Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Biblia Metodo
Biblia Metodo
Ahora por qué es tan importante recabar antecedentes respecto del grado de conocimiento
que se tiene en el tema en el que está inserta la idea que uno está planteado. Esto es
esencialmente para:
❖ Evitar investigar sobre algún tema que ya se haya estudiado muy a fondo o cosas
que pueden ser irrelevantes. En general distinguimos dos tipos de ideas: las
originales, que se plantean por primera vez y las ideas novedosas, que recogen
ideas ya planteadas y las trasladan a un contexto distinto.
❖ La idea de investigación debe ser al menos novedosa (enfoque diferente a un tema
conocido superficial o profundamente)
❖ Ejemplo: Los trastornos de ansiedad versus el efecto de la psicoterapia en el
desempeño laboral en la administración pública (investigación hecha en Europa pero
no en Chile = Novedad en Chile). Esto sin duda es un tema que puede ser relevante
en cualquier país o continente y por lo tanto, alguien que estime que sea relevante
en Chile podría tomar esta idea y trasladarlo a la
realidad chilena, esto sería una investigación novedosa
Todas las ideas están sujetas a una evaluación en su originalidad y viabilidad. A veces una
buena idea no se transforma en una investigación porque su viabilidad es muy baja.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
El método clínico
Este método es un derivado del método científico y es en principio la utilización del método
científico para estructurar la práctica clínica. Este uso que se hace
del método científico a los efectos de estructurar la práctica clínica
surge de la necesidad de hacer más efectivo y eficaz el manejo
que el médico hace de un paciente y también pretende de alguna
manera obligar a que todo manejo de paciente esté sustentado en
un conocimiento acabado de un conocimiento que subyace a ese
manejo. De ahí que hoy día se acuñó el término de medicina
basada en evidencia que no es sino, una conceptualización de
esta situación y que de alguna forma le da un poco de más tranquilidad al paciente, que de
pronto puede no sentirse tan cómodo con un médico en particular, que evidentemente no
supo tratar a un paciente de manera adecuada.
El método clínico V/S El método científico.
Cuando uno compara el método científico con
el método clínico es evidente que hay
similitudes bastante claras en relación a la
situación asociada al desarrollo de una
investigación y lo que es el enfrentamiento del
médico con el paciente a los efectos de poder
manejarlo, tratarlo adecuadamente. El médico
en una situación ideal debe ser capaz de
identificar qué es lo que tiene el paciente,
tiene que ser capaz de presumir un
diagnóstico, este diagnóstico posteriormente debe ser contrastado con exámenes que
habitualmente el médico debe solicitar, para que esos exámenes posteriormente permitan al
médico confirmar o no el diagnóstico inicial que él mismo propuso y entonces permita que
se haga un tratamiento adecuado de la patología del paciente y se transforme en una
evolución favorable del paciente para finalmente una mejoría del paciente. Todo eso si uno
lo traslada al esquema del método científico, tenemos entonces lo que se ve en la
proyección:
● Existe un conocimiento actual de una determinada patología, el paciente llega, el
médico identifica eventualmente un problema por ejemplo en base a la
sintomatología elabora un diagnóstico que es algo así como elaborar una
hipótesis, establece una hipótesis que lo va a orientar con respecto de la necesidad
de obtener un determinado tipo de datos que en este caso van hacer por ejemplo
los exámenes, eso va a tener que ser de alguna forma contrastado o va a tener
que estar adscrito a las condiciones propias de la interacción que el médico tuvo con
el paciente o tiene con el paciente, dependiendo si es ambulatorio o un paciente
hospitalizado y posteriormente se va a tener que hacer un análisis de los
resultados de estos exámenes y realizar una interpretación adecuada y correcta
de los exámenes, respecto de la condición del paciente a los efectos entonces de
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Métodos clínicos
Requisitos para aplicación del método clínico
El médico debe tener:
1. Buena relación médico-paciente..
2. Destreza en interrogatorio y examen físico
3. Organización y jerarquizacion de la información que recibe del paciente y cualquier
otra información relacionada por ejemplo con su propio acervo y con lo que
eventualmente le van a entregar los exámenes.
4. Integrar los problemas biológicos con los psicosociales.El doctor debe integrar de
manera correcta los problemas propiamente clinicos, medicos con otro tipo de
problemas que el paciente puede tener y que generan un entonces un mayor grado
de complejidad en el manejo, como son todos los aspectos psicosociales,
5. Dominio del razonamiento clínico (Debe ser capaz de analizar, sintetizar, contrastar,
debe tener objetividad y visión integral) De esta manera toda la información que va
a organizar le va a permitir llegar a una conclusión objetiva de lo que está ocurriendo
con el paciente no solamente del punto de vista puntual de una patología sino
también del punto de vista integral
6. Indicar las pruebas de acuerdo a la clínica
7. Conocer la interpretación, las limitaciones y los riesgos de la exploración
complementaria y la instrumentación que se utilice
8. Evitar iatrogenia (por la palabra, las investigaciones o la terapéutica): Esto es muy
importante, es decir debe evitar el causar daño al paciente.
9. Reconocer y analizar en colectivo los errores y poder analizarlo dentro de una
comunidad de colegas
10. Conducta ética en todos los casos.
Uno puede acotar la búsqueda incorporando información adicional al término como por
ejemplo, un tipo particular de archivo, el año, algún aspecto como la mortalidad, y
obviamente así el tipo de resultados va a disminuir, pero aún así siguen siendo muchísimos
y no hay certeza, hay inespecificidad del buscador google para determinar la validez
efectiva de la información entregada.
Google académico
➢ Gestores Bibliográficos
Son sitios más sofisticados donde se integra la información y se puede hacer un manejo
informativo de información dependiendo del tipo de trabajo que se está realizando con las
referencias bibliográficas que se vayan encontrando.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Para todas las formas de obtener información la más importante es aquella que nos permite
inicialmente obtener referencias bibliográficas para posteriormente ir en busca de los
artículos científicos propiamente tal, y para esto, el banco de datos más completo del
mundo es PubMed.
Cada una de estas citas está identificada por un título, si yo hago click sobre alguno de
estos títulos nos encontramos con algo como esto:
específico de Brasil, que también forma parte de esta comunidad. Permite la búsqueda, en
todos los casos, de referencia por cita, por autor o materia.
Cada país posee un sitio con una estructura de índice similar que permite buscar artículos
científicos en castellano y portugués (en el caso de Brasil) por cita, autor o materia.
Dentro de los bancos de datos de artículos propiamente tales, y tal como les mostré hace
un momento atrás, existen varios. Dentro de esos varios, hay algunos que son
particularmente relevantes, porque son bastante completos, contienen una gran cantidad y
una gran diversidad de artículos de las más diversas materias. Probablemente uno de los
más completos, es ScienceDirect, cuya página de inicio es la que se observa acá. Es sin
duda uno de los repositorios de artículos científicos más completos que existe, su buscador
es tanto más sofisticado que el mismo PubMed. Permite acceder a artículos completos,
dependiendo, y esto es muy importante, del tipo de licencia de la que el usuario disponga,
en este caso por ejemplo, la Usach o los usuarios Usach tienen acceso a ScienceDirect a
través de una licencia institucional de la universidad, eso determina cuantas y cuales son
las revistas a la que se va a tener acceso en el formato de texto completo.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Aparte de los buscadores especializados, también existen sitios web con información
científica consolidada. Y esto es muy importante de tenerlo presente, porque hay en
muchas ocasiones necesidad, no hacer una investigación exhaustiva sobre un tema, sino
obtener información a un nivel más de divulgación pero que sea muy confiable de distintos
temas. Aquí hay varios sitios que cumplen con los requisitos de validez científica, es decir,
son sitios que están construidos sobre la base de información científica válida y que está
constantemente siendo actualizada y trabajada por expertos. Hay distintos ejemplos, aquí
tenemos uno que ese el sitio de la Organización Mundial de la Salud, que son como otros
sitios con información general y también información específica respecto a diversos temas
de la salud humana con un fundamento científico y que están siendo constantemente
actualizados por expertos. Son muchas veces útiles para la divulgación de características
de patologías, por ejemplo, y de la diseminación más o menos generalizada de información
asociada, por ejemplo, al manejo organizacional de los temas de salud que también puede
ser muy relevante.
Sitios con información general y específica respecto de diversos temas de la salud humana
con fundamento científico, elaborado con apoyo de científicos especialistas en las diversas
materias. Útiles para la divulgación de las características de patologías y el manejo
organizacional de los temas de salud.
Sitio web con información científica consolidada (22)
Cuando se hace una búsqueda, uno se va a encontrar con distintos tipos de publicaciones.
¿A que se refiere uno con tipos de publicaciones? Hay distintos formatos donde se presenta
la información científica en la forma de una publicación, y esos distintos formatos además
están asociados a distintos tipos de información que se presentan y a distintos niveles de
profundidad con que la información se presenta. Básicamente, uno puede distinguir dos
tipos de publicaciones. Publicaciones que se diferencian unas de otras según el
contenido, o eventualmente, según el tipo de fuente.
En el caso del tipo de fuente, nos estamos refiriendo fundamentalmente a dos tipos de
fuentes, lo que se llama un fuente primaria y lo que se conoce como una fuente secundaria:
➢ Primaria: que presenta información directo de la mano del autor o investigador al
lector.
➢ Secundaria: recopilación de información de fuente primaria.
definición es de 2 tipos: una conceptual (se determina que se va a medir) y otra operacional
(determina cómo se va a medir)
Ejemplo:
Hi: “El nivel sérico de IgG en pacientes COVID-19 (+) es mayor que en las personas no
infectadas con el virus”. (Hipótesis de la investigación)
H0 =
“El nivel sérico de IgG en pacientes COVID-19 (+) no difiere de las personas no
infectadas con el virus” (Hipótesis nula)
Ejemplo:
H1: La eficacia del Tramadol subcutáneo es mayor al endovenoso en el manejo del dolor
agudo post operatorio en pacientes traumatológicos.
Hi: La eficacia del Tramadol subcutáneo es menor al endovenoso en el manejo del dolor
crónico post operatorio en pacientes traumatológicos.
•Profesionales de la salud que trabajan en atención primaria se hacen 0,07 a 1,85 preguntas
por paciente.
•Entre 30% y 56% de estas preguntas es seguida de una búsqueda de información.
Existen fundamentalmente dos tipos de preguntas que los médicos se hacen durante la
práctica clínica:
•Preguntas tipo “Background”: generales, amplias y básicas (predominan cuando no hay
experiencia clínica).
•Preguntas tipo “Foreground”: específicas, focalizadas y dirigidas. Orientadas al paciente,
aplicables a la solución de un problema nuevo y con repercusión en la toma de decisiones.
Habitualmente cuando se identifica un problema, ese problema, a través del ejercicio del
método clínico se clasifica en tópicos, y dependiendo de cuantos tópicos estén
involucrados se determina el curso de acción.
2) ¿Tienen los fumadores mayor riesgo que los no fumadores para desarrollar cáncer
bronquial?
Esta es una pregunta típica de daño.
Para formular una pregunta clínica se utiliza habitualmente una estructura particular que se
conoce como el esquema PICO que subdivide la pregunta clínica en cuatro elementos:
1) La población: Personas a las que se les aplicará la información que se encuentre a
partir de la respuesta de la pregunta.
2) La intervención/acción: Se refiere a la intervención cuyos efectos se van a evaluar.
3) La comparación: Se refiere a literalmente comparar con, por ejemplo, un gold
estándar o la alternativa clásica por defecto, el mejor tratamiento posible o un
placebo.
4) El objetivo/Outcome: Corresponde a lo que se busca conseguir con la acción.
Escenario clínico
¿Cómo podríamos, a partir de este escenario, construir una pregunta clínica estructurada en
el esquema PICO?:
1. Primero tendríamos que identificar la población, es decir, que tipo de paciente
tenemos acá, en este caso se trata de paciente adolescente con un episodio agudo
de un trauma craneal moderado.
2. ¿Cúal sería la intervención? El uso de corticosteroides intravenoso.
3. ¿Cuál sería la intervención de comparación? El comparado con el placebo, a partir
de la objeción que tendría el becado.
4. ¿Cuál sería el Outcome? ¿Disminuye la mortalidad? ¿Disminuye las
complicaciones? ¿Disminuye los síntomas? Eso habría que definirlo.
Entonces uno podría formular dos tipos de preguntas, por ejemplo:
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
“¿En pacientes adolescentes con episodio agudo de trauma craneal moderado, el uso de
corticosteroide i.v. comparado contra placebo, disminuye las complicaciones? (P)” E
so sería
una pregunta pronóstico.
“En pacientes adolescentes con episodio agudo de trauma craneal moderado, el uso de
corticosteroide i.v. comparado contra placebo, disminuye los síntomas? ( T)” Eso sería una
pregunta típica de tratamiento o terapéutica.
Objetivo general: U
n objetivo va a ser considerado
general cuando sea susceptible a ser descompuesto
en al menos dos objetivos específicos.
❖ Señala el propósito global de la investigación en cuanto a su contenido, pero
no presenta detalles de los componentes de estudio.
❖ Posee relación directa con el área temática que se pretende estudiar y con el
título de investigación.
❖ Identifica, sin entrar en detalles, lo que se desea indagar o analizar.
❖ Debe ser “descomponible” en los diferentes componentes (detalles) del
estudio.
Objetivo específico: Un objetivo va a ser considerado específico cuando pueda ser
descompuesto en dos actividades o acciones definidas y concretas.
❖ Señala lo que se pretende realizar en cada “etapa” de la investigación
(presenta detalles de los componentes de estudio).
❖ Corresponden a logros parciales estipulados en la formulación de la
investigación.
❖ Identifica en detalle, lo que se desea indagar o analizar.
❖ Debe ser “descomponible” en diferentes actividades concretas.
❖ Debe estar “contenido” en el objetivo general (al menos en una relación 2:1).
❖ Si se cumplen en su totalidad implica que el objetivo general correspondiente
se ha cumplido completamente.
Formulación de objetivos:
La formulación de un
objetivo no es sino la
formulación de una
pregunta de investigación
en un logro a alcanzar. Por
lo tanto, y tal como se
puede observar, hay una
dependencia directa entre
la pregunta que se hace el
investigador y un objetivo
que refleja en la forma del
formato de un objetivo la
pregunta planteada. Por
ejemplo, en este caso que
observamos aquí, a la
pregunta ¿Cuál es el
número de becarios según
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
las distintas regiones del país?, el objetivo correspondiente sería: determinar el número de
becarios según las distintas regiones del país. Si la pregunta es ¿Cuál será la procedencia
de la población becaria considerando el sector educativo?, el objetivo sería: Conocer la
procedencia de la población becaria considerando el sector educativo y si la pregunta fuera
¿De dónde proviene la población becaria considerando el estrato social?, el objetivo podría
ser: Identificar la procedencia de la población becaria considerando el estrato social.
Elementos de un objetivo:
Desde un punto de vista más operativo uno puede analizar un objetivo y reconocer en él
estos elementos, tal como los identificamos recién o podemos hacer una descomposición
del objetivo, reconociendo los 5 elementos operativos del objetivo que son:
➢ El verbo: Indica el grado de complejidad del estudio.
➢ El evento u objeto del estudio.
➢ La unidad de análisis: Corresponde generalmente a los sujetos del estudio.
➢ El contexto: Es decir, dónde se va a realizar este estudio.
➢ Muchas veces se incorpora también un elemento de temporalidad.
Ejemplo
¿Cuál sería un objetivo razonable para la siguiente pregunta?:
➢ ¿Existirá alguna diferencia en el rendimiento académico de los estudiantes del
primer año de Medicina USACH 2019, de acuerdo a su género?
Objetivo General
Cuando un objetivo general plausible podría ser del siguiente, tenor relacionar las
calificaciones del primer año de la carrera y el género de los estudiantes de Medicina
USACH 2019.
Para la misma pregunta anterior podemos también elaborar objetivos específicos como
podrían ser los siguientes:
❖ Determinar la distribución por género de los estudiantes del primer año de Medicina
USACH 2019.
❖ Analizar los promedios finales de los estudiantes del primer año de Medicina USACH
2019.
❖ Relacionar las calificaciones obtenidas por asignatura con el género de los
estudiantes del primer año de Medicina USACH 2019.
❖ Comparar los promedios finales de los estudiantes del primer año de Medicina
USACH 2019 según género.
Como ustedes pueden ver, estos objetivos específicos se escriben todos en relación al
objetivo general planteado anteriormente.
Independientemente del tipo de objetivo de que se trate, ya sea general o específico, cada
objetivo debe estar siempre en estrecha correlación con la investigación que se está
desarrollando. En ese sentido, tiene haber, por lo tanto, una estricta correlación entre el
objetivo y el alcance de la investigación. De ahí que se hable de objetivos
exploratorios/descriptivos o los denominados objetivos analiticos que involucran a los
objetivos explicativos y los predictivos.
Al igual que en el caso de los alcances, en el caso de los objetivos descriptivos y
exploratorios, por ejemplo, se pretende exactamente lo mismo, es decir, permitir una
acercamiento hacia problemas poco conocidos. En el caso de los objetivos analiticos, que
incluyen como ya dije, los explicativos y los predictivos, estos objetivos tienen que permitir
contrastar o verificar hipótesis.
➢ Objetivos descriptivos/exploratorios:
❖ Permiten un acercamiento a problemas poco conocidos.
❖ Identifican o describen características o atributos ignorados o desconocidos.
❖ Cuantifican la frecuencia de algún fenómeno socio-sanitario no estudiado.
❖ Seleccionan problemas y áreas de interés para futuras investigaciones.
❖ Ordenan y clasifican las variables en categorías.
➢ Objetivos analiticos (explicativos/predictivos):
❖ Permiten contrastar o verificar hipótesis.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Como ya indiqué, al inicio de esta clase, hay una relación evidente entre la pregunta de
investigación y el objetivo de la investigación o “los” objetivos de investigación. Debido a
que, como ya vimos, de la pregunta de investigación se derivan directamente los objetivos.
De ahí que, el logro de objetivos determina en qué medida la pregunta de investigación va a
poder ser respondida. El logro, por ejemplo, de un objetivo general va a permitir responder a
una pregunta de investigación planteada. Por cada pregunta de investigación debe existir (al
menos) un objetivo general que dé respuesta a esa pregunta. Por ejemplo:
PREGUNTA: ¿Cúal es la situación actual de los egresados de la promoción 2000 de la
carrera de Medicina USACH, en materia de estabilidad laboral?
Tipos de diseños
❖ Según la naturaleza de los datos que nosotros vamos a utilizar dentro de las
investigaciones
➢ Cualitativos
■ Es la que hace uso de los datos cualitativos para describir un aspecto,
en lugar de medirlo
■ Se compone de impresiones, opiniones y perspectivas
● La clave es una descripción profunda
■ Acá nos concentramos en algunos componentes que específicamente
son distintos o tienen que ver con emociones, pensamientos o
sensaciones de las personas
■ Una encuesta cualitativa es menos estructurada, ya que busca
profundizar en el tema para obtener información sobre las
motivaciones, los pensamientos y las actitudes de las personas.
● Son muy enriquecedoras a la hora de poder entender las
conclusiones o poder entender algunos aspectos del
comportamiento humano
➢ Cuantitativo
■ Es aquella que utiliza datos cuantitativos para recopilar información
concreta, como cifras.
■ Estos datos son estructurados y estadísticos.
■ Brindan el respaldo necesario para llegar a conclusiones generales de
la investigación.
■ Si el proceso de investigación cuantitativa es llevada de forma
correcta, nosotros podemos alcanzar una generalización bastante
adecuada, siempre y cuando eso se haya llevado a cabo con un
muestreo estadístico para tener representatividad de los resultados
➢ Mixtos
■ Es una combinación de los cualitativos y cuantitativos
■ Recientemente muchos estudios en las ciencias de la salud se hacen
de manera mixta, ya que un estudio cualitativo puede ser muy
enriquecedor en sus discusiones y conclusiones, y un estudio
cuantitativo puede ser muy potente a la hora de poder hacer
conclusiones desde el punto de vista estadístico
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Consideraciones
❖ Para elegir entre un modelo y otro
❖ En ciencias de la salud en mayor medida se tienden a utilizar diseños cuantitativos,
cuando las evidencias ya presentan un cierto grado de certeza o conocimiento
previo.
➢ En el caso de que sea un tema con poca investigación o se conoce poco,
sería mejor partir por algo más general, utilizar un modelo cualitativo sería
mucho más enriquecedora que tratar recopilar datos numéricos
❖ No se puede afirmar que uno u otro tipo de diseño es mejor, solo que dependerá de
los objetivos y el esquema para su selección.
❖ Dependerán también del manejo de los diseños por parte de los investigadores.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Dentro de lo que
son los estudios
epidemiológicos,
se puede tener
también otra tabla
resume que
clasifica los
estudios (ver tabla)
Entonces
principalmente
vamos a tener:
❖ Ensayos aleatorizados que son principalmente los ecas que es una asignación de
una exposición aleatoria, lo que quiere decir que los participantes van a ir siendo
seleccionados y asignados si es que tienen algún fármaco o es un placebo de
manera aleatoria a través de un proceso aleatorio (Como el estudio clínico que hizo
el doctor shepherd con mer), en este caso los criterios de selección de la población
no son tan importantes ya que lo más importante es la selección de la información o
de los pacientes principalmente. Tiene una temporalidad prospectiva, eso quiere
decir que se parte el día de hoy y se avanza hacia adelante.
❖ Los pseudo-experimentales o cuasi-experimental, la asignación de la exposición es
por conveniencia, muchas veces son los que más se hacen en ciencias médicas y
en ciencias de la salud.
❖ Estudios de cohorte, que muchas veces la asignación de la exposición es fuera del
control del asignador ya que depende si es que la persona tiene la enfermedad o no,
o tiene algún nivel de exposición igual que en los de casos y controles.
❖ Estudios por encuesta, estudios transversales, en donde uno toma una foto de
estas personas y les aplica un instrumento de población que principalmente son las
encuestas
❖ Estudios ecológicos lo que hacen es tomar muchas veces info secundaria de
exposición o de enfermedad y con esa información ya sea gubernamental o pública
construyen sus nuevas conclusiones.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Diseño de un estudio.
• 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. Entonces aquí es importante entender que el diseño lo que busca
es dar una estructura ordenada y que siga una lógica para que efectivamente las
investigaciones se hagan de la mejor forma.
Criterios de clasificación con respecto a los tipos de estudio:
❖ F inalidad del estudio: analíca o descriptiva.
❖ S ecuencia temporal: transversal (foto, una evaluación en un momento) o
longitudinal (un seguimiento).
❖ Control de la asignación de los factores de estudio: experimental u
observacional. A Veces existen los cuasi-experimentales en el cual se hacen
pequeñas intervenciones a los sujetos.
❖ Inicio del estudio en relación con la cronología de los hechos: prospectivo o
retrospectivo (desde hoy hacia atrás).
Finalidad
❖ Analítica
Un estudio se considera analítico cuando su finalidad es evaluar una presunta relación
causal entre un factor (p. ej., un agente que se sospecha que puede causar una
enfermedad o un tratamiento que puede prevenir o mejorar una situación clínica) y un
efecto, respuesta o resultado. Al final es cuando se busca alguna causalidad , estos
estudios se tienden a evaluar de manera posterior a través de estadísticas inferencial ya
sea buscando asociación o comprar alguna variable con otra. Debe presentar una
descripción previa
❖ Descriptivo
Un estudio se considera descriptivo cuando no busca evaluar una presunta relación causa
efecto, sino que sus datos son utilizados con finalidades puramente descriptivas. Suele ser
útil para generar hipótesis etiológicas que deberán contrastarse posteriormente con estudios
analíticos. Es cuando observo alguna población y voy describiendo o enumerando los
resultados con las cosas que le pasan según determinada condición que puede ser alguna
patología, algún diagnóstico, tratamiento. Describo lo que efectivamente está pasando en
esa población, no comparo, no asocio, no busco esa causalidad.
Secuencia temporal 10:45
● Se consideran transversales los estudios en los que los datos de cada sujeto
representan esencialmente un momento del tiempo. Estos datos pueden
corresponder a la presencia, ausencia o diferentes grados de una característica o
enfermedad (como ocurre, por ejemplo, en los estudios de prevalencia de un
problema de salud en una comunidad determinada), o bien examinar la relación
entre diferentes variables en una población definida en un momento de tiempo
determinado. El ejemplo clásico de una foto, uno evalúa a los sujetos solo una vez.
Estudia la prevalencia del número de casos que hay.
● consideran longitudinales los estudios en los que existe un lapso de tiempo entre
las distintas variables que se evalúan, de forma que puede establecerse una
secuencia temporal entre ellas. Pueden ser tanto descriptivos como analíticos. En
estos últimos debe tenerse en cuenta, además, la dirección temporal, que puede ir
de la causa hacia el desenlace (estudios experimentales y estudios de cohortes) o
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Se muestra ejemplificado lo
que es la secuencia temporal.
Transversal: en el presente
Cohorte prospectivo: desde el
presente al futuro
Cohorte retrospectivo: se
evalúa lo que ya pasó
Cohorte ambispectivo: pasado
presente y futuro
Casos y controles: son las
personas que ya tuvieron la
enfermedad.
ensayos clínicos: Son prospectivos: presente y futuro.
Asignación de los factores de estudio
❖ Se consideran experimentales los estudios en los que el equipo investigador asigna
el factor de estudio y lo controla de forma deliberada para la realización de la
investigación, según un plan preestablecido. Estos estudios se centran en una
relación causa-efecto (analíticos), y en general evalúan el efecto de una o más
intervenciones preventivas o terapéuticas. Aca se evalúan las variables o
controlando, tienen que ver con los ensayos clínicos, donde se entrega un fármaco a
algunos pacientes y a otros pacientes se les da … de forma aleatoria y voy midiendo
los efectos en determinadas fases de estas investigaciones.
❖ Tienen mayor nivel de evidencia ya que los protocolos de rigurosidad son más
exhaustivos.
❖ Se definen como observacionales los estudios en los que el factor de estudio no es
controlado por los investigadores, sino que éstos se limitan a observar, medir y
analizar determinadas variables en los sujetos. La exposición puede venir impuesta
(p. ej., el sexo o la raza), haber sido «escogida» por los propios sujetos (p. ej., el
consumo de tabaco) o decidida por el profesional sanitario dentro del proceso
habitual de atención sanitaria (p. ej., los actos terapéuticos ordinarios), pero no de
forma deliberada en el marco de una investigación.
Inicio del estudio en relación con la cronología de los hechos
❖ Se consideran prospectivos aquellos estudios cuyo inicio es anterior a los hechos
estudiados, de forma que los datos se recogen a medida que van sucediendo.
❖ Se consideran retrospectivos los estudios cuyo diseño es posterior a los hechos
estudiados, de modo que los datos se obtienen de archivos o registros, o de lo que
los sujetos o los médicos refieren. Terminan en el presente y van hacia el pasado.
❖ Cuando existe una combinación de ambas situaciones, los estudios se clasifican
como ambispectivos.
Clasificación de los tipos de diseño
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Tabla resumen: La aleatorización disminuye mucho los sesgos de selección de los sujetos.
Estudios de cohortes: Estudios que más se realizan en ciencias de salud, Los estudios de
casos y controles revisten de fondo porque no son estudios que se realicen con poco
tiempo, ni tampoco se realizan en poblaciones pequeñas. Generalmente son estudios que
se hacen con fondos públicos o privados.
El término cohorte se utiliza para designar a un grupo de sujetos que tienen una
característica o un conjunto de características en común (generalmente la exposición al
factor de estudio, como la contaminación ambiental, exposición a algún metal pesado), y
de los que se realiza un seguimiento en el transcurso del tiempo
Ejemplos:
Consideración de interpretación:
Las evaluaciones de riesgo que es un aspecto
que hay que tener en consideración respecto a la
evaluación de los resultados de los estudios de
casos y controles y estudios de cohortes que es
la diferencia entre el riesgo relativo (RR) y el OR.
Si se fijan en la tabla vamos evaluando la
frecuencia de evento o sea las prevalencia que
los elementos tienen, son eventos que tienen
mucha representación dentro de la población y
los valores de RR-OR en la vertical. Entonces en
el RR independiente de la frecuencia del evento
se mantienen estables, pero el OR, principalmente entre los 25-30 de la prevalencia de las
enfermedades de las canciones va separándose del riesgo relativo, eso quiere decir que en
un punto entre 50 y hasta 70 de las prevalencias o de la cantidades de información de la
población con respecto a esa patología tiende a sobreestimar el valor, entonces podemos
encontrar un OR de 14 pero eso no quiere decir que nosotros tenemos 14 veces más
posibilidades de tener la enfermedad dado que hay una condición sino que si miramos el
riesgo relativo vemos que efectivamente el RR sigue siendo 2 o sea 2 veces más
posibilidades de tener la condición y el OR tiende a subestimar. Entonces cuidado al
evaluar cuando revisamos los OR, muchas veces se recomienda la utilización de RR pero
eso depende del tipo de estudio.
Estudios de casos y controles: La diferencia con el de cohorte que ellos estaban expuestos
o no expuestos y aquí son personas enfermas o personas sanas.
En los estudios de casos y controles se elige un grupo de individuos que tienen un efecto
o una enfermedad determinada (casos), y otro en el que está ausente (personas sanas)
(controles). Ambos grupos se comparan respecto a la frecuencia de exposición previa a un
factor de riesgo (factor de estudio) que se sospecha que está relacionado con dicho efecto o
enfermedad.
Aquí se ven enfermos y no
enfermos y a partir de eso ver si
tuvieron una exposición,
entonces es distinto al cohorte,
porque aquí se tienen a
personas con la enfermedad o
personas sanas.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Ejemplo: Enfermedad de
Parkinson y factores
ambientales:
Se evaluó a personas que ya
tenían la enfermedad.
Luego se ven antecedentes de estilo de vida y factores ambientales, los tóxicos presentan
ORC alto y un porcentaje significativo. Entonces es un factor de daño. Con este estudio
podemos ver que efectivamente los agentes nocivos están asociados a una mayor
presentación de enfermedad de parkinson en personas principalmente si miramos que está
la ruralidad, donde la gente está más expuesta a estos contaminantes, pero no es
significativo si vemos el ORC, pero en el de tóxicos si lo es, donde tienen 3 veces o mas
bien 2,9 más posibilidades de tener esta enfermedad.
Para
posteriormente
resumir los
resultados. Se
indica el autor,
país tipo de
estudio,los
sujetos y el
origen, los
resultados y las
conclusiones
*falto el grado
de
recomendación
que se hace por distintas evaluaciones, donde grey es la más importante*
Si un paper tiene un alto grado de recomendación, se debe considerar a la hora de la
creación de políticas públicas, etc.
Otro resultado de las revisiones
sistemáticas, tiene que ver con
los colores spot ? son gráficos
donde considero los estudios de
determinados autores, años y el
número de sujetos, y en este
gráfico se ve principalmente se
obtiene el valor de riesgo o la
razón de verosimilitud con
respecto a los estudios.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Entonces si yo obtengo todos los OR ( con sus intervalos de confianza) de todas las
investigaciones se puede construir un OR global y eso es significativo si no atraviesa la
línea inferior.
Se utiliza mucho para análisis de fármacos.
Clase 5: Muestreo
Diseño de Muestras:
❖ La dirección de la muestra y el método de
muestreo (importantes para tener muestras
representativas) va enmarcado en el diseño de la
planificación.
Dentro del esquema general de una investigación
tenemos:
1. En un inicio la idea, junto con la pregunta de
investigación.
2. Cómo se operacionaliza o se generan los
cuestionarios.
3. Marco y diseño muestrales, estos no pueden
ayudar con la gestión de recursos humanos y
económicos.
Muestra:
❖ Es la parte de la
población que
efectivamente se mide
(subconjunto de la
población), con el
objeto de obtener
información acerca de
toda la población (estimación).
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Unidad Muestral:
Marco muestral:
Diseño muestral:
Selección de la muestra:
Criterios de elegibilidad:
❖ Criterios de inclusión
❖ Criterios de exclusión.
Si yo especifico mucho mis criterios se reduce el tamaño poblacional y la idea es hacer esto
mediante muestreo para lograr la representatividad.
Sesgos:
Tipos de muestreo:
Probabilístico:
No probabilístico:
Otros:
❖ Errático
❖ Opinático
Fórmula MAE
Resultados y
estratificación.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Ejemplo:
Números
aleatorios, quiere
decir que cuando
yo obtengo el
proceso de
muestreo (verde),
del total de la
población (Ni) se elige la cantidad de la muestra (verde) aleatoriamente. Lo que garantiza
esto es que no se seleccione por criterio, sino aleatoriamente, eliminando los sesgos de
selección.
Números aleatorios:
❖ Es aquel obtenido al azar, es decir, que todo número tenga la misma probabilidad de
ser elegido y que la elección de uno no dependa de la elección del otro.
❖ Se asegura la elección aleatoria de las personas, eliminando sesgos o
disminuyéndolos al máximo.
❖ Cómo formar números aleatorios en Excel: =ALEATORIO.ENTRE(inferior; superior)
❖ Ej: =ALEATORIO.ENTRE(1; 100).
➢ La tabla que se generó con el resultado se expande hasta 10, es decir, que
entre 1 y 100 personas eligen de manera aleatoria a 10 personas.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Muestreo no Probabilísticos
Muestreos especiales:
❖ Estadística Descriptiva:
➢ Tiene por objetivo describir y analizar las características de un conjunto de
datos
❖ Estadística Inferencial:
➢ Está fundamentada en los resultados obtenidos del análisis de una muestra,
con el fin de inducir o inferir el comportamiento o característica de la
población, de donde procede, por lo que recibe también el nombre de
Inferencia estadística.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Ejemplo:
Queremos medir la edad de una población, podemos hacerlo de 2 maneras:
➢ Población (n): 5
Personas analizadas (n): 5
Edad media poblacional: 38 años
❖ Si la población es grande y no puedo preguntarle a todos individuos, escojo una
muestra representativa de la población, es decir, se le pregunta la edad a un grupo
de personas y se extienden las conclusiones a toda la ciudad, en este caso
hablamos de estadística inferencial.
Nota: Siempre hay un error en mi deducción o inferencia cuando hablo de
estadística inferencial
➢ Población: 15
Personas analizadas: 5
Edad media estimada: 38 años
Edad media prevista 2025: 42 años
Pasos de la Estadística
1) Recopilación
● Se recolectan variables
2) Presentación
● Representación gráfica de los datos
3) Análisis
● Tenemos que resumir y analizar los datos
4) Interpretación
● Interpretar y concluir a partir de los datos
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
VARIABLE
● Unidad de Observación:
○ Es la unidad física que nos interesa estudiar en nuestra investigación (es la
variable), pueden ser pacientes, personas, familias, objetos…
○ Nosotros vamos a estudiar características de la unidad de observación que
van a cambiar de un individuo a otro
■ Por ejemplo, las características de un paciente pueden ser: peso,
altura, color de piel, presión arterial, niveles de glucosa en sangre,
temperatura, etc
● Categorías de la Variable:
○ Son todas las posibilidades/opciones que yo puedo encontrar de esta
variable dentro de la muestra que estoy estudiando
■ Ejemplo:
Variable: Color de pelo
Categorías: Negro, Rubio, Castaño, Azúl, Rojo, Gris, Verde, Colorín,
etc..
Variables
❖ Las variables son los aspectos o características cuantitativas o cualitativas que son
objeto de búsqueda respecto a las unidades de análisis.
❖ Constituyen conceptos que reúnen dos características fundamentales:
➢ Criterios de Clasificación
■ Según su naturaleza o recorrido
● Variables Estadísticas: se clasifican en:
◆ Cualitativas
➢ Este tipo de variables representan una cualidad
o atributo que clasifica a cada caso en una de
varias categorías.
■ DICOTÓMICAS: 2 categorías:
(hombre/mujer, enfermo/sano,
fumador/no fumador).
■ POLITOMICAS, más de 2 categorías
(color de los ojos, grupo sanguíneo,
profesión, etcétera).
➢ Se subdividen en:
■ Nominal
■ Ordinal
◆ Cuantitativas
➢ Hablan de cantidades, con ellas nosotros
podemos hacer operaciones matemáticas}
➢ Se dividen en:
■ Discretas
● Se hallan restringidas a
determinados valores dentro de
su rango, no aceptan números
intermedios.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
● Escalas de Medición
Existen 4 escalas de medición (Stevens 1958)
● Nominal
◆ A todas la unidades estadísticas equivalentes respecto
a la propiedad o atributo en estudio le corresponde un
número real que funciona solo como una “etiqueta”
◆ Todas las categorías de la variable tiene la misma
jerarquía
◆ Ejemplo:
➢ Sexo: Femenino (1)
Masculino (2)
➢ Tipo de Paciente: Hospitalizado (1)
Ambulatorio (2)
Atención domiciliaria (3)
● Ordinal
◆ Cuando el orden de los números asignados a las
unidades estadísticas refleja diferentes grados de la
propiedad o atributo en estudio
◆ Estas SI tienen un orden o jerarquía entre ellas,
podemos ordenarlas y el orden determina distintos
grados o propiedades de la característica en estudio
◆ Ejemplo:
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
● Intervalo
◆ Se tiene una escala intervalo, cuando los valores
asignados a las unidades estadísticas no solo permiten
ordenarlas, sino que además, las diferencias iguales
entre estos indican diferencias iguales en las
cuantías de las propiedades a medir. El inicio de la
escala (0) es arbitrario, convencional, no significa la
● Razón
◆ Cuando los valores asignados a las unidades
estadísticas no solo permiten que estas puedan ser
ordenadas, sino que además, las diferencias iguales
entre estos indican diferencias reales en las
cuantías de las propiedades a medir
◆ Acá el cero significa 0, la ausencia de la variable a
medir, no como antes que era arbitrario
◆ Ejemplo: E l peso de un paciente, aquí el 0 sí significa
la ausencia de la variable en cuestión
◆ Ejercicios:
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Aquí vimos como la variable dependiente del primer estudio pasó a ser una
variable independiente en el segundo estudio.
➢ Cuando un investigador cuando va a realizar su investigación, debe definir
conceptual y operacionalmente las variables
➢ Definición conceptual de la variable
Es lo que entiende el investigador por la variable
Es en general la definición que encontramos en los diccionarios
Esto es para que tanto él como la persona que lea la investigación
tengan el mismo concepto o idea de la variable que se está midiendo
➢ Definición operacional de la variable
Va a definir cómo el investigador va a recopilar o va a medir esta
variable, si la va a considerar de tipo dicotómica, si es cualitativa, o si
la va a considerar cuantitativa por ejemplo.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
➢ Ejemplo:
Estudio de la incidencia de tuberculosis pulmonar en pacientes diabéticos
MEDIDAS DE DISPERSIÓN:
Indican la tendencia de los datos a dispersarse
respecto al valor central, reflejan las diferencias
individuales entre los miembros de una muestra
❖ Varianza( s2 ,var(X)) mide el grado de
dispersión de cada uno de los valores respecto la
media .Es el promedio al cuadrado de las
dimensiones
(s=desviación estándar).Es fácil de calcular pero no es respecto al centro de
distribución de los datos.
sería 4,8% de CV. Por tanto L2 midió con mayor precisión , porque tiene una menor
dispersión de los datos.
MEDIDAS DE DISTRIBUCIÓN
● frecuencia absoluta
● frecuencia relativa: frecuencia absoluta/total .La suma de todas debe dar 1 o aprox 1
● frecuencia acumulada
● frecuencia porcentual : se calcula cuando n es 100 o mayor. de manera contraria se
reemplaza por la f.relativa .Es= f.relativa x 100
:resumen
los ejes deben estar descritos, en este caso tenemos el eje x, que es el tiempo o casos
durante el periodo un entre marzo a mayo; tenemos también el número de casos (eje y).
Los gráficos deben ser simples y fáciles de interpretar; deben transmitir de forma inmediata
una idea general, en este caso es el aumento de los casos de Covid-19, vemos que los
fallecidos casi se mantienen en el tiempo; y el tipo de gráfico va a depender del objetivo que
queremos realizar en el análisis y del tipo de datos con el cual vamos a hacer el análisis.
gráfico nos muestra como los casos han ido aumentando en el tiempo.
❖ Gráficos de Barras Simples / Agrupadas: usados en variables de tipo cuantitativas
discretas (que no aceptan valores intermedios), y de tipo cualitativas (representando
frecuencia, en donde la altura de la barra es proporcional a la frecuencia de esa
categoría). En este ejemplo, podemos ver representadas las epidemias más letales
de la historia, donde tenemos en el eje x las variables ‘epidemias más letales’
(variable cualitativa nominal), y en el eje y el ‘número de fallecidos’ (cuantitativa
discreta) provocados por estas epidemias. Pueden ser barras verticales o
horizontales como el segundo.
❖ Gráficos de Barras
Agrupadas: su objetivo es comparar dos
variables, en este caso el gráfico compara el
crecimiento económico en distintos países
durante dos años, el crecimiento en el 2019 y
el pronóstico de crecimiento para 2020.
Podemos ver que en todos los países el
pronóstico de la evolución económica se
predice que va a ver un menor crecimiento
económico en el año 2020 en comparación al
2019.
que el grupo que obtuvo mayor frecuencia en su puntaje fue el grupo entre los 25 -
31 puntos, el que vemos representado con la barra mayor. La frecuencia es
proporcional al área del rectángulo.
❖ Tablas Complejas:
multivariadas, de más de
dos variables (ej: región,
casos confirmados -con
síntomas, sin síntomas y
total casos- y fallecidos).
Las representaciones gráficas también nos muestran y visualizan que se han realizado
análisis de tipo inferencial. Las notaciones que van a dar cuenta de este tipo de análisis, son
el asterisco (*) y el valor P. En este ejemplo, compara distintos antiinflamatorios, fármacos
de uso comercial y dos nuevos fármacos que quieren introducirse para ver el efecto
antiinflamatorio en ratas, las cuales se ha enfrentado a una reacción alérgica frente a la
proteína de huevo.
En este caso, tenemos una tabla donde muestra la correlación entre dos variables, el índice
de masa corporal (IMC) y la circunferencia de cintura (CC). Donde aparecen los asteriscos
son los resultados que mostraron una correlación estadísticamente significativa.
¿A cuantas personas tengo que preguntar para estimar la edad de toda la ciudad? ¿Cuál
será la Edad Media dentro de 5-10 y 50 años? ¿Cuáles características como peso o sueldo
que ganan influyen?
Azar y probabilidad:
❖ Azar: aleatorio, no controlado, como lanzar una moneda
❖ Probabilidad: lenguaje que utiliza como “no hay suficiente evidencia”, “resultado no
es estadísticamente significativo”, “a partir de los datos que me ofrece, la
probabilidad que ocurra es de...”
Estadística inferencial
❖ Busca conclusiones válidas para poblaciones a partir de datos observados en
muestras
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Muestra Representativa
❖ Requisitos:
➢ Debe ser aleatoria (misma probabilidad de aparecer en la muestra)
➢ Debe ser homogénea (misma proporción de características que pueden
influenciar el experimento, es decir, Misma proporción de mujeres, hombres,
edad, fumadores o no fumadores etc )
❖ ¿Cómo se toma la muestra?
➢ Muestreo probabilístico:
■ Aleatorio simple
■ Estratificado
■ Sistemático
■ En etapas múltiples
➢ Muestreo no probabilístico
■ No participa el azar, como por ejemplo, voluntarios
Tamaño Muestral
Tamaño apropiado para los objetivos del estudio. Cuando es insuficiente, se limita encontrar
diferencias buscadas. Para su cálculo se define los riesgos a asumir:
❖ Errores tipo I o alfa
❖ Errores tipo II o beta
❖ Magnitud de la diferencia que se desea detectar
Situación
Para saber el valor medio de colesterol en sangre de la población de nuestra ciudad con 4
millones de habitantes:
236 mg/dl (VALOR PROMEDIO DE LA MUESTRA)
Pero queremos saber el valor promedio de nuestra población, que probablemente será
parecido pero no igual. ¿Cómo solucionarlo?
Escogemos otras muestras y repetimos el
experimento 9 veces con grupos de
muestras elegidas al azar.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Hipótesis
❖ Declaración sobre el valor de un parámetro de la población desarrollado con el fin de
poner a prueba.
❖ Ejemplos: El ingreso mensual para analistas de sistemas es de 865.000 pesos;
veinte por ciento de los clientes del restaurante chilenazo regresan para otra comida
dentro de un mes
Contraste de Hipótesis
Proceso de decisión en que una hipótesis formulada en términos estadísticos es puesta en
relación con datos empíricos para determinar si es o no compatible con ellos
❖ Datos empíricos: muestra
❖ Hipótesis: población
Suponga que quieres saber la rapidez de combustión de un agente utilizado en los sistemas
de emergencia para la tripulación de una aeronave. El interés se centra sobre la rapidez
promedio. Específicamente, recae en decir si la rapidez de combustión promedio es o no de
50 cm/s.
❖ Se puede expresar como:
➢ H0 = 50 cm/s
➢ H1; 50 cm/s
➢ Como la H1 especifica valores de que pueden ser mayores o menores que
50 cm/s, también se conoce como hipótesis alternativa bilateral
➢ La hipótesis nula se rechaza sólo si la evidencia muestral sugiere que H0 es
falsa. Si la muestra no contradice a H0, se continúa creyendo en la validez de
la nula.
➢ Entonces las conclusiones posibles serán rechazar H0 o no rechazarlo.
Ejercicios
Ud quiere comparar el efecto de un fármaco A con el gold standard B. Realiza una prueba
de hipótesis para saber si el A es más efectivo en reducir la inflamación de la rodilla.
Plantee la hipótesis nula y la alternativa.
❖ Hipótesis nula: el fármaco A no es más efectivo que el fármaco B en reducir la
inflamación de la rodilla (No hay diferencias entre los términos comparados, y las
diferencias se deben al azar)
❖ Hipótesis alternativa: el fármaco A es más efectivo que el fármaco B en reducir la
inflamación de la rodilla 8 (Si h0 es rechazada, se acepta. Existe diferencias
evidentes y que no se deben al azar)
¿Qué se puede inferir si se obtiene como resultado un p de 0,003, con un nivel de confianza
del 95%?
❖ Como P es menor que alfa (0,05), se cree en la hipótesis del investigador H1, de
asociación, correlación o diferencia entre los grupos de datos. El fármaco A es más
efectivo que el fármaco gold standard.
Normalidad
Un grupo se distribuye normalmente si:
❖ Su gráfico de distribución de frecuencia de la variable adquiere la forma de una
campana de Gauss
❖ Moda, mediana y promedio de la distribución de la variable son iguales o dentro del
mismo intervalo
Grados de Libertad
Medidas independientes que puedo realizar
dentro de un número de muestras.
❖ No pareadas: (n1+n2)-2
❖ Pareadas: números pares – 1
❖ Tablas de contingencia (col-1)(fil-1)
❖ Si los sujetos son elegidos en forma que se parecen en sus características o se trata
de los 9 mismos individuos evaluados en dos momentos diferentes, es una muestra
pareada.
❖ Son de individuos de un mismo grupo; dos medidas de un mismo individuo; series
de datos en el tiempo.
❖ Cuando los datos provienen de individuos de diferentes grupos , se dice que la
muestra es 10 independiente o no pareada.
❖ 2 Grupos o 2 conjuntos de datos (de la misma variable): T-student; Chi cuadrado por
tendencia.
❖ 3 o más set de datos (de la misma variable): ANOVA (análisis de varianza).
Test T de Student
El test de T independiente, no pareado o de dos colas de Student, puede ser usado para
determinar cuándo los promedios de dos muestras independientes (o pareadas) son lo
suficientemente diferentes como para concluir que provienen de distintas poblaciones. En
general, cuando uno hace el contraste entre grupos todos los test están diseñados para
demostrar que la hipótesis nula es verdadera, es decir, que no hay diferencia entre los
grupos, pero cuando ocurre el caso que el valor de probabilidad, el p-valor, que obtienes
con tus datos es menor que el nivel de significancia que has definido para el estudio, en ese
caso se dice que el test falló, y uno tiene una prueba que es estadísticamente significativa,
es decir, una diferencia que es más grande que aquella variabilidad propia del dato o de la
muestra.
Usos: el test T de student es útil para determinar si existen diferencias significativas entre
resultados obtenidos bajo dos condiciones experimentales.
Requisitos:
❖ Las observaciones son independientes (o pareadas).
❖ Extraídas de poblaciones normalmente distribuidas (las 3M son iguales: la moda,
mediana y el promedio).
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Cuando uno o los dos conjuntos de datos que estás comparando no son normales (3M
iguales), se usa una prueba derivada del test T de student pero para datos no paramétricos
o no normales.
El test T de student se divide en 4
posibles pruebas (tabla), de acuerdo con
la normalidad de la variable y tipo de
dato. Las cuatro pruebas hacen lo
mismo.
Una muestra pareada es cuando, por
ejemplo, hay un antes y un después de
un mismo grupo.
(La profe aquí empieza a enseñar a ocupar programas para realizar el análisis T de student
min 8:06 a 14:03)
❖ Para comparar: Usar el chi cuadrado para comparar si nuestros datos se aproximan
a un set de datos teóricos (chi square for trend o por tendencia) frecuencia
observada vs frecuencia esperada. Tenemos solo un set de datos experimentales, el
otro set son datos teóricos.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Ejemplos de aplicación
❖ Contenidos de un principio activo en un fármaco vs el valor del principio indicado en
su etiquetado.
❖ Número de episodios de tos (variable cualitativa dicotómica, tiene o no tiene
episodio) de un grupo de pacientes usando dos tipos diferentes de jarabe
antitusígeno.
❖ Se utiliza en este caso la ley de herencia
mendeliana como dato teórico y se
compara con la distribución de aparición
de un carácter dominante en una camada
de ratas. (Explicación de la utilización del
software para la prueba de Chi-Cuadrado
con este ejemplo min 22:07 a 24:46)
A diferencia de todos los otros test anteriores, el
análisis de datos usando pruebas de
Chi-cuadrado no requiere el cálculo de
normalidad, da lo mismo si son variables normales o no normales, se aplica de la misma
manera para todas.
De todas las pruebas que hemos visto en esta clase, ANOVA es la única que no es
informativa por sí sola, porque el ANOVA lo único que me dice es si hay o no diferencia
entre grupos, pero no me va a decir entre cuales grupos, por lo que se necesita hacer un
análisis posterior (post test o post hoc) llamado de comparaciones múltiples. Si sale
diferencia significativa en el ANOVA debo hacer el post test, para saber cuales son los
grupos que se compararon que dieron significancia estadística.
mismo día del ciclo se les midió la cantidad de FSH liberada, para ver que tan buena era la
pastilla.
(Explicación de la utilización del software para ANOVA para muestras pareadas min 31:25 a
33:08)
El test de ANOVA por sí solo está incompleto solo informará si hay diferencia entre los
grupos de datos. Es necesario realizar un post test (post hoc o comparación múltiple) que
compare todos los pares de columnas para verificar las diferencias. Este último análisis sólo
se realizará si el valor de P del análisis de ANOVA es menor de 0,05.
aca a la izquierda
está la tabla de la
frecuencia
observada y se
compara con la
tabla de frecuencia
esperada, esta
último se calcula
como la
multiplicación del
total de la fila total x
total de la columna/total entre todo .Entonces para calcular chi-cuadrado=
∑ /(valor observado − v alor esperado)e2/valor esperado .Necesito ademas saber los grados de
libertad del sistema, que es el número filas con datos-1 x número de columnas con
datos-1(sin considerar fila ni columnas con totales . entonces sería 1x1=1 grado de libertad
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
(Gl=grado de libertad),entonces
se construye esta tabla en un
software y nos da el resultado del valor de p
que es menor a 0.05.Aca como es por
asociación y no por tendencia, el análisis es
diferente ,pero como el chi tabulado que dio
el software es menor que el calculado;H1 es
verdadero
❖ Prueba que permite la evaluación del impacto de una variable sobre la otra
concluyendo que:
➢ A es predisponente del evento B
➢ A no tiene impacto sobre B
➢ A es protectora d B
❖ Requiere la construcción de una tabla de contingencia (por tanto también se puede
evaluar de manera conjunta la asociación entre variables chi cuadrado)
➢ lo difícil es armar esta tabla;en las columnas estarán los casos y los controles
en ese orden, y en las filas ;los casos expuestos y luego los no expuestos
➔ EJ: aca se ve que si OR en la primera fila es 0.6 (para tener enfermedad coronaria y
ser atleta de larga distancia),que es menor que 1 , entonces seria protector y su
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
intervalo de confianza va desde( 0.38-0.95) osea el 95% de los datos esté en ese
rango , y todos esos valores son menores que 1 .Por tanto para todo ese intervalo la
variable es protectora.Por lo mismo p <0.05, y por tanto H1 verdadera.
➔ pero si OR en la segunda fila es 0.84(para tener enfermedad coronaria y ser atleta
de velocidad)y su intervalo de confianza(0.6-1.18 lo que significa que hay
poblaciones; bajo,en y sobre 1 )por tanto con el 0.84 uno pensaría que es protector,
pero por su intervalo , la relación no existe y no se puede concluir nada.
CORRELACIÓN:
Estudio conjunto de 2 variables:
Teniendo esto
podemos
reconocer si hay
buena o mala
relación entre las
variables:
❖ poca
relación: al
dibujar una línea
entre puntos no
se sigue una
tendencia
porque están
todos
Entrenando el ojo:
Hasta llegar al r=1 (valor perfecto), donde todos los puntos están alineados en la diagonal.
Una relación fuerte entre las variables.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Cuando la correlación
es negativa, es decir,
cuando aumenta X,
disminuye Y. Esta es
una relación débil
entre las variables. A
medida que el valor de
r va aumentando hacia
el -1, se puede ver que
los puntos se acercan
a la linealidad.
❖ ¿Si r=0 eso quiere decir que las variables no son independientes?
➢ En la práctica, casi siempre sí, pero no tiene por qué ser cierto en todos los
casos.
➢ Lo contrario si es cierto: Independencia de las variables implica que no existe
correlación.
❖ Cuando las variables en vez de ser numéricas son ordinales, es posible preguntarse
sobre si hay algún tipo de correlación entre ellas.
❖ Disponemos para estos casos de dos estadísticos, aunque no los usaremos en
clase:
➢ ρ (‘ro’) de Spearman
➢ τ (‘tau’) de Kendall
➢ Las dos anteriores se utilizan cuando queremos estudiar la relación de
variables que no son numéricas, es decir, de tipo ordinales.
❖ Lo más importante es que tal cual existe para los test de comparación, también para
los de correlación, podemos diferenciar o elegir el correcto de acuerdo con el tipo de
datos que tengamos:
❖ Si tenemos datos que se distribuyen normalmente o son paramétricos, el coeficiente
de correlación de Pearson es el que debemos utilizar.
❖ Si tenemos datos que no se distribuyen normalmente utilizamos el test no
paramétrico que es el coeficiente de Spearman.
Regresión:
Ejemplo del estudio de la altura en grupos familiares de Pearson es del tipo que
desarrollaremos en el resto del tema.
❖ A partir de la ecuación predice que la altura del hijo = 85cm + 0,5 altura del
padre (Y = 85 + 0,5 X)à Ecuación de la recta, donde Y corresponde a la
variable a predecir, al que queremos conocer y X corresponde la variable
predictora, que es la que conocemos (en este caso la altura del padre).
➢ Si el padre mide 200 cm ¿cuánto mide el hijo?
■ Se espera (predice) 85 + 0,5x200=185 cm. (Se reemplaza el
valor de X en la ecuación y obtenemos el de Y)
● Alto, pero no tanto como el padre.
● Regresa a la media, valor promedio.
➢ Si el padre mide 120 cm ¿cuánto mide el hijo?
■ Se espera (predice) 85 + 0,5x120=145 cm (Reemplazamos el
valor de X en la ecuación)
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
❖ Ŷ = b0 + b1X
❖ Que la pendiente de su
ecuación era igual a 0,5 (b1) y el
intersecto del valor era 85 (b0)
❖ Que el intersecto sea 85 cm
no quiere decir que cuando el padre
mide 0 cm, el hijo medirá 85 cm. No
se deben extrapolar valores. Los
valores para predecir siempre deben
estar entre medio de los valores medidos.
❖ Entonces la pendiente nos dice que en medio o en promedio el hijo gana 0,5 cm por
cada cm del padre.
❖ Entonces podemos decir que esta recta está dibujada a partir de los 85 cm, pero hay
varias formas de dibujarla y que pase por todos los puntos, entonces ¿cómo
podemos saber cuál es la mejor recta? Cada vez que trazamos una recta
cometemos errores, por ello utilizamos:
Estimación mínimo-cuadrática:
❖ Busca los valores del intersecto (b0) y de la pendiente (b1), de tal manera que se
minimicen los errores residuales.
➢ Σi ei2
❖ Se comprueba que para lograr dicho resultado basta con elegir:
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Resumiendo:
enfermos de cáncer del pulmón o la relación que tienen las notas de cursos de
estudiantes de diferentes universidades o diferente nivel económico.
Datos que siguen una distribución normal (paramétricos) se utiliza pearson, que es un
coeficiente paramétrico, es decir, infiere sus resultados a la población real, lo que hace
necesario que la distribución de nuestra muestra se asemeja a la distribución real, es decir,
que haya normalidad (campana de gauss, totalmente simétrica)
Cuando se tienen datos que están dispersos y no tienen una distribución normal se utiliza la
correlación de Spearman.
➢ Para ambos
■ Sus valores (r) están comprendidos entre -1 y 1 (signo me dice
si la relación es inversa (-) y directa (+)). Inversa cuando X
aumenta e Y disminuye. Directa cuando X aumenta e Y
aumenta.
■ Para saber la fuerza de la variable:
■ 0 – 0,25: Escasa o nula (cercanos a 0, no existe relación)
■ 0,26-0,50: Relación Débil
■ 0,51- 0,75: Relación entre moderada y fuerte
■ 0,76- 1,00: Relación entre fuerte y perfecta.
Ejemplos:
¿Podemos encontrar algún modelo matemático que nos explique o nos permita conocer el
número de calorías que tiene la cerveza si se conoce el %de alcohol?
Se ve la recta de regresión,
del análisis realizado. Y se
obtiene que:
n° de calorías= -33,77+
37,65* (%de alcohol)
Donde:
● -33,77 valor
donde la recta corta al eje Y
● 37,65 valor
de la pendiente.
.La pendiente de la recta indica que, en promedio, a cada incremento de una unidad
en el porcentaje de alcohol le corresponde un incremento de 37,65 calorías
Si nosotros estudiamos y sabemos cual es grado de que esta ecuación predice realmente el
número de calorías si yo conozco el alcohol, vemos el coeficiente de determinación (R²).
Esto quiere decir que si conocemos el % de alcohol y utilizamos esta ecuación, predecimos
un 83% de los
casos, el número
de calorías que
tendrá esta
cerveza.
R²= 0,83
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
1-¿existe alguna
relación entre las
variables? Si observo
los puntos del
diagrama, existe una
gran dispersión entre puntos, y a mayor valor de X, existen tanto valores sobre el promedio
como bajo el promedio de Y. Entonces a simple vista, en general estas variables no están
relacionadas.
Si se determina el coeficiente de determinación R², veo que es muy bajo, cercano a 1. Las
variables no están relacionadas.
Si quiero encontrar una ecuación que prediga, la mejor recta que encontraran, el mejor
modelo matemático dará un R² de 0,06. Eso quiere decir que solamente con esa ecuación
puede predecir un 0.06% de las veces cuál es el % de alcohol si conozco el precio de la
cerveza, Mal modelo matemático.
Se ven los coeficientes de determinación (r) y valores mayores a 0,75 ya podemos decir que
existe una buena relación entre las variables.
CONCLUSIÓN:
Son las principales tasas que se utilizan y tienen especificaciones segun edad o sexo,
patologia, periodo de tiempo, etc.
con el pasar de los tiempos, ya que nosotros conocemos estos indicadores, podemos ir
manejando para que efectivamente estos indicadores bajen y se acerquen a lo que son
países más desarrollados y que presentan mejores indicadores de salud.
❖ Las tasas son muy utilizadas en salud pública, en epidemiología porque nos
representan la globalidad de un componente, ya sea una enfermedad o un deceso,
nos permiten tomar acciones a nivel de políticas públicas para generar programas de
salud y guías de apoyo, en los cuales, obviamente se vaya tomando como meta
disminuir esos indicadores que muchas veces están construidos a nivel
internacional, y si nosotros los podemos construir de la misma forma, podemos ser
comparados y comparables con otros países para ver como están las políticas
internas, y si es que esas políticas han sido efectivas en la disminución de algunos
riesgos o algunos problemas que puedan presentar las poblaciones.
Riesgos Probabilísticos
❖ Indica, por un lado, la propia idea de peligro y, por otro, posibilidad de ocurrencia. lo
que explica el significado finalmente establecido en la teoría epidemiológica.
➢ ¿Qué es lo que es un riesgo?, ¿qué es lo que nosotros entendemos por
riesgo?, ¿una actividad peligrosa, algo que genere alguna noxa o alguna
alteraciones a nivel fisiológico, patológico, fisiopatológico?
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
➢ Si bien es cierto que la tasa es un aspecto mucho más general que lo que son los
screening pronósticos y los indicadores de salud, lo que hace el riesgo es
entregarnos un valor para saber cuánto es la magnitud de lo que pudiese presentar
eventualmente una condición, ya sea una patología o un accidente si es que tomo
determinada actitud, o si me encuentro en cierto lugar expuesto a una contaminación
o un lugar que me genere algún daño.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Gráfico de Comparación de
Riesgo Relativo y OR.
más del real, eso porque la ecuación del OR en esa región no sirve tanto para evaluar el
riesgo de eventos muy frecuentes, lo recomendado en esos casos es el Riesgo Relativo.
Riesgos Probabilìsticos
❖ Los riesgos probabilísticos son utilizados como indicadores de magnitud del efecto
de una intervención
❖ Riesgo absoluto (RA): Cantidad de individuos que enferman de entre la población
general
➢ Esta Condición de riesgo absoluto está o no asociado a un evento adverso
❖ Ejemplo: En esta condición: ¿Cuál será el RA asociado al evento adverso?
➢ Interpretación: Existe 8,4 veces más de probabilidad de tener HTA si se fuma. 8,4 es
un valor bastante alto.
➢ El RR=1 indica que no hay asociación entre la presencia del factor de riesgo y el
evento. Esto puede ser considerado también como independencia, no es lo mismo,
pero a veces si coinciden como independencia entre los factores.
➢ El RR>1 indica que existe asociación positiva, es decir, que la presencia del factor
de riesgo se asocia a una mayor frecuencia de suceder el evento. Es como veo en
ejemplo: si yo aumento el consumo de cigarrillo, voy a aumentar la probabilidad de
tener HTA.
➢ El RR<1 indica que existe una asociación negativa, es decir, que no existe factor de
riesgo, que lo que existe es un factor protector. Por ejemplo, si yo en vez de poner
fumar pongo realizar actividad física o alimentación saludable, se espera que estas
personas tengan menor riesgo de presentar HTA o incluso un factor de protección.
➢ Reducción del riesgo relativo (RRR): es la diferencia de riesgo de evento adverso
entre los dos grupos respecto del control.
➢ RRR = (incidencia del evento en el grupo control - incidencia del evento en el grupo
tratado) / (incidencia del evento en el grupo control)
★ Ejemplo: en un ensayo clínico doble ciego, aleatorizado, se comparó la
incidencia de primer sangrado por várices esofágicas (SVE), entre pacientes
tratados con ß bloqueadores versus tratados con placebo.
En el primer grupo se produjo SVE 2/51 (4%) y en el segundo grupo 11/51
(22%). La RRR = 22% - 4% /22%= 82%.
Interpretación: En los pacientes que reciben beta bloqueador (BB) y tienen
várices esofágicas es 82% menos probable que desarrollen SVE si se
compara con los que tienen VE y toman placebo. El tratamiento de beta
bloqueadores presenta una efectividad bastante alta.
Entonces con esto nosotros podemos revisar los riesgos que se pudiesen eventualmente
tener con una intervención o no. Estos se pueden calcular por si quieren practicar los
riesgos que hemos visto.
Los screening pronóstico tienen que ver con determinar algunos indicadores que me dicen
que un test es suficientemente fiable y confiable para determinar lo que efectivamente el
test dice que realiza.
❖ SENSIBILIDAD: Capacidad de un sistema para poder discriminar dos valores muy
cercanos entre sí.
★ Por ejemplo, la probabilidad de que la persona esté enferma dado que el test
de covid le dió positivo. Aquí entra en juego el tema de falsos negativos y
falsos positivos, este último es el inverso de la sensibilidad, por que si
efectivamente la probabilidad de que el test sea positivo dado que yo tengo la
enfermedad es lo correcto, ¿qué pasa si el test me dá positivo y yo
efectivamente no tengo la enfermedad? eso es un error.
❖ ESPECIFICIDAD: Capacidad de un sistema para poder medir una variable lejos de
la interferencia del resto de las variables.
★ Probabilidad de que el test me dé negativo y que efectivamente yo esté sano.
¿Cúal es el error? el falso negativo, que puede ser un error importante,
porque yo puedo decirle a una persona que si está enferma, que como salió
negativo, no tiene covid.
❖ EXACTITUD: Capacidad de un sistema de entregar un valor igual al real de la
variable.
★ O sea que efectivamente yo esté apuntando a lo que la variable me está
midiendo.
❖ PRECISIÓN: Capacidad de un sistema para entregar un mismo valor de una
variable luego de múltiples medidas.
★ O sea si yo repito el test varias veces y me dá siempre el mismo valor, va a
ser muy preciso.
❖ Los valores del Riesgo Relativo si son mayores de 1 denotan asociación a un mayor
riesgo de enfermedad, si al contrario es menor de 1, denota factor de protección, y si
es igual a la unidad, no hay asociación entre la exposición y el efecto, por lo tanto no
hay riesgo.
❖ RR = 1 No hay Asociación.
❖ RR > 1 Hay Asociación al Factor de Riesgo.
❖ RR < 1 Hay Asociación al Factor de Protección.
Es una interpretación similar (no igual) al Riesgo Relativo. Las probabilidad de estar
expuesto es la cantidad de veces del resultados del Odds, en los casos que en los
controles.
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
tiene el valor de 0,0250 (que sería que el 2,5% de los datos queda fuera del intervalo de
confianza, tanto arriba como abajo, es decir un 5%queda afuera).
¿Cómo se calcula
un intervalo de
confianza en la
forma antigua?
1. Tener los
datos de los cuales
se quiere tener un
intervalo
**el grado de libertad
acá es n-1 (es decir
11-1=10)**
Ahora que tengo el error estándar y el promedio, puedo calcular con la fórmula para un
n<30 el intervalo de confianza, entonces considerando la fórmula de abajo, el promedio era
2476,5 gr, más menos, la puntuación P para 10 grados de libertad y 95% de certeza, que en
la tabla aparece como 1,812 y eso lo multiplico por el error estándar, que es 56.55. Qué
significa eso, que tengo un intervalo de confianza del promedio, más menos, 102,46 gr. Esto
significa que dentro del intervalo formado por 2476, 5, más menos, 102,46 gr voy a tener el
peso del 95% de mi muestra. Los datos que están por abajo están en las medidas de error,
no serán evaluadas con el mismo nivel de seguridad y confianza.
El intervalo de confianza sirve para especificar que tan buena es una terapia si yo la
comparo con la mejor terapia disponible.
Lo que tenemos que considerar cada vez que miramos un intervalo de confianza es:
1. Cuál es la variable que estoy evaluando y como me interesa que cambie. Ejemplo:
Tiempo de sobrevida de un cáncer, variable que medimos en meses, debe ser un
número positivo y grande, porque mientras mayor sea la terapia aumenta la sobrevida.
Por el contrario, si pensamos en el número de días que los pacientes permanecen
hospitalizados, conviene que el valor sea pequeño y negativo a la terapia estándar.
Un buen intervalo de confianza debe ser de la misma naturaleza, es decir, todos deben ser
positivos o todos negativos. Deben estar siempre sobre o bajo el 0.
Existe por otra parte, el umbral crítico de beneficio, que está definido por los expertos de un
tema, por ejemplo, una nueva terapia puede hacer que todos los pacientes tengan una
sobrevida mayor a 0 comparado al grupo control, pero el grupo de expertos puede decidir
que para ese cáncer esa intervención tiene un costo emocional o económico muy grande,
que debería tener un aumento en la sobrevida de 4 meses o más. Este sería el umbral
crítico definido por los expertos. Por lo que, yo podría tener una sobrevida mayor a 0, pero
que no esté por sobre el valor crítico.
Condición A: S e tiene una evaluación de una terapia, se tiene el 0 donde está definido el
valor normalizado de la mejor terapia disponible y un intervalo de confianza para por
ejemplo, el riesgo de morir o la sobrevida de pacientes que va desde el -1 al +7. Por lo que
tenemos un conjunto de pacientes que se distribuye en su sobrevida de -1, es decir, se
muere un mes antes del control, hasta +7, donde se mueren hasta 7 meses después de la
terapia control.
El problema de este intervalo es que tenemos pacientes que están falleciendo antes del
grupo control, también que el umbral de beneficio definido por los expertos está definido en
2,8 (línea puntitos), por lo que, tenemos gran cantidad de pacientes bajo ese umbral y tengo
una sobrevida más alta que el control. Por lo tanto, tiene beneficios de tener sobrevida más
alta, no logran tener todos los beneficios. Por lo que, no se debería aceptar esta nueva
terapia.
Una segunda forma de entender este intervalo: Nueva terapia donde el valor de
salida/respuesta debe ser positivo.
Condición B:El valor promedio del rango está por sobre el umbral de beneficio al igual que
uno de los extremos del rango ….conclusión hay evidencia significativa para apoyar el uso
del tratamiento pero solo será aconsejable si el umbral de beneficio es superado por todo el
intervalo
En la curva se ve
que todos los
pacientes viven
más que el
control
(control=0). O
sea la nueva
terapia sería
mejor que la
teoría control. Sin
embargo, los
expertos
determinaron que 3 era el umbral crítico de beneficio, y se ve que hay una población que
está debajo de ese umbral de beneficio, estas personas viven más que el control pero no
tienen todos los beneficios de la nueva terapia. Entonces en ese caso tampoco esta nueva
terapia es recomendable.
umbral de beneficio. Ahí nos aseguramos de un adecuado balance entre el costo- beneficio.
En la curva vemos que, todos los pacientes con valores positivos para la variable de salida y
de además están por sobre el umbral de beneficio. En estas condiciones es aceptable la
utilización de una nueva terapia. (valores de la variable de salida para grupo de pacientes
sobrepasa el umbral de beneficio). Si me interesa que la variable de salida sea negativa,
(como días de toma de remedio, o días para tomas de alta), en esos casos la curva se
invierte y nos interesa que tenga un intervalo de confianza con valores más negativos.
mientras más negativo y por debajo del umbral de beneficio, va a ser adecuado.
OR es una forma de expresar la proporción de veces que un suceso ocurre frente a que no
ocurra. De tal manera que un OR = 2,5 debemos leerlo como 2,5:1 (la posibilidad de que un
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
efecto aparezca en presencia de otra variable es 2,5 veces mayor que si esta variable no
está presente)
Interpretación de OR: Pueden ser valores 0, <1 o >1. Esos son los tres posibles rangos
para la evaluación de los OR.
❖ OR=1 no hay efecto de una variable en otra (ej: masticar chicle no causa más caries
que si no se masticara) ¿Como se si da 1? si reemplazamos el OR en la ecuación
de probabilidad que calcula el % de población afectada, y esta probabilidad si da
50% que en este caso significa que el 50% de la gente que mastica chile tiene caries
y el otro 50% no tiene, por lo tanto no hay relación directa (causa-efecto) (no hay
efecto de una población sobre otra=50%)
❖ OR <1 la variable tiene efecto protector disminuyendo la probabilidad de que la
segunda variable ocurra. EJ: OR=0,5, eso da 33%, en este caso se tiene protección.
Todos los OR<1 indica protección de la variable frente al daño que se evalúa.
❖ OR >1 indica que la variable tiene efecto predisponente aumentando la probabilidad
de que la segunda variable ocurra. Ej: si el OR=3, al reemplazar en ecuación de
probabilidades daría 75%, en este caso el factor es predisponente de un daño.
Ejemplo: Esta
es una
publicación en la
cual se está
evaluando la
probabilidad de
tener una
enfermedad
coronaria
cardiaca en el
año 85´y en el
año 95´para un
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
… de ese punto de vista yo podría pensar que un mayor ingreso es un factor predisponente
de tener estrés, sin embargo, el intervalo de confianza (95% CI) para ese conjunto de datos
va entre 0,9 y 1,6, tengo valores que están abajo de 1 y arriba de 1, por lo tanto, tenemos
un conjunto de datos que dan información no concluyente.
Análisis de OR ODDS RATIO:
➢ OR=1 no hay dependencia entre variables.
➢ OR menor a 1 implica que la variable A protege del efecto negativo.
➢ OR mayor a 1 implica que variable A predispone a un evento negativo.
➢ TODO EL IC del OR debe quedar por sobre o bajo el 1 para ser evidencia
significativa.
No solo importa el OR sino que también el intervalo de confianza, porque todos los valores
tienen que estar por arriba del 1 o por abajo para ser predisponentes o protectores frente a
un daño.
Figura 2 : Factores asociados a
alto nivel de sedentarismo en
chile. Datos presentados como
odds ratio (95% IC).
Otra forma en la que se puede
presentar la información de un
intervalo de confianza para el
OR, es a través de lo que se
llama los diagramas de forest o
o los forest plot. Está marcado
el 1, y aparece por arriba del
uno (→) o por abajo de él (←).
Todas aquellas variables
graficadas en el 1 (en su línea),
son variables que no se han podido evaluar si hay una predisposición o una protección con
respecto al daño que estoy evaluando, por ejemplo, acá el sexo masculino (hombres) con
respecto al sedentarismo da 1, por lo tanto, no hay impacto de ser varón y tener un nivel de
sedentarismo mayor o peor, pero en el caso de ser mujer estamos por arriba del valor 1 y
todo el intervalo de la evaluación está sobre el 1, por lo tanto, para ellas si se tendría un
factor de tipo predisponente al sedentarismo. Lo mismo para los grupos etarios divididos por
estratos, tenemos algunos para los cuales no hay impacto (IC=1) y tenemos valores para
los otros en que son protectores (IC<1), si mantienes una actividad física alta tienes factor
protector en edades mayores (25 - >65). No hay relación entre hipertensión y sedentarismo,
y tampoco para no tener síndrome metabólico (IC=1), pero si cuando sí lo padecen (1<IC,
valor predisponente).
Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina