UNIVERSIDAD MONTRER

LICENCIATURA EN MEDICINA
KARINA DANAID BARBOSA
GÓMEZ
15-01-24
SALUD PÚBLICA
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA

ESTADÍSTICA Y SALUD PÚBLICA.

El término estadística proviene del latín statisticum collegium (“Consejo de Estado”)

y de su derivado italiano statista (“hombre de Estado o político”). En 1749, el alemán
Gottfried Achenwall empezó a emplear la palabra alemana statistik para designar el
análisis de datos estatales. En este sentido, se puede considerar que el origen de la
estadística está relacionado con el gobierno y sus órganos administrativos . (1)
Según Spiegel , la estadística estudia los métodos científicos para recoger,
organizar, resumir y analizar datos, así como para sacar conclusiones válidas y
tomar decisiones razonables basadas en tal análisis”. Y Daniel de la estadística
como “un (2) campo del estudio relacionado con la recopilación, organización y
resumen de datos y la obtención de inferencias acerca de un conjunto de datos
cuando solo se observa una parte de ellos”. Hoy puede decirse que la recopilación y
la interpretación de los datos obtenidos en un estudio es tarea de la estadística,
considerada una rama de la matemática, que para cumplir con su propósito debe
contar con las técnicas de análisis estadístico. Objetivos y aplicaciones de la
estadística en salud pública Algunos de los objetivos relacionados con la estadística
que aportan a la salud pública y sus disciplinas son:

Comprender los fundamentos raciona- ü les en los que se basan las decisiones en
materia de diagnóstico, terapéutica y pronóstico. Interpretar las pruebas, las
observaciones ü y las mediciones de los diferentes sucesos con el conocimiento de
las variaciones observadas y de las correspondientes al observador y a los
instrumentos. Proporcionar el conocimiento y la com- ü prensión de la información
acerca de la etiología y el pronóstico de los sucesos, con el n de orientar a
profesionales de la salud, tomadores de decisiones y los miembros de la comunidad
al respecto de la forma como se pueden evitar las patologías o limitar sus efectos.
Discernir acerca de los problemas sanitarios, con el fin de ejecutar eficientemente
los recursos requeridos para resolverlos. Los principios y conceptos de los métodos
estadísticos se emplean en los diferentes campos de la salud pública, como es el
caso de: diagnóstico de enfermedades y de la salud de la comunidad, predicción del
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
resultado probable de un programa de intervención, elección apropiada de
intervención en paciente o comunidad, administración sanitaria, realización y
análisis en la investigación en salud pública (tabla 15.1). Uso de la estadística en la
salud pública El método estadístico, objetivo, aplicaciones y dificultades en
problemas de salud pública La generación de nuevos conocimientos que buscan
solucionar problemas reales existe desde el inicio de los tiempos, desde la invención
de la rueda hasta la teoría de la relatividad; todos los campos científicos han tratado
con este aspecto y las ciencias de la salud no escapan de ese paradigma. La
investigación en salud en los últimos años ha crecido de manera importante gracias
a los avances en otras áreas del conocimiento que mantienen una relación
simbiótica con las disciplinas sanitarias: ingeniería, economía, farmacología y,
especialmente, la estadística. Esta última es el medio, más no el n, que permite
establecer el desarrollo de estos nuevos conocimientos, en pro de mejorar este
aspecto multidimensional conocido como “salud”(3) . Sin embargo, el hecho de que
esta área del conocimiento funcione como puente entre el establecimiento de una
hipótesis clínica y la generación de conclusiones básicas, requiere de un manejo
riguroso de la misma; ya que parte de los errores presentes en publicaciones
médicas se basan en la elección incorrecta del método estadístico que se debe
aplicar. En este capítulo se hará una breve descripción de aquellos conceptos
estadísticos que causan temor a los profesionales de la salud y que son la “piedra
filosofal” de lo que se conoce en epidemiología como medicina basada en la
evidencia(4, 5). La bioestadística asume un papel preponderante en la generación
de conocimiento cientí- co aplicado en la salud, debido a que define los parámetros
que permiten establecer la eficacia de un determinado medicamento, tratamiento,
procedimiento, tecnología o guía de práctica clínica, que buscan mejorar el estado
de salud de una población en particular. Más allá de este punto, la estadística
proporciona las herramientas para convertir la experiencia clínica y de laboratorio en
aseveraciones cuantitativas sobre los efectos que tiene un tratamiento o
procedimiento sobre un grupo de pacientes y su magnitud(5). Dado lo anterior, los
resultados obtenidos por cientos de investigaciones tienen el potencial modificarla
conducta terapéutica del paciente y más importante aún, conceptos que parecieran
inamovibles en el profesional de la salud. En este punto recae la relevancia de la
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
bioestadística como método de generación de conocimiento y modificación del
ejercicio de la medicina como tal, ya que la toma de decisiones deja de ser un
problema del profesional de la salud para convertirse en una solución basada en la
información que se tiene sobre determinado problema de salud(6). Esto representa
una ventaja para el profesional de la salud y también un compromiso muy
importante para las personas dedicadas a la investigación cuantitativa; el uso de
una metodología incorrecta puede conllevar resultados inválidos que afecten la toma
de decisiones y en este aspecto debe hacerse especial énfasis, ya que son pocos
los profesionales de la salud que cuentan con las habilidades técnicas y la experticia
en temas estadísticos que garanticen esta rigurosidad necesaria para el análisis
cuantitativo; esto se debe a que el profesional de la salud tiene la impresión de que
los temas relacionados con la estadística son demasiado técnicos y se basan en
procedimientos matemáticos sumamente profundos . Aunque esto (6) es
relativamente cierto, es importante para los profesionales de la salud en general
poder discernir de los resultados estadísticos de un determinado estudio e identificar
las fortalezas y debilidades de este, con el fin de evaluar la calidad de la evidencia
que está modificando sus prácticas clínicas.

Campo de aplicación Observación Ejemplo

Diagnóstico de Acción mediante la cual Valoración de los

enfermedades y de la se identifican el estado de síntomas declarados o
salud de la comunidad salud de un individuo, de recolectados en los
un grupo, y los factores individuos con el
que lo producen propósito de elaborar un
diagnóstico en salud

Predicción del resultado Evaluación del resultado Programa de intervención

probable de un programa de un programa de nutricional para
de intervención intervención en una determinar el impacto de
comunidad la aplicación de un
suplemento alimenticio
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
Elección apropiada de Se basa en la experiencia Evaluación de la eficacia
intervención en la con comunidades de de una vacuna
comunidad similares características
que se expusieron a una
intervención

Administración sanitaria Refiere al empleo de los Determinar el perl

datos relativos a la sanitario de la población
enfermedad en la en términos de
población con el n de distribución de la
hacer un diagnóstico en la enfermedad y la
comunidad utilización de los recursos
de salud

Análisis en la Contempla otorgar la Probabilidad de cáncer de

investigación en salud validez a investigaciones mama en mujeres
pública analíticas o descriptivas mayores de 40 años

La definición de bioestadística y algunos conceptos

Seguramente los lectores han escuchado el término bioestadística y habían

conjeturado sobre la definición de esta palabra tan frecuente en los análisis
epidemiológicos. Una definición universal de bioestadística la presenta como una
disciplina científica que se encarga de la aplicación del análisis estadístico a
diferentes aspectos vinculados a la biología. Adicionalmente se tiene que la
bioestadística es una ciencia que maneja mediante métodos estadísticos la
incertidumbre en el campo de la medicina y la salud. Bajo estas condiciones, la
estadística no diere en cuanto a su metodología de la estadística en general, en su
lugar, esta se adapta a las necesidades de las ciencias biológicas y en este caso
particular a la medicina , resaltando que la bioestadística (7) no solo se centra en
medir incertidumbre, sino que se preocupa también del control de su impacto(3). En
términos prácticos la bioestadística sigue el mismo modus operandi que la
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
estadística convencional: recolección, manejo y limpieza de datos, el análisis e
interpretación de las observaciones recolectadas, todo esto dentro del marco
conceptual establecido por las ciencias de la salud. Debido a esto, la obtención de
datos se centra en un entorno mucho más salubrista, recolectando información
referente a variables que representan un alto nivel de relevancia clínica: peso, talla,
comorbilidades, indicadores de salud individual (glucosa, y, albúmina, entre otros
valores de laboratorio), diagnósticos de enfermedades, entre otras . (8) La
información obtenida puede usarse con dos fines fundamentales: describir una
población de interés o extrapolar las características de un grupo a una población
más general. Esta elección debe el andamiaje estadístico que se debe utilizar: en
caso de describir una población se usará estadística descriptiva y si se busca
generalizar los resultados de una investigación se entra al terreno de la estadística
inferencial(7). La elección de una u otra dependerá de factores como la factibilidad,
la evidencia disponible sobre el fenómeno de salud de interés y la capacidad de
conformar un grupo interdisciplinar que permita la resolución a buen término del
“protocolo de investigación”; sin embargo, el concepto más importante al hablar de
estadística inferencial es la representatividad, concepto que se abordará más
adelante . (9)

Definición de dato, fuentes de datos, variable y muestra

Antes de ahondar en conocimientos más técnicos, es menester definir algunos

aspectos de vital importancia en el análisis estadístico. Estos conceptos son: dato,
variable y muestra. Las poblaciones en general se centran en la medición
consistente de características de las personas, los datos son parte fundamental en
el registro de mediciones hechas sobre las características seleccionadas(10). La
distinción que se hará aquí es que las poblaciones estadísticas están conformadas
por las características mismas y no por el registro de esas características. En este
orden de ideas, el dato se define como el objeto esencial en el análisis estadístico,
en términos prácticos estos son la materia prima del análisis estadístico, constituye
el elemento único e indivisible, fuente de los procedimientos que se describirán más
adelante. Un dato es básicamente un elemento que describe una característica de
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
interés(11) , que puede verse representada por medio de un número(12). Es
importante mencionar que los datos no son útiles per se, estos requieren ser
procesados y analizados para proveer información que ayude a la toma de
decisiones . De alguna manera, la información es el conocimiento derivado del
análisis de los datos obtenidos. Cuando se determina que el enfoque adecuado para
buscar una respuesta a la pregunta requiere del uso de la estadística, se comienza
a investigar en cuáles son los datos apropiados que sirven como la materia prima en
la investigación . Tan importante como el (12) dato mismo es la fuente de
información de la cual se obtienen estos datos. Para buscar una respuesta a una
pregunta en investigación, se debe disponer de datos y fuentes confiables; algunas
fuentes pueden ser: Registros rutinarios: ü Esta fuente de información está basada
en los registros clínicos de un hospital, en los que fácilmente se encuentra
información sobre pacientes, sus comorbilidades, atenciones y servicios asociados
ofertados por la entidad de salud que los trata . Cuando surge la necesidad (12) de
tener datos, se debe buscar primero en los registros que se llevan rutinariamente.

● Encuestas: Las encuestas representan otra fuente de información, cuando

no se cuenta con registros rutinarios o estos presentan problemas que van en
detrimento de la calidad de los datos obtenidos. Con base en la aplicación de
una serie de preguntas aplicadas a una población particular se reúnen datos
que permitan descubrir la opinión pública sobre un asunto determinado, un
conjunto de características que se consideran de interés(12) o proporcionan
un mecanismo que permite atender de forma continua las necesidades
nuevas y adicionales de un grupo poblacional particular(14).

● Experimentación: Frecuentemente, los datos necesarios para responder una

pregunta están disponibles sólo como resultado de la experimentación. Los
estudios experimentales (conocidos como ensayos clínicos aleatorizados)
permiten evaluar la efectividad de intervenciones (por ejemplo, tratamientos
farmacológicos y pruebas diagnósticas), mediante el seguimiento de un grupo
que recibe el tratamiento en investigación y un grupo control que no recibe
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
tratamiento alguno o un tratamiento estándar actual, donde la asignación del
grupo se realiza de manera aleatoria .

Definición, tipos y presentación de datos basados en la naturaleza de las

variables

En el análisis estadístico en general el concepto de variable es trascendental. Los

datos obtenidos de una población de interés o que proceden de observaciones y
mediciones, varían de individuo a individuo(7). Una definición general ampliamente
aceptada en estadística hace referencia a que una variable es una característica
observable (medible o valorable) que varía entre los diferentes individuos de una
población(10). Esta característica observable toma diversos valores en los
individuos que componen la población de estudio(12). La presión arterial, la edad, el
sexo, la condición sociodemográcaolapresencia/ausenciadeuna determinada
patología, son ejemplosde variables en el área de la salud. Un concepto que ha
permanecido latente hasta el momento en la definición de variable es el concepto de
medición, que puede definirse como la asignación de números, letras, palabras o
algún otro símbolo a personas o cosas para dar a conocer la información acerca de
la característica que se somete a medición(10). Este proceso de medición compara
la medida de un objeto con la medida de otro usado como patrón de referencia. El
concepto de medición es importante cuando se habla de variables en el sentido que
dependiendo de la naturaleza de la medición se debe la clasificación de las
variables de interés. En general, las variables se clasifican en:

Cualitativas: Cuando representan alguna cualidad no numérica del individuo. Se

llaman dicotómicas si presentan solamente dos posibilidades y politómicas si
presentan varias posibilidades (ordenables o no). Los valores de este tipo de
variables suelen registrarse con códigos numéricos de clasificación, que no indican
cantidad, sino un convenio, por ejemplo, asignar 0 = hombre, 1 = mujer(16).
Dependiendo del concepto de orden, las variables cualitativas pueden ser ordinales,
en caso que estas presenten un orden natural (como los estadios de enfermedades
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
crónicas —como la EPOC o el cáncer—, el estrato sociodemográfico o los niveles
de adherencia a un medicamento) y nominales en caso contrario . (17)

Cuantitativas: Cuando presentan información numérica producto de las

observaciones individuales. Las mediciones hechas sobre variables cuantitativas
conllevan información respecto a cantidad; por ejemplo, el peso de una persona
responde a cuántos kilos pesa o la prueba de glucosa que mide el valor del nivel de
glucosa en la sangre(10,12). Pueden ser discretas si toman valores enteros, —como
número de hijos— o continuas —si pueden tomar cualquier valor dentro de un
intervalo—, son abiertas, con un conjunto finito de posibles valores, como la edad, el
peso, la tensión arterial, entre otros tipos de variables(15). Adicionalmente, las
variables cuantitativas se dividen en variables de intervalos, estas variables son
similares a las ordinales, con la diferencia de que estas últimas están separadas por
intervalos iguales; donde el valor cero “0” no implica la no presencia de una
característica, situación que sucede con la temperatura: 0 °C no indica ausencia de
temperatura, indican la ausencia de “calor”, pudiéndose registrar temperaturas más
bajas que 0 °C. Por otro lado, las variables de razón se clasifican también en grupos
ordenados, con intervalos equivalentes entre las variables, pero el valor cero “0”
tiene sentido, ya que refleja la ausencia de la característica observable, como el
peso corporal: 0 kg representa la ausencia de peso . (7,18) Una recomendación
importante es que, durante la recolección de datos de las variables, especialmente
las cuantitativas (sean continuas o discretas), el dato se capture de manera cruda,
sin agrupar. Si es necesario formar categorías o grupos, lo mejor es hacerlo durante
la fase del análisis . La razón es muy simple, (19) al categorizar los datos a priori se
pierde la capacidad de describir la variable de manera más precisa o en el peor
escenario clasificar la variable de una manera que se considere clínicamente más
relevante . (5,20) En toda investigación debe hacerse una caracterización de las
variables del estudio, conocida como tabla de variables(19,21). Esta tabla contiene
el nombre de la variable, su unidad de medida, clasificación de la variable
(cualitativa o cuantitativa), valores de referencia en caso de existir, definición
operativa de la variable y codificación en caso de tratarse de una variable
cualitativa(18,19).
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA

Estadística descriptiva y analítica

Estadística descriptiva

La estadística en cualquier campo tiene como objetivo brindar información relevante

sobre una característica en una población de interés, no obstante, el análisis de la
información depende del enfoque que se haya propuesto. Un ejemplo puede aclarar
el panorama: Suponga que se quiere determinar en un grupo de procedimientos de
alto costo, cuáles de estos representan la mayor carga para el sistema. En este
orden de ideas, una descripción de los datos permitirá cumplir con este objetivo. Sin
embargo, si se busca determinar la existencia (posible) de asociaciones entre
algunas comorbilidades presentes en la población de estudio y los costos del
sistema, deberá realizarse un análisis inferencial con el fin de probar dicha hipótesis.
Esta dualidad entre describir o inferir es lo que divide la estadística en dos campos
que, aunque son complementarios, buscan responder a distintas interrogantes. La
estadística descriptiva tiene como objetivo resumir información de manera concisa,
sencilla y clara, con el fin de identificar los parámetros de interés en una población
en particular. Esta descripción se basa en la naturaleza de las variables descritas
anteriormente, cuando se busca describir variables cualitativas se tienen dos
enfoques para dicha tarea: el uso de tablas de frecuencias o descriptivas que
generan mayor información, en detrimento de la comprensión de los datos por el
lector y el uso de gráficos de presentación donde la información es más palpable
para el lector, aunque se sacrifica información(7,19). La distribución o tabla de
frecuencias ilustra la frecuencia de aparición de las diferentes categorías de una
variable cualitativa sea nominal u ordinal(3). Esta frecuencia puede darse en
términos absolutos o relativos, donde la primera hace referencia al número de
respuestas de cada tipo de datos en una muestra y la segunda describe la
contribución de cada respuesta con respecto al total, es decir, es la proporción de
respuestas de cada tipo(12). La tabla 15.2 describe la frecuencia absoluta y relativa
de consumo de cigarrillo en un grupo de 50 pacientes obesos, nótese que ambas
frecuencias son complementarias y permiten determinar el número de individuos por
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
cada una de las categorías de la variable de interés, en este caso particular, se
observa que el consumo de cigarrillo activo es del 20%. Esta información puede
representarse de manera más amena, mediante gráficas, representando las
frecuencias de la variable cualitativa. Para este caso particular se muestra un gráfico
de barras que representa la frecuencia relativa del consumo de cigarrillo (figura
15.1). Nótese que las categorías se encuentran en el eje horizontal y el eje vertical
muestra la frecuencia absoluta o relativa de la misma(13). Ahora bien, ¿qué pasa
con las variables cuantitativas?, para estas variables se recurre a números que se
calculan sobre la muestra y que reflejan cierta cualidad de esta. Lo anterior es la
definición de medida. Las medidas descriptivas en variables cuantitativas, por otro
lado, proporcionan la oportunidad de elaborar estimadores de la posición central y
estimadores de la dispersión de una variable, con lo cual un número estima el centro
de la distribución de los datos y uno o dos números más describen el modo de
dispersarse alrededor de dicha medida central. Estas medidas son: Medidas de
tendencia central: ü Son números que buscan resumir los valores observados en un
valor de referencia que representan un centro en torno al cual se encuentra ubicado
el conjunto de los datos.

Condición de consumo de Frecuencia absoluta Frecuencia relativa

tabaco

No fumador 15 30%

Exfumador 25 50%

Fumador 10 20%

Total 50 100%
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA

Medidas de dispersión: Son números que buscan describir la variabilidad o

fluctuación de los datos de la muestra respecto a una medida de tendencia central.

Medidas de localización: Permiten hacerse una idea acerca de la forma de la

distribución de una variable y su dispersión. La medida de tendencia central más
conocida es la media o el promedio, que es la sumatoria de todos los datos dividida
por el número de datos.

Otra medida de tendencia central es la mediana, que se define como el valor de la

variable que se encuentra en la posición central en un conjunto de datos ordenados,
es decir, el 50% de los datos son menores o iguales a dicho valor. El cálculo de la
mediana es muy simple: se ordenan los datos de menor a mayor y si el número de
datos es impar la mediana corresponderá al valor central de los valores ordenados;
en caso de ser par corresponde al promedio de los dos valores centrales. El uso de
la mediana se recomienda ante la presencia de distribuciones asimétricas o cuando
se están trabajando con tiempos. Por último,se tiene la moda, que es el dato más
frecuente en una población. Con respecto a las medidas de dispersión, las más
representativas son la varianza, la desviación estándar y el rango. La primera
corresponde al cuadrado de los desvíos de la media; básicamente es un indicador
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
de cuántas unidades se dispersan los datos del promedio. Matemáticamente la
varianza se define como: s2 = 1 n i = 1 (xi – x_ )2 n–1 Una dificultad de trabajar con
la varianza es que su unidad de medida está expresada en términos del cuadrado
de la unidad de medida de la variable: la varianza de la presión arterial sistólica
estaría expresada en términos de mmHg al cuadrado, situación que dificulta su
interpretación. Ante este inconveniente aparece la desviación estándar que se
define como una medida dispersión de los datos con respecto al promedio. En otras
palabras, la desviación estándar es simplemente el promedio de las puntuaciones
esperado con respecto a la media. Por último, se tiene el rango que es una medida
que expresa la dispersión entre los valores extremos de una variable y se define
como la diferencia entre valor máximo y mínimo de una variable(16) . Es importante
mencionar las medidas de localización, de las cuales, los percentiles son los
representantes en cuanto a estadísticos de localización se refiere. Un percentil se
define como un valor que divide a la variable de tal forma que por debajo de dicho
valor se encuentra un porcentaje de los datos inferior a este. Un ejemplo bastante
conocido en medicina son los percentiles de peso y talla: un niño en el percentil k de
longitud, es más largo (o alto) que el n% de los niños de su edad y más bajo que el
(100-n) % de los niños de su edad; un niño en el percentil 35 es más alto que el
35% que los niños de su edad y 65 % más bajo. Una particularidad de los
percentiles es que, por definición, el percentil 50 corresponde a la mediana(9,15).

Estadística inferencial.

Con respecto a la estadística inferencial, esta se enfoca en la estimación de

propiedades de una población (conocida como parámetros) que establecen
evidencia confiable para la toma de una decisión referente a una o varias
poblaciones, basados en los datos obtenidos de la población analizada(22) . La
estadística inferencial también se centra en la búsqueda de relaciones
estadísticamente significativas en términos de la llama de las llamadas medidas de
asociación (Odds Ratio, Riesgo Relativo, entre otros - (21), fenómenos de
correlación (expresados mediante los coeficientes de correlación de Pearson o
Spearman) o la determinación de diferencias significativas (mediante las pruebas T
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
Student, el análisis de varianza o ANOVA o el uso de pruebas no paramétricas) .
(13, 20) La estadística inferencial se basa en dos conceptos fundamentales:
población y muestra. La población se define como el conjunto de elementos de
interés en una investigación, es un conjunto de elementos particulares con
características comunes . La definición no (13, 21) se restringe solo a poblaciones
humanas: animales, células, cóndilos, grupos geográficos, etc. Todos estos son
ejemplos de poblaciones. Adicionalmente, según lo anterior, las poblaciones pueden
ser nitas o infinitas. Cuando las poblaciones llegan a ser muy grandes, el proceso de
medición es costoso, dispendioso y difícil de realizar, allí entra el concepto de
muestra que se define simplemente como subconjunto de elementos obtenidos
desde la población de interés . Esta muestra busca ser (23) representativa del total
de la población con el fin de inferir las propiedades de la población por medio de los
elementos que componen a esta subpoblación. La representatividad juega un papel
trascendental en este proceso de extrapolación y con el n de garantizarla se recurre
a métodos de selección aleatoria de los elementos que componen esta muestra,
dicho proceso se conoce como muestreo. El muestreo se define como la técnica por
la cual se selecciona una muestra a partir de una población(24). Dicho muestreo es
probabilístico cuando el método de selección de la muestra permite que todos los
elementos de la población tengan la misma probabilidad de ser seleccionados en la
muestra; cuando la muestra es escogida por medio de un proceso subjetivo o
arbitrario de modo que la probabilidad de selección de cada unidad de la población
no es conocida se habla de muestreo no probabilístico(21, 24). El muestreo
probabilístico o aleatorio pueden ser de varios tipos:

Muestreo aleatorio simple (MAS): En este tipo de muestreo se da a cada elemento

de la población, la misma probabilidad de ser seleccionado. Para esto debe
contarse con un marco muestral, que es una lista de todos los elementos de la
población de estudio, con el fin de determinar la probabilidad de selección de cada
uno de los individuos pertenecientes a este . (15, 24)
Muestreo sistemático: En este tipo de muestreo se selecciona aleatoriamente un
elemento particular y a partir de él, incrementando un intervalo, se selecciona toda
la muestra . (24,25)
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
Muestreo estratificado: En este tipo de muestreo los individuos están agrupados en
estratos, donde hay una alta homogeneidad dentro de los estratos con respecto a la
variable de interés. Se realiza entonces un muestreo aleatorio en cada estrato
buscando un número representativo de individuos en cada uno de los grupos
definidos(24). Esta elección puede hacerse de manera uniforme en cada estrato o
proporcional al tamaño del estrato . (25)
Muestreo por conglomerados: Este tipo de muestreo es opuesto al muestreo estrati-
cado, en este se busca una alta heterogeneidad dentro de los grupos construidos y
se realiza un muestreo aleatorio de conglomerados pudiéndose seleccionar todo el
conglomerado o una muestra del mismo(24).

Con respecto a los muestreos no probabilísticos están:

Muestreo por cuotas: En este tipo de muestreo se selecciona la muestra después de

la construcción de grupos o estratos. Los sujetos dentro de cada grupo se eligen por
métodos no probabilísticos, basados en un criterio clínico, cuestiones de factibilidad
u otra razón(25). Muestreo por conveniencia: En este tipo de muestreo se busca
seleccionar a los individuos que convienen al investigador para la muestra. Se
caracteriza por un esfuerzo deliberado de obtener muestras representativas
mediante la inclusión en la muestra de grupos a conveniencia. Esta conveniencia la
debe el investigador y se basa en criterios de proximidad geográfica y accesibilidad
de la información, entre otras razones(25).
Muestreo por bola de nieve: Este tipo de muestreo se realiza en poblaciones con
una característica de estudio poco frecuente. Se localiza a algunos individuos, los
cuales conducen a otros y estos a otros, así cada sujeto estudiado propone a otros,
produciendo un efecto acumulativo parecido a una bola de nieve, de allí su
nombre(25). Dependiendo de la escogencia de la muestra, puede garantizarse un
grado de representatividad que permita extrapolar los estimadores que es la
característica de interés que se mide en la muestra a la población y determinar un
valor aproximado de un parámetro particular (siendo un parámetro una
característica medible en una población). La estadística inferencial sigue una serie
de parámetros, que se definen como el método de análisis y se basa en un
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
planteamiento del problema donde se dene una pregunta de investigación, una
hipótesis a probar y la población sobre la cual se planea estudiar el problema en
particular; la selección de la muestra que permita escoger un subconjunto de la
población que permita obtener un estimativo de los parámetros de interés, una
estimación de parámetros, un contraste de hipótesis y por último, la generación de
conclusiones basado en los contrastes realizados y las estimaciones
planteadas(9,18). De igual forma, es importante mencionar que el uso de la
estadística inferencial está supeditado a dos tipos de errores: el error tipo I y el error
tipo II. Hablando en términos clínicos el error tipo I o tipo es afín al concepto de
falso positivo, en este caso un investigador cae en este error cuando rechaza la
hipótesis nula, siendo esta cierta. De manera análoga, el error tipo II o tipo se
asocia con el concepto de falso negativo(15,20,21). En este caso, el investigador no
rechaza la hipótesis nula, siendo ésta falsa. El control de este tipo de errores es muy
importante en la investigación epidemiológica, ya que la presencia de un falso
positivo o negativo puede desvirtuar los resultados obtenidos en la
investigación(26). Dependerá del investigador determinar qué error es peor en el
sentido que quiera determinar en qué contexto se encuentra su investigación: ¿es
más grave la presencia de un falso positivo o de un falso negativo?, la tabla 15.3
permite vislumbrar los escenarios a los cuales se puede enfrentar un investigador
ante este dilema, por ejemplo, cuando se quiere realizar un estudio con
medicamentos. La buena noticia es que este fenómeno puede mitigarse, la mala
noticia es que esto implicaunmayorgastode recursos.Usualmente, en investigación
se busca controlar de manera conjunta estos dos tipos de error, de tal manera que
la probabilidad sea el 5% (0,05), mientras que se busca disminuir el error de tipo II
o , aumentando el tamaño muestral, lo que implica un incremento de los costos del
estudio que se quiere realizar. Es un tema de balance que el investigador debe
evaluar en el momento de realizar un estudio de tipo inferencial. Aquí es importante
hacer un llamado a las buenas prácticas en investigación: todo estudio inferencial o
analítico, involucra un juego de hipótesis y, por ende, un cálculo de tamaño de
muestra, el incumplimiento de estos requisitos implica que el estudio puede llegar a
ser irrelevante en el mejor de los casos y en el peor puede representar la
implementación de intervenciones en salud que son inocuas y pueden afectar a una
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
población bastante numerosa con las implicaciones que esto conlleva. El tamaño de
muestra es trascendental en el control del error aleatorio presente en los fenómenos
que se observan en el ámbito investigativo y es una práctica estadística que tiende a
omitirse afectando negativamente la validez de la evidencia.

Nula Error tipo I: H0 verdadera, Error tipo II: H0 falsa,

pero rechazada pero no rechazada

Medicina A no alivia la Medicina A alivia la

condición B, pero no se condición B, pero es
elimina como opción de eliminada como opción de
tratamiento. tratamiento

Los pacientes con Un tratamiento viable

condición B, que reciben permanece inaccesible a
la medicina A no se pacientes con condición
alivian. Pueden B. Se pierden los costes
experimentar del desarrollo. Provecho
empeoramiento y/o potencial eliminado
efectos secundarios hasta
incluso morir. Posible
litigio.

¿Qué distingue a la estadística descriptiva de la inferencial?

Es importante distinguir las diferencias entre la estadística descriptiva e inferencial.

La primera diferencia importante se da en términos de validez, mientras que la
estadística descriptiva puede aplicarse tanto a una muestra (seleccionada
aleatoriamente o no) como a una población , la estadística inferencial se (13,15)
basa en el supuesto de que las muestras obtenidas son representativas de una
población de interés y esto permite extrapolar los resultados obtenidos sobre dicha
población . (28) Otra diferencia importante es el objetivo del análisis. La estadística
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
descriptiva, al ser únicamente una descripción de los datos, no permiten una
generalización de los resultados más allá del grupo analizado. En cambio, la
estadística inferencial asume que los datos se rigen bajo un fenómeno aleatorio
subyacente que es el que hace que tomen un valor u otro(29). Al existir
incertidumbre, la descripción realizada sobre esa población involucra el error
aleatorio producto del fenómeno aleatorio que rige a las variables estudiadas . (30)
En pocas palabras, la diferencia entre la estadística descriptiva y la estadística
inferencial es que la primera solo se encarga de hacer descripciones de los datos
obtenidos en la investigación; mientras que la segunda va más allá y hace
estimaciones acerca de parámetros de interés, basadas en las muestras que se
toman de una población.

Uso de pruebas estadísticas en investigación en salud:

Significancia clínica vs. significancia estadística Basado en la estadística inferencial,

un estudio epidemiológico pretende poner de manifiesto al nal de este, si existe o no
asociación entre diferentes variables. Esta asociación puede ser resultado de que
realmente exista la asociación indicada, pero esta también puede ser producto del
azar, de sesgos o de variables de confusión. Todo proceso inferencial es propenso
a riesgos de error o imprecisión ya sea por el azar o la variabilidad biológica del
fenómeno que se estudia . (31) Dado lo anterior es importante definir dos conceptos
claves que influyen en la toma de decisiones y en la implementación de un
tratamiento, intervención o tecnología en salud a nivel poblacional, estos conceptos
son: la significación estadística y la significancia clínica. El primer concepto se
relaciona con la siguiente pregunta: ¿Los resultados estadísticos se deben a una
posibilidad aleatoria? Mientras que la segunda se rige en torno a si los resultados
impactarán de manera positiva la condición en salud de los pacientes . Estos
conceptos (32-34) pueden ver afectado el tamaño de la muestra, la medida de
resultado y el nivel de riesgo, así como las situaciones en las que uno, pero no el
otro, puede existir . (35) La significancia estadística hace referencia al uso del valor
p, que en términos sencillos es la probabilidad de haber obtenido el resultado que se
logró en una investigación, suponiendo que la hipótesis nula es cierta , siendo este
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
(36) valor un indicador de la fuerza de la evidencia estadística en contra de la
hipótesis nula(37). Cuando se encuentra una asociación o una diferencia
significativa en un análisis inferencial, donde el valor p es menor a 0,05, se
considera que esta asociación o esta diferencia es estadísticamente significativa lo
que implica que la ocurrencia de la hipótesis nula es poco probable, haciendo que
no exista la suficiente evidencia como para no rechazarla. Puede ser un concepto
complicado; sin embargo, en un entorno real el valor p es un referente de cuándo es
factible rechazar o no la hipótesis establecida en un estudio. La American Statistical
Association ha establecido seis principios sobre el uso correcto del valor p que
buscan aclarar este concepto : (38) Los ü valores p pueden indicar cómo son los
datos de incompatibles con cierto modelo estadístico: es importante aclarar que no
es necesario torturar los datos hasta obtener un resultado que se considere positivo;
el modelo se ajusta a los datos, no los datos al modelo. Los valores p no miden la
probabilidad de que la hipótesis nula sea cierta, ni tampoco la probabilidad de que
los datos hayan sido producidos enteramente al azar. Las conclusiones científicas y
las decisiones no deberían basarse únicamente en el hecho de que un valor p
supere un umbral especificado. Debe evaluarse la significancia clínica. Una
inferencia apropiada implica un informe completo y transparencia. Actos como la
transformación de variables post hoc, el uso de análisis por protocolo, o la
modificación de datos sin justificaciones válidas, son procedimientos poco éticos y
penalizados por la ley. Ni el valor p ni la significación estadística miden el tamaño de
un efecto o la relevancia de un resultado. Es importante establecer un umbral donde
se considere que el tamaño del efecto es clínicamente significativo. En sí mismo, un
valor p no es una medida apropiada de la evidencia de un modelo o hipótesis. Por
otro lado, la significancia clínica es la importancia práctica del efecto del tratamiento,
intervención o política por implementar, es decir, que el resultado del tratamiento
sea real, palpable, notorio en la calidad de vida del paciente y que represente un
beneficio que sea relevante, la significancia clínica de un fenómeno va más allá de
los métodos estadísticos y se basa en un juicio clínico . Así mismo, (31) depende de
la magnitud de la diferencia, la gravedad del problema por investigar, la
vulnerabilidad, la morbimortalidad generada por el mismo,su costo y por su
frecuencia entre otros elementos(31,34). Así las cosas, los resultados en un estudio
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
de investigación puede presentar varios escenarios que se deben considerar : (39)
Resultados estadística y clínicamente significativos: existe una diferencia relevante
entre los grupos comparados y esta se ve apoyada por una prueba que permite
rechazar la hipótesis nula. Resultados estadísticamente no significativos y
clínicamente significativos: existe una diferencia relevante en términos clínicos, pero
el valor p no permite rechazar la hipótesis nula. Un tamaño de muestra pequeño o el
no cálculo de este, así como problemas en la recolección y pérdidas que conllevan
un sesgo pueden desencadenar este escenario. Resultados estadísticamente
significativos y clínicamente no significativos: se tiene un valor p que es
estadísticamente significativo; sin embargo, los resultados no se consideran
relevantes en el contexto clínico dada la diferencia tan pequeña que se ha
presentado. Sucede lo contrario que en el escenario anterior, en un tamaño de
muestra muy grande las diferencias, por más pequeñas que sean, tienden a ser
estadísticamente significativas. Lo más importante en esta discusión es que la
significancia clínica es más relevante que la significancia estadística, que estos dos
conceptos son complementarios y que el buen uso de ellos garantiza la validez tanto
interna como externa en un estudio de investigación. En este orden de ideas, se
dejan algunos puntos que se deben tener en cuenta al momento de la escritura de
los resultados en un estudio epidemiológico(39): Mencionar si los resultados son
clínicamente significativos. Calcular un tamaño de muestra en caso de establecer
una hipótesis de investigación, con el fin de controlar el error aleatorio. Definir un
tamaño del efecto que se considere relevante. El profesional de la salud debe
evaluar, en un contexto clínico, qué diferencia puede representar un beneficio
importante para el paciente. Tener resultados estadísticamente significativos no
implica tener resultados clínicamente significativos. Los beneficios en la población
dictan la pauta en cuanto a las conclusiones que se presentan. Análisis estadístico
en diseños epidemiológicos clásicos A lo largo del capítulo se ha hecho una breve,
pero concisa, descripción de los aspectos estadísticos por tener en cuenta en un
contexto epidemiológico, que busca responder una pregunta de salud pública, de
manera muy general. Sin embargo, existen diversos enfoques de investigación que
permiten responder a una pregunta en particular. Estos enfoques se conocen como
diseños de investigación epidemiológicos. En esta sección se pretende
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
complementar las nociones dadas sobre estos diseños y cómo interviene la
bioestadística en la generación de resultados. Por diseño de un estudio se
entienden los procedimientos, métodos y técnicas mediante los cuales los
investigadores seleccionan a los pacientes, recogen datos, los analizan e interpretan
los resultados(40). Dentro de los diseños epidemiológicos resaltan dos clases, que
se caracterizan por la nalidad del estudio o el enfoque estadístico que aplican:
diseños descriptivos y analíticos, si el objetivo de investigación incluye comparar o
relacionar dos o más grupos de variables (estudios analíticos) o describir un solo
grupo de ellas (estudios descriptivos)(13). Adicionalmente, existen otras
clasificaciones que se basan en la secuencia temporal del estudio, por lo que este
puede ser transversal o longitudinal; el control de las variables de confusión y
factores modificadores del efecto, que pueden ser de índole experimental u
observacional y por último, la cronología de los hechos por estudiar, por lo que
pueden ser retrospectivos o prospectivos(40). Así las cosas, los estudios
descriptivos transversales pueden ser: estudios de prevalencia, series de casos
transversales, estudios de pruebas diagnósticas, estudios de correlación y
concordancia y los estudios ecológicos; los estudios descriptivos longitudinales:
estudios de incidencia, estudios de historia natural de la enfermedad y estudios de
evaluación de eventos adversos de un medicamento; estudios analíticos
observacionales con direccionalidad preestablecida: hacia adelante con los estudios
de cohorte, hacia atrás con los estudios de casos y controles (incluyendo sus
variantes: caso-cohorte, caso caso, casos y controles anidados a una cohorte) y los
estudios analíticos experimentales en los que resalta el Gold estándar en
investigación: el ensayo clínico aleatorizado. La figura 15.2 muestra un breve
algoritmo de clasificación de los estudios analíticos(40). Con este breve resumen de
los estudios epidemiológicos clásicos se realiza a continuación una mención del
apartado de análisis estadístico enfocado a los estudios de tipo descriptivo y
analítico. Análisis en estudios descriptivos Los estudios descriptivos brindan
información valiosa sobre la enfermedad en términos de frecuencia, lugar y tiempo
de ocurrencia, útil tanto para los administradores de los servicios de salud como
para los epidemiólogos. Estos estudios utilizan información de fuentes muy diversas
y no solo se recaba sobre información clínica del individuo, ya que toma en cuenta
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
información referente a nivel sociodemográfico,raza, etnia, actividades económicas
y grupos sociales de especial interés(13). Dentro de los estudios descriptivos
resaltan los estudios de pruebas diagnósticas, en estos estudios que presentan un
enfoque transversal, se toman dos grupos de individuos, un grupo que padece la
enfermedad y otro sin ella, y se comparan los resultados obtenidos con una nueva
prueba diagnóstica en dichos individuos con un estándar de oro o criterio de
referencia o patrón de referencia por medio de la sensibilidad, especificidad y
valores predictivos. La sensibilidad es la proporción de individuos con la enfermedad
que presentan un resultado positivo e indica la utilidad de la prueba para identificar a
las personas enfermas, la especificidad es la proporción de individuos sin la
enfermedad que presentan un resultado negativo e indica la utilidad de la prueba
para identificar a los individuos que no tienen la enfermedad. Con respecto a los
valores predictivos se tiene que el valor predictivo positivo es la probabilidad de
padecer la enfermedad si se obtiene un resultado positivo en el test; mientras que el
valor predictivo negativo indica la probabilidad de que un sujeto con un resultado
negativo en la prueba esté realmente sano(41). Además de estos indicadores
existen las razones de verosimilitud o Likelihood ratio (LR), que indica el chance de
estar enfermo o sano según el resultado de la prueba: la razón de verosimilitud
positiva (LR+) indica el chance de que se presente un resultado positivo en un
enfermo que en un sano, este indicador se calcula como (sensibilidad/[1-
especificidad]). Por otro lado, la razón de verosimilitud negativa (LR-) indica el
chance de que se presente un resultado negativo en un enfermo que en un sano y
se calcula como (1-sensibilidad/especificidad). A diferencia de los indicadores
anteriormente mencionados, las razones de verosimilitud no se ven afectadas por la
prevalencia de la enfermedad. Otros tipos de estudios enmarcados en esta
clasificación son los estudios de prevalencia, estos estudios transversales buscan
estimar la proporción (cociente en la cual los elementos del numerador están
incluidos en el denominador) de individuos en la población general con una
característica o condición de salud específica en un determinado momento(21,42).
Generalmente, los desenlaces en salud más frecuentes que evalúan este tipo de
estudios son enfermedades, aunque también puede estimarse la proporción de
individuos con algún factor de riesgo o pronóstico o condiciones de vida
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
saludable(13). A pesar de que el factor tiempo no es medible debido a la
inexistencia de secuencia temporal y está sujeta a varios tipos de sesgos, cuando la
muestra es representativa de la población general, se obtiene una mayor validez
externa . (43) Los estudios de incidencia por su parte buscan estimar el número de
eventos nuevos de salud en un tiempo preestablecido en una población que no tiene
esa característica en el momento en que el estudio empieza. Cuando estos estudios
se realizan en poblaciones de enfermos (por ejemplo, de cáncer), pueden
nombrarse de pronóstico cuando su objetivo es estimar el tiempo de supervivencia o
la descripción de la evolución del padecimiento(13). Se conoce como incidencia
acumulada (IA) a la proporción de individuos sanos que desarrollan la enfermedad a
lo largo de un periodo determinado, mientras que la tasa de incidencia (TI) o
densidad de incidencia es la relación entre el número de nuevos casos en un
periodo de tiempo concreto y la suma de los períodos de riesgo de cada uno de los
individuos enfermos a lo largo del período en cuestión . (42) Los estudios de
correlación y concordancia se refiere a la medición de la intensidad de la relación
lineal entre dos variables y la evaluación del grado de acuerdo entre los clínicos al
interpretar pruebas diagnósticas, o la exactitud con que estas pruebas orientan
hacia un diagnóstico correcto, evaluando “la correspondencia o conformidad de una
cosa con otra”(44) . Los coeficientes de correlación de Pearson y Spearman, así
como el de Cronbach, el índice Kappa y los coeficientes de correlación intraclase
(ICC) y concordancia (CCC) son los indicadores que permiten medir estos
constructos de manera objetiva .

Análisis de estudios analíticos.

varias medidas de asociación que son características dependiendo el tipo de estudio

del cual se habla. Dichas medidas se presentan a continuación con una breve
descripción del diseño metodológico de cada estudio. Es importante mencionar que
estas medidas de asociación deben ir acompañadas de su correspondiente intervalo
de confianza, concepto que se define como un par de números entre los cuales está
incluido cierto valor desconocido (parámetro) que, a su vez, posiblemente incluya el
valor de un parámetro de población desconocido(10), todo esto gracias a que si se
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
hicieron las cosas bien, la muestra seleccionada es representativa del total de la
población y esto permite inferir estos parámetros poblacionales a través de la
muestra(7). Básicamente, un intervalo de con- anza da una idea aproximada del
verdadero valor del parámetro de interés ajustado por la variabilidad existente en la
muestra que se calcula, así las cosas, un intervalo de confianza es igual al valor del
estimador más o menos un margen de error, que está en función de la desviación
estándar y el tamaño de la muestra. Un intervalo de confianza para el promedio.

Como se observa en la fórmula anterior, se tiene un estimador (promedio) más un

margen de error, dado por la desviación estándar y la raíz cuadrada del tamaño de
muestra. El término Z(/2) hace referencia a un cuantil de la distribución normal,
donde es el error tipo I visto anteriormente y (/2) es el nivel de confianza del
intervalo , en el caso particu- (3,12,45) lar de se tiene que Z(/2) = 1,96.

Donde p es la proporción estimada de la característica de interés. Los intervalos de

confianza hablan de cierta manera de la significancia estadística. Aclarado este
punto se describirán las medidas de asociación de cada diseño epidemiológico
clásico. Para los estudios de corte transversal y de casos y controles donde la
temporalidad es la principal limitación, la medida de asociación por excelencia es el
odds ratio (OR) que es básicamente el cociente de dos razones (una razón es una
comparación entre dos cantidades donde el numerador no está contenido en el
denominador), la razón entre los individuos con el factor de interés presente y sin el
factor .

Con OR mayores a 1 se tiene una asociación positiva entre el factor de exposición

evaluado y el desenlace de interés, indicando que el chance de presentar el evento
de interés es mayor en aquellos individuos con la exposición evaluada que en
aquellos que no la presentaron, con OR menores a 1 la frecuencia de casos es
menor en aquellos sujetos expuestos en comparación con los no expuestos. Por
último, un OR igual a 1 indica que la frecuencia del evento en ambos grupos
(presente y ausente) es la misma, indicando que no existe asociación entre las
variables. Adicionalmente, el intervalo de confianza de un Odds Ratio dística de un
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
OR, debe examinarse el intervalo de confianza: si este intervalo de confianza
contiene al 1, la asociación no es estadísticamente significativa. Con respecto a los
estudios de cohorte, es importante mencionar que a diferencia de los estudios
descriptivos los estudios de cohorte proceden de la secuencia lógica de la
exposición hacia el evento o desenlace, lo que les da una direccionalidad hacia
adelante(21,47). Esto les permite hablar en términos de incidencia y por
consiguiente la medida de asociación por excelencia en este tipo de estudios es el
riesgo relativo (RR) que se define como el cociente entre el riesgo en el grupo con el
factor de exposición o factor de riesgo y el riesgo en el grupo de referencia o,
hablando en términos de incidencia, el RR se define como el cociente entre la
incidencia en expuestos sobre la incidencia en no expuestos. La tabla 15.5 muestra
la conocida “tabla de 2×2” que permite el cálculo.

Factor presente a b a+b

Factor presente c d c+d

Total a+c b+d n

Expuestos a b a+b

No expuestos c d c+d

Total a+c b+d n

Con RR mayores a 1 se tiene una asociación positiva entre el factor de riesgo

evaluado y el desenlace de interés, indicando que este factor incrementa la
frecuencia del evento en cuestión, en caso de obtener RR menores a 1 este factor
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
es protector y la interpretación se invierte. Por último, un RR igual a 1 indica
ausencia de asociación entre las dos variables evaluadas. El intervalo de confianza
de un RR.

Si se quiere determinar la significancia estadística de un RR,similar a lo ocurrido con

el OR, basta con mirar el intervalo de confianza: si este intervalo de confianza
contiene al 1, esta asociación no es significativa estadísticamente hablando.

Nuevas tecnologías en servicio de la salud pública

Big Data y Machine Learning

Las aplicaciones de esta tecnología son ilimitadas, desde métodos diagnósticos

hasta guías de manejo personalizadas; la era de los datos está en auge y los
beneficios que tiene para el área de la salud son, además, fascinantes. Primero, es
necesario conocer el significado de “Big Data”. Aunque hay muchas definiciones
para este concepto, en términos generales Big Data se define como el
procesamiento, el análisis y la visualización de inmensos volúmenes de datos que
son producto de nuestra interacción con los medios electrónicos, que puede generar
una especial importancia sobre la toma de decisiones en multitud de sectores, entre
los que destacan el relativo a la salud. Un ejemplo exitoso de esta tecnología en
salud se dio a finales de febrero de 2018. En este, mediante el uso de inteligencia
artificial un computador es capaz de diagnosticar enfermedades tan bien como los
médicos, pero en mucho menos tiempo. Un equipo de científicos de Estados Unidos
y China ha desarrollado una herramienta que utiliza Big Data combinado con
Machine Learning o aprendizaje automático para identificar dos enfermedades
graves de la retina que pueden provocar ceguera. El algoritmo no solo realiza un
diagnóstico correcto, sino que, además, valora la gravedad de cada caso y
recomienda el tratamiento más adecuado . (48) Otras experiencias evalúan uso
Machine Learning en la interpretación de imágenes, como Narula y colaboradores
quienes, mediante una (49) base de datos de pacientes con miocardiopatía
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
hipertrófica y personas con hipertrofia fisiológica que se enviará Speckle Tracking,
pudieron crear un sistema informático basado Machine Learning que llegó para
ayudar a los ecocardiograstas inexpertos a distinguir entre las dos afecciones con
una precisión excelente. Otro ejemplo, esta vez en el Reino Unido, se basa en
registros electrónicos en salud(RES), con ayuda de estos se creó una plataforma
conocida como CALIBER, que vincula fuentes principales de datos de historia
clínica, exámenes, laboratorio y otros procedimientos en atención primaria y
registros nacionales. Se estableció con éxito como una plataforma de investigación
válida basada en datos RES vinculados en casi 2 millones de adultos con más de
600 fenotipos EHR implementados en el portal web. Gracias a esto, se facilita la
toma de decisiones de los médicos en las clínicas de dolor de pecho. Los modelos
de pronóstico que utilizan datos del mundo real discriminan de manera válida el
riesgo de muerte y eventos, y se usaron en modelos de decisión de costo-
efectividad . Como este hay (50) muchos ejemplos prometedores, que combinan el
análisis de grandes volúmenes de datos con preguntas de salud pública con el fin
de mejorar la calidad de la salud de los pacientes a niveles poblacionales. Todo esto
lleva a que el Big Data se convierta en un motor para la generación de conocimiento
que es necesario para abordar las amplias necesidades de información no
satisfechas de pacientes, clínicos, administradores, investigadores y responsables
de políticas de salud(51). Es importante mencionar que el Big Data no reemplazará
a los profesionales de la salud, pero representa una herramienta de apoyo para
médicos y enfermeras bastante atractiva(48) .
No fumador 30
Exfumador 50
Fumador 20

Resumen

La estadística permite analizar situaciones en las que los componentes aleatorios

contribuyen de forma importante en la variabilidad de los datos obtenidos. En salud
pública los componentes aleatorios se deben, entre otros aspectos, al conocimiento
o a la imposibilidad de medir algunos determinantes de los estados de salud y
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
enfermedad, así como a la variabilidad en las respuestas por los pacientes,similares
entre sí, que son sometidos al mismo tratamiento. En salud pública se utilizan
conceptos estadísticos con el fin de formular y adoptar decisiones relativas al
diagnóstico que hacen los clínicos, o bien al predecir los probables resultados de un
programa con el que se ha intervenido en la comunidad. La bioestadística asume un
papel preponderante en la generación de conocimiento científico aplicado en la
salud, debido a que define los parámetros que permiten establecer la eficacia de un
determinado medicamento, tratamiento, procedimiento, tecnología o guía de
práctica clínica, que buscan mejorar el estado de salud de una población en
particular. Más allá de este punto, la estadística proporciona las herramientas para
convertir la experiencia clínica y de laboratorio en aseveraciones cuantitativas sobre
los efectos que tiene un tratamiento o procedimiento en un grupo de pacientes y su
magnitud. En este capítulo se hizo una breve descripción de aquellos conceptos
estadísticos que causan temor a los profesionales de la salud y que son la “piedra
filosofal” de lo que se conoce en epidemiología como medicina basada en la
evidencia. Más allá de este punto, la estadística proporciona las herramientas para
convertir la experiencia clínica y de laboratorio en aseveraciones cuantitativas sobre
los efectos que tiene un tratamiento o procedimiento sobre un grupo de pacientes y
su magnitud. Dado lo anterior, los resultados obtenidos por cientos de
investigaciones tienen el potencial de modificar la conducta terapéutica del paciente
y, más importante aún, conceptos que parecían inamovibles en el profesional de la
salud. El capítulo describe algunos tópicos esenciales en estadística: pasando por la
definición de dato y de variable, mencionando brevemente algunos conceptos de
estadística descriptiva e inferencial y terminando con una introducción intuitiva de
las distintas medidas usadas en bioestadística y epidemiología. Se invita al lector a
profundizar los conceptos mencionados en este apartado y aplicar dichos
conocimientos en sus correspondientes áreas de la salud.

Referencias.

1. Porto JP, Merinoa M. Denición de estadística. Qué es, signicado y concepto

[internet]. [citado 2018 ago. 28]. Disponible en: https://denicion. de/estadistica/ 2.
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
Martínez Cantú PC, Gómez Guzmán LG. El valor de la estadística para la salud
pública. Una herramienta imprescindible. Rev Salud Pública y Nutr [internet]. 2003
[citado 2018 ago. 28];4(1). Disponible en:
https://www.intramed.net/contenidover.asp?contenidoID=51079 3. Cobo E, Muñoz
P, González JA. Bioestadística para no estadísticos. Barcelona: Elservier Doyma;
2007. 4. Goodman M. Biostatistics for clinical and public health research. New York:
Routledge; 2018. 5. Glantz SA, Ruiz AMPT. Bioestadística. McGrawHill
Interamericana; 2006. 6. Díaz JI. Matemáticas y ciencias de la Salud. Madrid:
Universidad Complutense; 2005. 7. Esper RMR. La investigación en medicina:
bases teóricas y prácticas. Elementos de bioestadística [Internet]. 2008 [citado 2018
jun. 26]. Disponible en: http://www.scielo.org.ar/pdf/rac/v76n6/ v76n6a15.pdf 8.
OMS. Informe sobre la salud en el mundo 2000 [internet]. 1st ed. Ginebra: OMS.
2000 [citado 2018 jul. 15]. Disponible en: http://www.who.
int/whr/2000/en/whr00_es.pdf?ua=1 9. Londoño JL. Metodología de la investigación
epidemiológica. 6th ed. Medellín: Moderno EEM; 2014. 10. Cliord BR, Taylor RA.
Bioestadística [internet]. Pearson Educación. 2008 [citado 2018 jul. 15]. Disponible
en: https://books.google.com. co/books?id=Q5XbPgAACAAJ 11. Antúnez RJC,
UNID ED. Estadística en la educación [internet]. Editorial Digital UNID. 2014 [citado
2018 jul. 14]. Disponible en: https://books. google.com.co/books?
id=EOGWBQAAQBAJ 12. Daniel WW. Bioestadistica: Base para el análisis de las
ciencias de la salud [internet]. Editorial Limusa. 2002 [citado 2018 jul. 15]. Disponible
en: https://books.google.com.co/ books?id=hT2YPQAACAAJ 13. de Jesús Celis de
la Rosa A, Martagón VL. Bioestadística [internet]. Manual Moderno. 2014 [2018 jul.
15]. Disponible en: https://books. google.com.co/books?id=jPEWCQAAQBAJ 14.
Naciones Unidas. Diseño de muestras para encuestas de hogares [internet]. 2008
[citado 2018 jul. 2]. Disponible en: http://www.un-ilibrary. org/economic-and-socia l-
development/dise no-de-muestras-para-encuestas-de-hogares_ dbb0403c-es 15.
Nordness RJ. Epidemiología y bioestadística [internet]. 1st ed. Madrid: Elsevier;
2006. 16. Valiente LP, Tejedor IH. Bioestadística sin di- cultades matemáticas
[internet]. Barcelona: Ediciones Díaz de Santos; 2010. 17. Armitage P, Armitage EN,
Berry G. Estadística para la investigación biomédica [internet]. Madrid: Harcourt
Brace; 1997. 18. Lwanga SK, Tye C-Y. La enseñanza de la estadística sanitaria
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
[internet]. 1987 [citado 2018 jun. 26]. Disponible en: http://apps.who.int/iris/ bitst
ream/handle/10665/39372/9243560905. pdf?sequence=1&isAllowed=y 19. Ángel
Castro-Jiménez M, Díaz Martínez L. Las variables en el proceso de investigación en
salud: importancia, clasicación y forma de presentación en protocolos de
investigación. MedUNAB. 2009;12. 20. Norman GR, De Burgh Norman JE, Streiner
DL. Bioestadística [internet]. Harcourt. 1996 [citado 2018 jul. 16]. Disponible en:
https://books.google.com.co/books?id=yCLUYL14tlQC 21. Szklo M, Nieto J.
Epidemiología clínica: Conceptos y aplicaciones. Madrid; Jiménez R; 2003. 22.
Murnane R, Willett JB. Methods matter: Improving causal inference in educational
and social science research. OUP; 2010. 23. Andersen P. Epidemiology. Study
design and data analysis. STAT MED. 2001;20:161-162 p. 24. Gutiérrez HA.
Estrategias de muestreo: diseño de encuestas y estimación de parámetros [internet].
Bogotá: Universidad Santo Tomás; 2009. 25. Kelsey JL, Whittemore AS, Evans AS,
ompson WD. Methods of sampling and estimation of sample size. New York: Oxford
University Press; 1996. 26. Betz MA, Gabriel KR. Type IV errors and analysis of
simple eects. J Educ Stat. 1978;3(2):121-43. 27. Martz E. ¿Qué tipo de error
estadístico es peor: Tipo I o Tipo II? [Internet].21 de septiembre de 2017 [citado
2018 jul. 16]. Disponible en: https://ww w.addlink.es/noticias/minitab/2698- que-tipo-
de-error-estadistico-es-peor-tipo-i-otipo-ii 28. Esper Ricardo, Machado Rogelio. La
investigación en medicina: bases teóricas y prácticas. Elementos de bioestadística.
Lanus: Prensa Médica Argentina; 2008. 29. Davidian M, Louis TA. Why statistics?
Science. 2012;336:12. 30. Santillán A. Estadística descriptiva e inferencial:
conceptos generales [internet]. 2016;336;12. [citado 2018 jul. 16]. Disponible en:
https://ebevidencia.com/archivos/3568 31. Fernández P. Investigación: Signicación
estadística y relevancia clínica. Signicancia estadística y relevancia clínica. Cad
Aten Primaria Actual. 2001;809(19):191-5. 32. Malone HE, Nicholl H, Coyne I.
Fundamentals of estimating sample size. Nurse Res. 2016;23(5):21-5. 33. Takagi H,
Umemoto T. e lower, the better?: Fractional polynomials meta-regression of blood
pressure reduction on stroke risk. High Blood Press Cardiovasc Prev.
2013;20(3):135-8. 34. Ciapponi A.¿Signicancia clínica o signicancia estadística?
Evid Actual en la Pract ambulatoria. 2013;16(4):122-5. 35. Houle TT, Stump DA.
Statistical signicance versus clinical signicance. Semin Cardiothorac Vasc Anesth.
 UNIVERSIDAD MONTRER
KARINA DANAID BARBOSA GÓMEZ
15-01-24
SALUD PÚBLICA
2008;12(1):5-6. 36. Fisher RA. e design of experiments [Internet]. California: Oliver
and Boyd; 1935. [citado 2018 jil. 17]. Disponible en: https://books.google.
com.co/books?id=-EsNAQAAIAAJ 37. Goodman S. A dirty dozen: twelve p-value
misconceptions. Semin Hematol. 2008;45(3):135- 40. 38. Wasserstein RL, Lazar
NA. e ASA’s Statement on p-Values: context, process, and purpose. Am Stat.
2016;70(2):129-33. 39. Leyva de los Ríos C. Signicancia clínica vs estadística
[internet]. 2017 [citado 2018 jul. 17]. Disponible en: http://www.sinestetoscopio.com/
signicancia-clinica-vs-estadistica/ 40. Pallás JMA, Villa JJ. Métodos de investigación
clínica y epidemiológica [internet]. 4th ed. Barcelona: Elsevier España; 2012. [citado
2018 jul. 17]. Disponible en: https://books.google.com. co/books?id=1I83AgAAQBAJ
41. Fernandez S, Pértegas S. Pruebas diagnósticas: Sensibilidad y especicidad.
[internet]. 2003 [citado 2018 jul. 18]. Disponible en: https://www.
sterra.com/mbe/investiga/pruebas_di agnosticas/pruebas_diagnosticas.asp 42.
GordisL.Epidemiología[internet].Elsevier;2005. [citado 2018 jul. 18]. Disponible en:
https://books.google.com.co/books?id=BNt2XqFGILIC 43. Hernández B, Velasco-
Mondragón HE. Encuestas transversales. Salud Publica Mex. 2000;42(5):447-55.
44. Cortés-Reyes E, Rubio-Romero JA, GaitánDuarte H. Métodos estadísticos de
evaluación de la concordancia y la reproductibilidad de pruebas diagnósticas. Rev
Colomb Obstet Ginecol. 2010;61(3):247-55. 45. Norman GR, De Burgh Norman JE,
Streiner DL, Fernández P, Ciapponi A, Goodman S, et al. Bioestadística. Evid -
Actual en la Pract ambulatoria [internet]. 1935 [citado 2018 jul. 17];16(3):252