hay 10 que si fuman

Riesgo relativo: medida de asociación en los estudios cohorte. Mide la ¨fuerza de

asociación¨ entre el factor de riesgo y la enfermedad. Es la razón entre el riesgo de
enfermar del grupo de expuestos con el riesgo de enfermar del grupo no expuestos
• Significado:
 o >1 factor de riesgo
o 1 indiferente
o <1 factor protector
• Fórmula: incidencia en expuestos/incidencia en no expuestos
• Te dice por ejemplo si hay un RR de 10, significa que es 10 veces superior (no
que es 10%): en caso de fumadores y no fumadores, te dice que por cada caso
de cancer de pulmón en no fumadores hay 10 casos de cancer de pulmón en
fumadores

Odds ratio (razón de momios): medida de asociación en los estudios de casos y

controles. Es una razón. El resultado es idéntico al RR, pero se calcula diferente ya
que en los casos y controles no se puede valorar la incidencia de la enfermedad.

El riesgo relativo te dice: los fumadores tienen mayor probabilidad de desarrollar

cáncer de pulmón que los no fumadores.
El Odds ratio te dice: las personas con cáncer de pulmón tienen más antecedentes
de tabaquismo que aquello sin cáncer de pulmón.
Razón de momios de las prevalencias
-----------------------------------------------------------------------------------------------

Medidas de impacto o del efecto

Riesgo atribuible o diferencia de incidencias: indica la proporción de los nuevos

casos que son atribuibles al factor de riesgo. Es la diferencia de riesgo entre los
expuestos y no expuestos.
• Fórmula: incidencia en expuesto - incidencia en no expuestos
• Ejemplo: si el riesgo para cáncer de pulmón en fumadores es del 22% y el
riesgo en no fumadores es del 2%, entonces el 20% es atribuible al
tabaquismo.
o En RR es 22/2=11
o En RR es 11 veces más probable de tener cáncer de pulmón si fumas que
si no fumas. En el riesgo atribuible no tiene un 22% de tener cáncer de
pulmón, tienes un 20% porque el 2% ya lo tienes de base fumes o no
fumes.

Fracción atribuible en expuestos o fracción etiológica del riesgo: indica el

porcentaje de la enfermedad que se debe a la exposición, es decir, ya viste con el
riesgo atribuible que casos se deben al factor de riesgo; este es lo mismo, pero lo
convierte en porcentaje.
• Fórmula: incidencia en expuestos - incidencia en no expuestos/ incidencia en
expuestos
• Ejemplo: 22 - 2/22=0.9 (90%)
o Quiere decir que el 90% de los casos de cáncer de pulmón se debe al
tabaquismo
• Es importante para salud pública y hacer reportes, porque así mide el impacto
de ciertas medidas, determinar costos, si vale la pena invertir, etc.

---------------------------------------------------------------------------------------------------
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)

Desviación estándar: medida de dispersión para variables de razón (cuantitativa) y

de intervalo. Mide la desviación promedio de los valores individuales con respecto
a la media

• Distribución bimodal: sugiere dos tipos de poblaciones (como en la edad de

inicio de linfoma Hodgkin que es más común en niños y ancianos)
 o Distribución de Poisson: parte del binomial, se hacen muchas pruebas
donde la muestra es grande y la probabilidad de éxito es baja

• Distribución asimétrica positiva: larga cola en la derecha. La media > mediana

> moda
• Distribución asimétrica negativa: larga cola en izquierda. La media < mediana
< moda

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.

De esto hay dos alternativas:

• Rechazas la hipótesis nula --> aceptar la hipótesis alternativa
• No rechazar la hipótesis nula --> no poder aceptar la hipótesis alternativa

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

En medicina se acepta que la probabilidad de que tu resultado sea aceptado por el

azar sea menor de 5%. Esta probabilidad se le da el valor de P o de ¨significancia
estadística¨. Cuanto menor sea P, es decir, menor probabilidad de que el azar
afecte, más fuertemente aceptas la hipótesis alternativa y rechazas la hipótesis
nula, en caso de que tu resultado muestre una relación o diferencia. Que sea <5%
te indica que el resultado es estadísticamente significativo, pero nada tiene que ver
con que sea ¨clínicamente relevante¨. El 5% te dice que en el 5% de los casos el
resultado pudo haberse obtenido por azar, sin que haya una relación
necesariamente.
• P<0.05%: resultado estadísticamente significado. Acepto la hipótesis
alternativo y rechazo la nula
• P>0.05%: se puede deber al azar. No acepto la hipótesis alternativo y no
rechazo la hipótesis nula.

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

Si un IC de 95% para odds ratio o riesgo relativo incluye 1, entonces la hipótesis

nula no se rechaza. Es decir no existe una diferencia. Por ejemplo:
• Un IC entre 0.7-2.2 - hay números que te dicen que es factor protector y otros
que es factor de riesgo, por lo tanto se contradice y el resultado no es válido
para decir que hay diferencia o relación.

----------------------------------------------------------------------------------------------

Natalidad: número de nacidos vivos por cada 1000 habitantes

• Número de nacidos vivos en el año/población total en el año x 1000
Mortalidad: número de fallecimientos en una determinada población a lo largo de
un periodo establecido
• Número de muertes durante el año/población a la mitad del año x 1000
Pruebas parametricas y no parametricas: son pruebas estadísticas, que no se basan
en ninguna suposición en cuanto a la distribución de la probabilidad (no
parametricas), y las que si suponen una distribución de probabilidad son
paramétricas
• Pruebas paramétricas: cuando hay una distribución normal
o Estudios cuantitativos: T student. Compara grupos cuantitativos entre
dos muestras. Variables cuantitativas (razón e intervalo). Compra si dos
grupos difieren entre sus medidas.
o Estudios cualitativos: Chi cuadrada. Estudios cualitativos. Compara entre
variables de nominal y ordinal. Compara dos proporciones. Tiene como
objetivo determinar si el factor de riesgo esta relacionado con la
enfermedad y no es por el azar.

1000 - prevalencia 40% - S 90% y E 85%

• 400 enfermos
o 360: VP
o 40: FN
• 600 sanos
o 510: VN
o 90: FP

VPP: 360/450=0.8 (80%)

Enfermos (casos) Sanos (control)

Guardería 37 (a) 43 (b)
No guardería 72 © 848 (d)

Casos y controles
Or: 0.514/0.051=10.08

31,376/3,096=10