Informatica Medica Clases

3ra semana
Universidad Privada Antenor Orrego

FACULTAD DE MEDICINA HUMANA
Informática médica: Estadística descriptiva
Dr. Edgar Fermín Yan Quiroz

Médico Cirujano Oncólogo CMP: 41041 RNE: 30405
Médico Asistente de Cirugía Oncológica del Hospital de Alta Complejidad Virgen de La Puerta EsSalud - Trujillo
Magíster en Salud Pública y Desarrollo Humano (C)
Docente de Pregrado del Curso de Cirugía I – UPAO
Docente de Postgrado del Curso de Metodología de la Investigación – Residentado Médico – UPAO
Editor de la Revista Acta Médica Orreguiana “Hampi Runa” – Indexada en Latindex
Trujillo – Perú 2018

Estadística
Dr. Edgar Yan Quiroz

Estadística

Tipos de variables

Un ejemplo…

DE DISTRIBUCIÓN

Causas de ingesta de paracetamol

Histograma
Variable continua: Peso
Representación gráfica de una variable en forma de barras, donde la superficie de cada barra es
proporcional a la frecuencia de los valores representados. Sirven para obtener una "primera vista"
general, o panorama, de la distribución de la población

Histograma
06
Frecuencia
Sábado
40
40 = 28.57%
140
Intervalo
de
clases
10 + 15 + 25 + 20 + 30 + 40
140

Polígono de frecuencias

Medidas de tendencia central
Hay una tendencia de los datos a acumularse en un PUNTO CENTRAL
Y hace que no se representativa

Medidas de dispersión


Medidas de dispersion: Recorrido

52 = 10.4
5
Xi (Xi – X) Σ(Xi – X)2

550/5
1) 115 115 - 110 5 25
X 1 1
550/5 = 110 2) 111 111 - 110
3) 110 110 - 110 0 0
4) 109 109 - 110 -1 1
5) 105 105 - 110 -5 25
550 0 52









Gráfico Box Plot
(Un valor que sale del patrón normal)
La distribución no es simétrica

4ta semana
Informática médica: Chi cuadrado


Chi cuadrado de Bondad de Ajuste
 Sirve para ver si una distribución observable es incompatible
con una distribución teórica o una hipótesis preestablecida
Color de ojos Frecuencia Frecuencia

observada esperada
Verdes 34 36
Negros 10 La suma es 16 12
Marrones 20 16
64
64 x 9 64 x 3 64 x 4 16
36 12
16 16 16
 La distribución teórica DICE que la proporción de color de ojos es la siguiente: 9: 3: 4
Ho. Distribución observada a ley teórica

Ha. Distribución no obedece a la ley teórica
Color de ojos Frecuencia Frecuencia
observada esperada
Verdes 34 36
Negros 10 12
Marrones 20 16
( Oi - Ei )2
X2 = 
Ei
( 34 - 36 )2 ( 10 - 12)2 ( 20 - 16 )2
X2 = + +
36 12 16
X2 = 43 Luego calculamos los grados de libertad (g.l.)
g.l.= (c-1-k) c = # de categorías (color)
g.l.= (3-1-0) k = # de parámetros que se estiman
Dr. Edgar Yan Quiroz g.l.= 2
No Significativo Significativo
g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

2 2.733 4.605 5.991 7.378 9.210 10.60 13.82
3 4.108 6.251 7.815 9.348 11.34 12.84 16.27
4 5.385 7.779 9.488 11.14 13.28 14.86 18.47
5 6.626 9.236 11.07 12.83 15.09 16.75 20.52
6 7.841 10.64 12.59 14.45 16.81 18.55 22.46
. . . . . . . .
. . . . . . . .
g.l.= 2 X2 = 43
Ho. Distribución observada a ley teórica

Ha. Distribución no obedece a la ley teórica

En la población de Arequipa, las proporciones según el nivel de instrucción son
Población Primaria: 25% Secundaria: 60% Superior: 15%

Primaria: 25% Secundaria: 60% Superior: 15%
Arequipa Nivel de Instrucción

Total
(Muestra) Primaria Secundaria Superior
8 67 25 100
Pasos para la prueba de significancia estadística
Primero. Formulación de la Hipótesis
Ho. Las proporciones de la muestra CORRESPONDEN a las proporciones de la población

Ha. Las proporciones de la muestra NO CORRESPONDEN a las proporciones de la población
Segundo. Establecer un nivel de significancia
Tercero. Elección de la prueba estadística

25
60
15

Primaria: 25% Secundaria: 60% Superior: 15%
Arequipa Nivel de Instrucción
Total
(Muestra) Primaria Secundaria Superior
8 67 25 100
Pasos para la prueba de significancia estadística
Ho. Las proporciones de la muestra CORRESPONDEN a las proporciones de la población

Ha. Las proporciones de la muestra NO CORRESPONDEN a las proporciones de la población
Dócima de Homogeneidad
• Se aplica cuando un conjunto de entes se clasifican de
acuerdo a 2 criterios, factores o variables y se desea
docimar si estos 2 criterios de clasificación son
independientes o no

Parámetros clínicos basales de pacientes con carcinoma gástrico avanzado
* Chi cuadrado, test exacto de Fisher o “t” de Student según sea necesario
Chi cuadrado
Tipo de disección
Sexo D2 D3
N= 13 (%) N= 19 (%)
Masculino 4 (30.8) 8 (42.1)
Femenino 9 (69.2) 11 (57.9)
• Hipótesis estadística:
 Ho = Ambas poblaciones son homogéneas
 H1 = No existe homogeneidad entre ambas poblaciones
Chi cuadrado
Tipo de disección
Sexo D2 D3
N=13 (%) N=19 (%)
Masculino 4 (30.8) 8 (42.1)
Femenino 9 (69.2) 11 (57.9)
Frecuencias observadas (Fo): 4, 8, 9, 11

Tenemos que obtener las frecuencias esperadas

Chi cuadrado
Tipo de disección
Sexo Total
D2 D3
Masculino 4 8 12
a b
Femenino 9 11
c d 20
Total 13 19 32
Frecuencias esperadas (Fe):
a= 13 x 12 = 156 /32  4.875
b= 19 x 12 = 228 /32  7.125
c= 13 x 20 = 260 /32  8.125
d= 19 x 20 = 380 /32  11.875
Chi cuadrado
Tipo de disección
Sexo D2 D3 Total
4 8
Masculino
4.875 7.125 12
Femenino 9 11
8.125 11.875
20
Total 13 19 32
( Oi - Ei )2
X2 = 
Ei
Chi cuadrado
Tipo de disección
Sexo D2 D3 Total
4
8
Masculino 4.875 7.125 12
Femenino 9 11
8.125
20
11.875
Total 13 19 32
( 4 - 4.875 )2 ( 8 - 7.125 )2 ( 9 - 8.125 )2
X2 = + + +
4.875 7.125 8.125
( 11 - 11.875 )2
11.875
Chi cuadrado
Tipo de disección
Sexo D2 D3 Total
Masculino 4
8 12
4.875 7.125
Femenino 9 11 20
8.125 11.875
Total 13 19 32
X2 = 0.157051282051 + 0.107456140350 + 0.094230769230 + 0.009831460674
X2 = 0.368569652305
Luego calculamos los grados de libertad (g.l.)
g.l.= (c-1) (f-1) g.l.= (2-1) (2-1) g.l.= 1
CÁLCULO DEL VALOR P
Nuestro X2 = 0.368569652305
g.l.= 1
Posteriormente nos vamos a la tabla correspondiente a los valores críticos de la distribución de X2
g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

2 2.733 4.605 5.991 7.378 9.210 10.60 13.82
3 4.108 6.251 7.815 9.348 11.34 12.84 16.27
4 5.385 7.779 9.488 11.14 13.28 14.86 18.47
5 6.626 9.236 11.07 12.83 15.09 16.75 20.52
6 7.841 10.64 12.59 14.45 16.81 18.55 22.46
. . . . . . . .
. . . . . . . .
X2 = 0.368569652305 Que es lo p > 0.05 (No significativo)

mismo decir
• Constratación de la hipótesis:
Como p > 0.05 (No significativo)
Inferimos que
 Ho = Ambas poblaciones son homogéneas
 H1 = No existe homogeneidad entre ambas poblaciones

Chi cuadrado de Homogeneidad
Ho. No existe diferencia de la frecuencia o presencia del S. metabólico de acuerdo a la procedencia

Ha. Existe diferencia de la frecuencia o presencia del S. metabólico de acuerdo a la procedencia

Ho. No existe diferencia de la frecuencia o presencia del S. metabólico de acuerdo a la procedencia

Ha. Existe diferencia de la frecuencia o presencia del S. metabólico de acuerdo a la procedencia

Dócima de Independencia
• Se aplica cuando un conjunto de entes se clasifican de
acuerdo a 2 criterios, factores o variables y se desea
docimar si estos 2 criterios de clasificación son
independientes o no
Cáncer de pulmón
Tabaquismo PRESENTE AUSENTE
N= 13 (%) N= 19 (%)
Presente 9 (69.2) 8 (42.1)
Ausente 4 (30.8) 11 (57.9)
 Ho = No hay asociación; son independientes; no hay dependencia
 H1 = Existe asociación; no son independientes; hay dependencia
Chi cuadrado de Independencia
Cáncer de Pulmón
Tabaquismo Presente Ausente Total
Presente 30 2 32
Ausente 20 48 50
Ho. El cáncer de pulmón es independiente del consumo de tabaco

Ha. El cáncer de pulmón es DEPENDIENTE o esta asociado al consumo de tabaco

Ho. El cáncer de pulmón es independiente del consumo de tabaco

Ha. El cáncer de pulmón es DEPENDIENTE o esta asociado al consumo de tabaco

Chi2 con corrección de Yates
Se utiliza cuando:
• Al menos en uno de los cuadrados o casilleros
de una tabla de contingencia de 2 x 2 se
obtiene una frecuencia esperada menor de 5.
• La población total es < 200, pero > de 30


H0: El nivel de satisfacción entre ambos salones es homogéneo

H1: El nivel de satisfacción en ambos salones NO es homogéneo



Test exacto de Fisher:
Se utiliza cuando:
• Al menos en uno de los cuadrados o casilleros
de una tabla de contingencia de 2 x 2 se
obtiene una frecuencia esperada menor de 5.
• La población total es menor de 30

Parámetros patológicos basales de pacientes con carcinoma gástrico avanzado

TEST EXACTO DE FISHER
Tipo de disección
Borrmann Total
D2 D3
5 1 6
II a b
8 18 26
III - IV c d
Total 13 19 32
 Vemos que la población total son 32 pacientes. Aparentemente se justifica
el uso del Chi cuadrado.
 Calculamos entonces las frecuencias esperadas

Tipo de disección
Borrmann Total
D2 D3
5 1 6
II
2.4375 3.5625
8 18 26
III - IV
10.5625 15.4375
Total 13 19 32
• Observamos que 2 de los casilleros presentan frecuencias
esperadas menores de 5
• Entonces usamos la fórmula del test exacto de Fisher

Tipo de disección
Borrmann Total
D2 D3
5 1 6
II
2.4375 3.5625
8 18 26
III - IV
10.5625 15.4375
Total 13 19 32
n ( ad - bc)2
X2 F =
(a + c) (b + d) (a + b)(c + d)
g.l.= (c-1) (f-1)
Tipo de disección
Borrmann Total
D2 D3
5 1 6
II
2.4375 3.5625
8 18 26
III - IV
10.5625 15.4375
Total 13 19 32
X2 F = 5.58413785944
g.l.= 1
Ahora calculamos el valor p.

Tenemos: 2 F
X = 5.58413785944
g.l.= 1
Vamos a la tabla correspondiente a los valores críticos de la distribución de
X2
g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

2 2.733 4.605 5.991 7.378 9.210 10.60 13.82
3 4.108 6.251 7.815 9.348 11.34 12.84 16.27
4 5.385 7.779 9.488 11.14 13.28 14.86 18.47
5 6.626 9.236 11.07 12.83 15.09 16.75 20.52
6 7.841 10.64 12.59 14.45 16.81 18.55 22.46
. . . . . . .
.
. . . . . . .
X2 F . = 5.58413785944 Que es lo p < 0.05 (Significativo)
mismo decir
X2 de Mantel – Haenszel: Análisis estratificado
Pruebas de independencia condicional
Mantel N, Haenszel W. Statistical aspects of the analysis of data from

retrospective studies of disease. J Nat Cancer Inst 1959; 22: 719 – 48.
En ocasiones, puede interesar analizar los diseños de cohortes y de caso – control

controlando el efecto de terceras variables.
En estas situaciones, utilizar el estadístico chi cuadrado de Pearson sobre el conjunto de

datos agrupados, puede arrojar resultados equívocos

Podemos
cuantificarlo
Hay asociación
Ho. No existe asociación entre el bajo nro de controles

prenatales y la presencia de amenaza de parto pretérmino
Ha. Existe asociación entre el bajo nro de controles prenatales y

la presencia de amenaza de parto pretérmino

Finalidad del X2 de Mantel – Haenszel:
Evitar el ERROR de asociar dos
variables que en realidad NO SON
ADECUADAS
X2 de Mc Nemar: Proporciones relacionadas
Después
Antes Depresión No depresión Total
Depresión 8 a b 2 10
No depresión 10 c d 6 16
18 8 26

Ho. La frecuencia de depresión antes y después del año de seguimiento es invariable
Ha. La frecuencia de depresión antes y después del año de seguimiento ha variado
Ho
3.84
(|c - b | - 1)2 (|10 - 2 | - 1)2
X2 = X2 = X2 = 4.08
(|c + b| (|10 + 2|



5ta semana
Informática médica: “t” de Student


“t” de Student para una sola muestra
¿Es el valor de la hemoglobina de las mujeres gestantes atendidas por el MINSA distintas al valor de 11 mg% (estándar)?
Grupo de mujeres gestantes atendidas por el MINSA
Variable: Hemoglobina
n = 10
X = 10.555

Ho. La hemoglobina de las gestantes atendidas en el MINSA no difiere de 11 mg%
Ha. La hemoglobina de las gestantes atendidas en el MINSA difiere de 11 mg%
11

“t” de Student para muestras independientes
Peso al nacer de los varones Peso al nacer de las mujeres
n1 = 26 n2 = 24
X1 = 3350.1362 X2 = 3207.5000
S1 = 22.33675 S2 = 79.69780
¿El peso al nacer de los varones difiere del peso al nacer de las mujeres?
Ho. El peso al nacer de los varones no difiere del peso al nacer de las mujeres
Ha. El peso al nacer de los varones DIFIERE del peso al nacer de las mujeres
Vemos que, APARENTEMENTE las varianzas son diferentes, para lo cual establecemos otra hipótesis
Ho. Las varianzas en ambos grupos son IGUALES

Ha. Las varianzas en ambos grupos DIFIEREN

1
2

“t” de Student para muestras independientes
Peso al nacer de los varones Peso al nacer de las mujeres
n1 = 26 n2 = 24
X1 = 3350.1362 X2 = 3207.5000
S1 = 22.33675 S2 = 79.69780
¿El peso al nacer de los varones difiere del peso al nacer de las mujeres?
Ho. El peso al nacer de los varones no difiere del peso al nacer de las mujeres
Ha. El peso al nacer de los varones difiere del peso al nacer de las mujeres
Dr. Edgar Yan Quiroz Ha. Las varianzas en ambos grupos son IGUALES
“t” de Student para muestras paredas o relacionadas
Peso antes del embarazo Peso después del parto
n1 = 25 n2 = 25
X1 = 54.84 X2 = 55.0800
S1 = 3.32516 S2 = 3.47515
¿Existe variación o diferencia del peso de la madre antes y después de un embarazo?

Ho. No existe variación o diferencia del peso de las madres antes y después de un embarazo
Ha. Existe variación o diferencia del peso de las madres antes y después de un embarazo

Peso antes del embarazo Peso después del parto
n1 = 25 n2 = 25
X1 = 54.84 X2 = 55.0800
S1 = 3.32516 S2 = 3.47515
¿Existe variación o diferencia del peso de la madre antes y después de un embarazo?

Ho. No existe variación o diferencia del peso de las madres antes y después de un embarazo
Ha. Existe variación o diferencia del peso de las madres antes y después de un embarazo

Test de rangos de Wilcoxon
Se desea comparar la diferencia de pesos de un grupo de pacientes antes y después de un mes de entrenamiento
PESO
Diferencia
ANTES DESPUÉS
Media
Desviación estándar
Varianza
Z (K – S)
Valor p
¿Existe variación o diferencia del peso en un grupo de pacientes antes y después de un mes de entrenamiento?
Ho. No existe variación o diferencia del peso de un grupo de pacientes antes y después de un mes de entrenamiento
Ha. Existe variación o diferencia del peso de un grupo de pacientes antes y después de un mes de entrenamiento

Diferencia -

Ho. La distribución de la diferencia de pesos es normal o corresponde a una distribución normal
Ha. La distribución de la diferencia de pesos no es normal o no corresponde a una distribución normal
Test de rangos de Wilcoxon
No debo emplear “t” de Student para muestras relacionadas

6ta semana
ANOVA
Análisis de la varianza con un factor


ANOVA de un factor

ANOVA de un factor

ANOVA de un factor
Xi
ANOVA de un factor

ANOVA de un factor

Ho. No existen diferencias en los promedios o medias de glicemias entre los diferentes terapias o grupos de tratamiento
Ha. Existen diferencias en los promedios o medias de glicemias entre los diferentes terapias o grupos de tratamiento

ANOVA

Formulación de la Hipótesis
Ho. No existen diferencias en los promedios o medias de glicemias entre los diferentes terapias o grupos de tratamiento
Ha. Existen diferencias en los promedios o medias de glicemias entre los diferentes terapias o grupos de tratamiento
Segundo. La pregunta ahora es ¿Los 3 grupos son distintos realmente o existe al menos
un grupo que difiera de los otros dos?

ANOVA

ANOVA

7ma semana
Análisis de Regresión y Correlación


Análisis de regresión
Permite predecir valores de la variable dependiente a partir de VALORES INDIVIDUALES o
particulares de la variable independiente
y = Variable dependiente (PAS)
y = a + b (x) x = Variable independiente (edad)

y = Variable dependiente (PAS)
x = Variable independiente (edad)
y = a + b (x)
y = (112.332) + (0.449) (x)

Escojamos
una edad
a y = (112.332) + (0.449) (35)
b
y = 128.047

Tenemos entonces una RELACIÓN LINEAL POSITIVA

Análisis de correlación de Pearson
Para CUANTIFICAR la relación entre ambas variables se utiliza la correlación de Pearson

r=
Cuando r se acerca a = 1 Hay correlación

-1

7ma semana
Correlación de Spearman


Correlación de Spearman
Se desea correlacionar el grado de estrés laboral con los años de servicio de la institución
Variable categórica ORDINAL
Estrés laboral
Moderado
Variable
categórica
NUMÉRICA

Correlación de Tau b de Kendall
Se desea saber si el nivel de instrucción es un factor predictivo para la adherencia al tratamiento

Variable
categórica
ORDINAL
Variable
categórica
ORDINAL

Tau b de Kendall
No existe correlación entre el nivel de instrucción y la adherencia al tratamiento

Existe correlación entre el nivel de instrucción y la adherencia al tratamiento
5% (0.05)
a) U de Mann – Whitney
b) Rangos de Wilcoxon
c) Correlación de Spearman
d) Tau b de Kendall
0.459
0.000
Existe correlación entre el nivel de instrucción y la adherencia al tratamiento

U de Mann Whitney


U de Mann Whitney
Se desea comparar el grado de hipertrofia adenoidea en un grupo de niños según sexo
Variable categórica NOMINAL
Sexo
Leve
Variable
categórica Moderada
ORDINAL
Severa
Total

Sexo
1 = Masculino
2 = Femenino

U de Mann Whitney
Ho. El grado de hipertrofia adenoidea NO es distinto en hombres y mujeres

Ha. El grado de hipertrofia adenoidea es distinto en hombres y mujeres

U de Mann Whitney
El grado de hipertrofia adenoidea NO es distinto en hombres y mujeres

El grado de hipertrofia adenoidea es distinto en hombres y mujeres
5% (0.05)

1
Sexo
1 = Masculino
2 = Femenino

U de Mann Whitney
1637
0.010
El grado de hipertrofia adenoidea es distinto en hombres y mujeres
Con un error de 0.01 (1%) el grado de hipertrofia adenoidea en los varones difiere de las mujeres

Concordancia: Índice Kappa de Cohen
Resonancia magnética
Gammagrafía
Con fractura Sin fractura
Con fractura 28 4 32
Sin fractura 10 23 33
Total 38 27 65
H0: No hay concordancia entre ambas pruebas diagnósticas
H1: Hay concordancia entre ambas pruebas diagnósticas Po - Pe
KAPPA =
a+d 28 + 23 1 - Pe
Po = Po = 0.785
a + b + c +d 65
0.785 – 0.498
Resonancia magnética KAPPA =
Gammagrafía 1 – 0.498
Con fractura Sin fractura
Con fractura 18.7 13.3 32 KAPPA = 0.57
Sin fractura 19.3 13.7 33
Total 38 27 35
18.7 + 13.7
Pe = 0.498
65
Interpretación
Ínfima Escasa Moderada Buena Muy buena
0.00 0.20 0.40 0.60 0.80 1.00



Razón de verosimilitud de X2 o razón de probabilidades
(Likelihood ratio)
Diagnóstico definitivo
Prueba diagnóstica
Enfermo Sano
Positivo 9 19 28
Negativo 67 335 402
Total 76 354 430
Ho. Los resultados de la prueba diagnóstica no están relacionados al diagnóstico definitivo
Ha. Los resultados de la prueba diagnóstica están relacionados al diagnóstico definitivo
X2 = 4.31 p = 0.038
Diagnóstico definitivo
Prueba diagnóstica
Enfermo Sano
Positivo 2.1% 4.4% 6.5%
Negativo 15.6% 77.9% 93.5%
Total 17.7% 82.3% 100.0%
Razón de verosimilitud = 3.706 p = 0.054
Ho. Los resultados de la prueba diagnóstica no están relacionados al diagnóstico definitivo

Entre más alta sea la RV para una prueba positiva, mejor es la prueba para diagnosticar la enfermedad y,
entre más baja la RV para una prueba negativa, mejor es la prueba para excluir la enfermedad (4). Como
regla general, son útiles clínicamente las pruebas con RV (+) mayor de 10 y con RV (-) menor de 0,1 (4).
Sencillamente, una RV mayor de 10 significa que la odds ratio de la enfermedad es 10 veces mayor
después de la prueba o, dicho en otras palabras, por cada 10 veces que la prueba sea positiva en los
pacientes con la enfermedad (numerador), es positiva en un paciente sin la enfermedad (denominador).
La RV es un método clínicamente útil para expresar la exactitud de una prueba y no es influido por la
prevalencia de las enfermedades.
La RV es fácil de calcular, si se conocen la sensibilidad y la especificidad de una prueba.
La magnitud de la RV indica la capacidad de una determinada prueba para hacer o para excluir un
diagnóstico.
La costumbre de los clínicos de interpretar los resultados de una prueba en términos de probabilidades y no
de odds, explica en parte que la RV no se utilice tan frecuentemente en la literatura médica (por ahora

9na semana
Informática médica: METAANÁLISIS


Metaanálisis (MA)
MA proporciona un único resultado combinado basado en

diferentes estudios sobre el mismo tema y con la misma
metodología.
El MA contribuye en muchos aspectos de la investigación clínica
como por ejemplo:
1. Aumenta el poder estadístico de la comparación
2. Mejora la estimación del efecto del tratamiento
3. Combina resultados de estudios contradictorios
4. Contesta nuevas preguntas
5. Analiza subgrupos de sujetos seleccionados de diferentes
estudios
6. Analiza tendencias, define áreas en las que se necesita más
investigación, entre otros

¿Cómo planear un metaanálisis (MA)?
 El 1er paso para realizar un MA es DEFINIR la variable

desenlace que se analizará y que tiene que encontrarse
en todos los Ensayos Clínicos seleccionados.
 Después se pueden incluir otras variables que son

llamadas variables secundarias y que tienen la posibilidad
de no ser consideradas en cada uno de los artículos a
analizar.
 El proceso general para la elaboración de un MA se

resume en la siguiente Figura


 Es importante resaltar que en las primeras fases del

MA se seleccionarán la mayor parte de artículos
posibles y durante el proceso se irán discriminando
según criterios específicos.
 Para este primer momento es importante definir

además en donde se buscará la información y cómo se
realizará esta búsqueda.
 Actualmente se cuenta con muchas bibliotecas de

bibliografía médica, siendo las más reconocidas
Medline, Embase y Pubmed

Revisión sistémica (RS)

Homogeneidad
Indicación para cirugía
Necrosis infectada
Quinolona + metro
Imipenem
Todos los ensayos
Infecciones fúngicas
Sepsis
Mortalidad
A favor del ATB No a favor del ATB

Dr. Edgar Yan Quiroz Mejora en la SG Disminución en la SG
Mejora en la SG Disminución en la SG
Dr. Edgar Yan Quiroz Mejora en la SG Disminución en la SG
10ma semana
Informática médica: ANÁLISIS DE SOBREVIDA


Análisis de supervivencia
1995 2005 2010

Se CAPTAN a todas las pacientes
TRATADAS durante este período de tiempo Período mínimo de seguimiento de
5 años (en especial para la última
paciente tratada en el 2005)
31.12.10
SOBREVIDA GLOBAL
1995 2009 2010

Se CAPTAN a todas las pacientes TRATADAS durante este período de tiempo
Período mínimo de
seguimiento de 1 años
SOBREVIDA ACTUARIAL
(en especial para la
(Por ende tengo 4 años más y más casos) última paciente tratada
en el 2009)

Análisis de supervivencia de la sobrevida actuarial
(período de seguimiento mínimo de 1 año)
CADA PERSONA FALLECIDA DA UNA PROBABILIDAD DE SUPERVIVENCIA
Seguimiento (en meses del paciente)

Primera paciente = 5 meses
Segunda paciente = 8 meses*
Tercera paciente = 7 meses*
Cuarta paciente = 5 meses
Quinta paciente = 7 meses*
Sexta paciente = 6 meses
Séptima paciente = 4 meses*
Octava paciente = 7 meses
Novena paciente = 3 meses
Décima paciente = 1 mes*
Ordenamos los meses de MENOR a mayor, es decir en orden creciente
1*, 3, 4*, 5, 5, 6*, 7, 7*, 7, 8*
(*) Censurado; aquel que esta vivo en el momento de la evaluación durante el seguimiento
Análisis de supervivencia de la sobrevida actuarial: Kaplan Meier
(período de seguimiento mínimo de 1 año)
1*, 3, 4*, 5, 5, 6*, 7, 7*, 7, 8*

1 2 3
1 4
2 5
3 6
4 7
5 8
6 9
7 pacientes
t = Tiempo de supervivencia en meses
r = Número de muertos en mes t
n = Número de individuos en observación en mes t hacia adelante
Pc = Proporción de individuos bajo observación en mes t que no han muerto en t meses
(n – r) / n
Pr (T > t) = Probabilidad estimada de supervivencia superior a t meses

ee = Error estadístico
PROBABILIDAD DE
t (meses) r (muertos) n Pc (n-r/n) Pr (T > t) ee SOBREVIDA
0 0 10 (10 -10/10) 1 -- Al inicio el 100% esta vivo
¿Cuántos muertosObservamos arriba

3 13er mes?
hay en el pacientes(9-1/9)
cuantos 9 0.89
hay 0.89 -- Al 3er mes el 89% sobrevive
5 2 7 0.71 0.64 -- Al 5to mes el 64% sobrevive
7 2 4 0.50 0.32 -- Al 7mo mes el 32% sobrevive
1 1 0.32 -- Al 8vo mes el 32% sobrevive

8 0
Análisis de supervivencia: Test de log rank
Para comparar 2 o más curvas de sobrevida. Por ejemplo, comparar la sobrevida en pacientes
sometidos a:
G1: Mastectomía estándar H0 = La sobrevida en ambos grupos es igual
G2: Mastectomía modificada H1 = La sobrevida en ambos grupos es diferente
G1 (n = 10): 1*, 3, 4*, 5, 5, 6*, 7, 7, 7*, 8
Para averiguarlo, necesitamos el valor de X2 y el grado de
G2 (n = 8): 2, 2, 3*, 4, 6*, 6*, 7, 10 libertad (g.l.)
r x n1 r x n1
n n1 n2 r (muerto) c (censurado) O1 O2 e1= n e1= n
1* 18 10 8 0 1 0 0 0 0
2 17 9 8 2 0 0 2 1.06 0.94
3 15 9 6 1 1 1 0 0.60 0.4
4* 13 8 5 1 1 0 1 0.62 0.38
5 11 7 4 2 0 2 0 1.27 0.73
6* 9 5 4 0 3 0 0 0.00 0.0
7* 6 4 2 3 1 2 1 2.00 1.0
8 2 1 1 1 0 1 0 0.5 0.5
10 1 0 1 1 0 0 1 0.00 1.0
n1 y n2 = Son las personas que quedan al momento del conteo 6 5 6.05 4.95
O1 y O2 = Frecuencia de muertes observadas
=
( Oi - Ei )2 )2 + ( 5 - 4.95 )2
0.0005
GRUPOS VIVOS MUERTOS
X2 ( 6X -2 6.05
0.0004 = 0.0009
G1 Ei 6.05 4.95
G2 g.l = (c – 1)(f – 1) (2 – 1)(2 – 1)
g.l = 1
CÁLCULO DEL VALOR P
Nuestro X2 = 0.0009 H0 = La sobrevida en ambos grupos es igual
H1 = La sobrevida en ambos grupos es diferente
g.l.= 1
Posteriormente nos vamos a la tabla correspondiente a los valores críticos de la distribución de X2
g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

2 2.733 4.605 5.991 7.378 9.210 10.60 13.82
3 4.108 6.251 7.815 9.348 11.34 12.84 16.27
4 5.385 7.779 9.488 11.14 13.28 14.86 18.47
5 6.626 9.236 11.07 12.83 15.09 16.75 20.52
6 7.841 10.64 12.59 14.45 16.81 18.55 22.46
. . . . . . .
. . . . . . .
Que es lo
X2 = 0.0009 mismo decir
p > 0.05 (No significativo)

Análisis de supervivencia de la sobrevida actuarial: Kaplan Meier
Tiempo
1
Status
En la columna Status
0 = Censurado
1 = Muerto
Comparar 2 curvas de sobrevida
Tiempo
Status
Sexo

Comparar 2 curvas de sobrevida
H0 = La sobrevida en ambos grupos es igual

H1 = La sobrevida en ambos grupos es diferente

Gráfico: Comparar 2 curvas de sobrevida

Gráfico: Comparar 2 curvas de sobrevida

ADYUVANCIA
¿Quimioterapia vs. Quimiorradiación?
El único ensayo que muestra una marcada ventaja de la adición de RT asignó al azar a 68 pacientes sometidos a
resección completa con linfadenectomía D1 o D2 para cáncer gástrico sin QT o RT previa, administrando
1. La QT de acuerdo al ensayo INT 0116 (pero utilizando RT de intensidad modulada) o

2. La QT sola (5 ciclos de FU 425 mg/m2 por día y LV de calcio 25 mg/m2 por día dado 5 días seguidos, una vez al
mes). (Ver 'Intergroup 0116')
Tasa de SLE a 3 años Sobrevida global
QT - RTIM
N = 68 n = 34 56% 68%
(24 D2)
1. Edad 18 – 70 años
2. T3 – T4
3. Ganglios (+) QT
4. Todos los pacientes recibieron terapia n = 34 29% 44%
de 3-4 semanas luego de la cirugía (23/D2)

Los pacientes con radioterapia fueron tratados de acuerdo con las directrices
Intergroup 0116.
La quimioterapia consistió en 5-fluorouracilo (5-FU) y ácido tetrahidrofólico (LV)

administrados continuamente.

67.7%
55.8%
44.1%
29.4%

Análisis de Regresión Logística Binaria –
Análisis multivariado
Planteamiento 1:
Instrucciones: Realizar la regresión logística binaria
1) Análisis bivariado (variables que no están en la ecuación)
2) Análisis multivariado (variables en la ecuación)
3) Resumen del modelo

11va semana
Informática médica: Pruebas diagnósticas


Prueba Diagnóstica
Prueba de Oro
Enfermedad
Presente Ausente
Positiva Verdaderos positivos Falsos positivos

Prueba
Diagnóstica
Negativa Falsos negativos Verdaderos negativos

Prueba Diagnóstica
a+c
Prevalencia =
a+b+c+d
Enfermedad
Presente Ausente
Prueba
Positiva a b
Negativa c d
a d
Sensibilidad = Especificidad =
a+c b+d

Prueba Diagnóstica
Sensibilidad
Especificidad
CAPACIDA DPARA
CAPACIDAD DEL TEST de detectar
DETECTAR A LOSUNA ENFERMEDAD
SANOS
Una prueba específica rara vez clasificará erróneamente a los individuos sin
la enfermedad como enfermos
Enfermedad
Presente Ausente
Prueba
Positiva a b
Negativa c d
ad
Especificidad
Sensibilidad ==
ab++cd
Prueba de Oro “Gold standard”
Para calcular la sensibilidad, especificidad y valores predictivos de
una prueba diagnóstica se debe DEFINIR EL ESTÁNDAR DE
REFERENCIA (Gold standard) es decir, CUAL es hasta el momento
del estudio la mejor alternativa diagnóstica existente para estudiar una
determinada enfermedad o evento de interés

Prueba Diagnóstica
La sensibilidad y especificidad constituyen PROPIEDADES DE UNA PRUEBA

que se tienen en cuenta cuando se decide emplearla o no
¿Qué pasa cuando se tienen los resultados de una prueba (+/-)? El dilema
esta en determinar si el paciente tiene la enfermedad dado los resultados

Prueba Diagnóstica
Seguridad: ¿Con que seguridad un test predecirá la presencia o
ausencia de enfermedad?
Enfermedad
Presente Ausente
Prueba
Positiva a b
Negativa c d
a d
VP (+) = VP (-) =
a+b c+d
Probabilidad de la Porcentaje de NO TENER la

enfermedad en una enfermedad cuando el
paciente con un resultado resultado de la prueba es
positivo (anormal) de la negativo (normal)
prueba
Prueba Diagnóstica
Probabilidad pre Probabilidad post

prueba prueba
Prevalencia Valor predictivo

SxP
Probabilidad Postprueba Positiva [Enfermos +/T +] =
S x P + (1 – E) (1 – P)
Prueba
Sensibilidad
Especificidad
S = Sensibilidad
E = Especificidad
P = Probabilidad Preprueba (Prevalencia)
Prueba de Prueba de oro Prueba de oro
estudio ENFERMOS SANOS
Positivos a b
Negativos c d
a+c b+d
a a
sensibilid ad  valor predictivo positivo 
ac ab
d
valor predictivo negativo 
cd
http://www.openepi.com/DiagnosticTest/DiagnosticTest.htm

Prueba de oro
El diagnóstico anatomopatológico de la pieza operatoria
+ -
BAAF + 40 15 55
(Biopsia con
aspiración
con aguja
fina) - 8 41 49
N = 104

Prueba Diagnóstica
Queda claro cómo la prevalencia es un factor determinante en los

valores predictivos de un test.
Por lo tanto, éstos , no pueden ser utilizados como índices a

 La hora de comparar dos métodos diagnósticos diferentes
 Ni tampoco a la hora de extrapolar los resultados de otros
estudios a datos propios.
Por ello, resulta necesario determinar otros índices de valoración

que sean a la vez clínicamente útiles y no dependan de la
prevalencia de la enfermedad en la población a estudiar

Cociente de Probabilidad (Likelihood ratio)
Los cocientes de probabilidad son una FORMA ALTERNATIVA de describir el

rendimiento de una prueba diagnóstica
Resumen el mismo tipo de información que la sensibilidad y especificidad
Pueden usarse para calcular la probabilidad de la enfermedad DESPUÉS de

una prueba positiva o negativa

Cociente de Probabilidad
Los cocientes de probabilidad indican hasta que punto un resultado
determinado de un test diagnóstico aumentará o disminuirá la probabilidad
preexamen de un trastorno
Cociente de Probabilidad = 1: Probabilidad preexamen = Post examen
De acuerdo a nuestra exposición

C. P. mayor de 1: Incrementan la probabilidad del trastorno sería mayor la probabilidad que el
paciente presente PAS
De acuerdo a nuestra exposición

C. P. menor a 1: Disminuye la probabilidad del trastorno sería menor la probabilidad que el
paciente presente PAS

Enfermedad
Presente Ausente
Prueba
Positiva a b
Negativa c d
a c
a+c a+c
CP (+) = CP (-) =
b d
b+d b+d
Sensibilidad 1- Sensibilidad
CP (+) = CP (-) =
1- Especificidad Especificidad

CP INTERPRETACIÓN
CP = 1 Probabilidad pre post examen es la misma
CP > 10
Cambios amplios y concluyentes
CP < 0.1
CP 5 – 10
Cambios moderados
CP 0.1 – 0.2
CP 2 – 5
Cambios pequeños, en ocasiones importantes
CP 0.2 – 0.5
CP 1 – 2
Alteran la probabilidad en forma insignificante
CP 0.5 - 1

Probabilidad pre Probabilidad post

prueba prueba
Prevalencia
Prueba
Cociente de
probabilidad

El cociente de probabilidad permite calcular

la probabilidad de la enfermedad DESPUÉS
de que una prueba haya salido positiva o
negativa
Nuestro paciente tiene un cociente de probabilidad positivo de 10

entonces aproximadamente tendrá un 99% de probabilidad de
presentar una Pancreatitis Aguda Severa (PAS)
Nuestro paciente tiene un coeficiente de probabilidad negativo de 0.1

entonces aproximadamente tendrá un 34% de probabilidad de no
presentar PAS
Dr. Edgar Yan Quiroz Nomograma de Bayes

Sistemas de Clasificación de Pancreatitis Severa
CP (+) CP (-)

Pancreatitis Severa
No Presenta PANCREATITIS Presenta PANCREATITIS

SEVERA (Zona de Certeza) SEVERA (Zona de Certeza)
CP (+) CP (-)
Score APACHE < >8 1.7 - 4 0.25
a las 24 horas
Necesitamos estar muy seguros de

nuestro diagnóstico, y mover este umbral
lo más alto que podamos, es decir,
toleramos muy pocas falsos positivos.
Los cocientes de probabilidad nos dicen qué tanto se

movería nuestra probabilidad diagnóstica de ser la
prueba positiva o negativa
Sistemas de Clasificación de Pancreatitis Severa
CP (+) CP (-)

12va semana
Informática médica: Curva ROC


CURVA ROC
Curva ROC (acrónimo de Receiver Operating Characteristic, o
Característica Operativa del Receptor) es una representación
gráfica de la sensibilidad frente a la especificidad para un sistema
clasificador binario según se varía el umbral de discriminación.

Efectividad del Indice de Mannheim

comparado con el Índice de Altona II en la
predicción de la mortalidad postoperatoria
luego de peritonitis secundaria
Scores Pronósticos de Mortalidad en Peritonitis: Introducción a la Curva ROC
Vemos que en el Mannheim que un resultado MAYOR de la prueba

INDICA UNA PRUEBA POSITIVA (Muerte por peritonitis)
(Es decir, a mayor cantidad de variables que el paciente tenga
como positivo, mayor será el puntaje y por lo tanto mayor será la
probable mortalidad) En el Altona II un resultado MÁS NEGATIVO de la prueba INDICA
UNA PRUEBA POSITIVA (Muerte por peritonitis)
(Es decir, MIENTRAS MAS VALORES NEGATIVOS el paciente

tenga [Ejemplo edad, sexo masculino, infección mayor de 48
horas, insuficiencia cardiaca congestiva etc], mayor será la
probable mortalidad)

Scores Pronósticos de Mortalidad en Peritonitis: Introducción a la Curva ROC
Vemos que en el Mannheim que un resultado MAYOR de la prueba

INDICA UNA PRUEBA POSITIVA (Muerte por peritonitis) En el Altona II que un resultado MÁS NEGATIVO de la PIA II
INDICA UNA PRUEBA POSITIVA (Muerte por peritonitis)
(Es decir, MIENTRAS MAS VALORES NEGATIVOS el paciente
tenga (Ejemplo edad, sexo masculino, infección mayor de 48
horas, insuficiencia cardiaca congestiva etc), mayor será la
probable mortalidad)

Curva ROC

Aplicación de Curva ROC (Receiver – Operating Characteristic)
Mortalidad 0 = Ausente
1 = Presente
Dr. Edgar Yan Quiroz Curva COR (Característica Operativa del Receptor)

Mortalidad 0 = Ausente
1 = Presente
Dr. Edgar Yan Quiroz Curva COR (Característica Operativa del Receptor)

Curva ROC: Hallando el Punto de Corte
Tomamos la media de cada uno

Curva ROC: Hallando el Punto de Corte

A modo de guía para interpretar las curvas ROC se han establecido los siguientes
intervalos para los valores de AUC:
[0.5 - 6] : Test malo. [0.9 - 0.97]: Test muy bueno.
[0.6 - 0.75] : Test regular. [0.97 - 1] : Test excelente.
Dr. Edgar Yan Quiroz [0.75 - 0.9]: Test bueno.
Validez de la Proteína C Reactiva en el

diagnóstico de sepsis neonatal temprana
Médico Cirujano
Docente del Curso de Morfofisiología II
Trujillo – Perú
2012
Hemocultivo 0 = Ausente
1 = Presente

Área bajo
la curva
(AUC) A modo de guía para interpretar las curvas ROC se han
establecido los siguientes intervalos para los valores de
AUC (Área bajo la curva):
[0.75 - 0.9]: Test bueno.
La PCR discrimina muy

bien un neonato con
sepsis neonatal temprana
del que no lo tiene

Curva ROC: Evaluando el Punto de Corte


PCR agrupado 0 = < 110

1 = > 110


VALIDEZ DE LA ESCALA DE ALVARADO EN EL

DIAGNOSTICO PRECOZ DE APENDICITIS AGUDA EN
ADULTOS EN EL HOSPITAL DE APOYO II MINSA.
SULLANA

SCORE DE ALVARADO.
VARIABLE PUNTAJE
1. Dolor EN CID 2
2. Blumberg 1
3. Migración del dolor 1
4. Neutrofilia > 75 % 1
5. Temperatura oral > 37.2 º C 1
6. Anorexia 1
7. Náusea-vomitos 1
8. Leucócitos 2
TOTAL 10
SCORE ALVARADO:
NEGATIVO PARA APENDICITIS: 0-4 PUNTOS
POSIBLE APENDICITIS 5-6 PUNTOS
PROBABLE APENDICITIS 7-8 PUNTOS
APENDICITIS 9-10 PUNTOS

Reporte operatorio 0 = Negativo para apendicitis

1 = Positivo para apendicitis

Área bajo
la curva A modo de guía para interpretar las curvas ROC se han
(AUC) establecido los siguientes intervalos para los valores de
[0.75 - 0.9]: Test bueno.
El test de Alvarado
diagnostica o discrimina
muy bien una apendicitis
aguda del que no lo es

Indice de Yourden
Mide la eficiencia de la prueba, reflejando la diferencia entre
la tasa de verdaderos positivos (VP) y falsos positivos (FP).
Si Y =1, la prueba diagnóstica es perfecta.
El índice de Yourden: Y =[ S + E)] – 1 = S – ( 1 - E)

y se emplea para determinar el punto de corte.
Al mejor punto de corte corresponde, el mayor valor de Y.


Punto de corte de Score de Alvarado 0=<7

1=>7

Área bajo
la curva
(AUC)
A modo de guía para interpretar las curvas ROC se han
establecido los siguientes intervalos para los valores de
[0.75 - 0.9]: Test bueno.
El test de Alvarado con un

score > 7 diagnostica o
discrimina BIEN una
apendicitis aguda del que
no lo es
13va semana
Informática médica: Odds ratio


DAÑO
Causalidad ó Etiología
Si una intervención médica, procedimiento quirúrgico o agente

medioambiental perjudica a nuestro paciente - examinar 2
tipos de estudios:
 De cohorte
 De casos y controles

¿CÓMO EVALUAR UN ESTUDIO DE DAÑO?
EXPOSICION EVENTO
(Factor de COHORTE (Enfermedad)
Riesgo)
EXPOSICION EVENTO
(Factor de CASO - (Enfermedad)
CONTROL
Riesgo)

CASOS
TABAQUISMO (P.e. Pacientes con cáncer pulmonar)
Toma de
historias
Comparación Conclusiones
historias Finales CONTROLES
TABAQUISMO (P.e. Pacientes con EPOC)
Toma de
historias

ESTUDIOS DE CASOS Y CONTROLES
CÁNCER DE PULMÓN
Tabaquismo
Presente Ausente
Presente a
30 b2
Ausente c
20 d
48
Odds
axd 30 x 48 1440
ratio (OR) = 36
bxc 2 x 20 40
OR > 3 fuerte asociación < 2 débil asociación

Medidas de riesgo: Odds ratio
Infarto Agudo del Miocardio
Tabaquismo Con Sin Total
Presente 28 a 12 b 39
Ausente 15 c 31 d 47
43 43 86

Medidas de riesgo: Odds ratio
¿En que grupo se encuentra mayor frecuencia del antecedente de tabaquismo?
El antecedente de tabaquismo se encuentra asociado a la ocurrencia del infarto agudo de miocardio

13va semana
Informática médica: Riesgo relativo


COHORTE. Medida de riesgos: Riesgo relativo
E.P.I.
DIU
Presente Ausente
Usaron (♀ DIU) a
20 b
80
Son 2 grupos de
100 pacientes
c/uno
No usaron c
1 d
99
a 20 20
Riesgo
a+b 20 + 80 100
relativo (RR) = 20
c 1 1
c+d 1 + 99 100
RR < 1 efecto protector > 1 existe asociación

Grupo de intéres
DIU
(P.e. ♀ DIU) E.P.I.
Segumiento a través
del tiempo
Comparación de
Grupo de comparación resultados
(P.e. ♀ No DIU) E.P.I.
Segumiento a través
del tiempo

ESTUDIOS DE COHORTE
E.P.I.
DIU
Presente Ausente
Usaron (♀ DIU) a
20 b
80
No usaron c
1 d
99
a 20 20
Riesgo
a+b 20 + 80 100
relativo (RR) = 20
c 1 1
c+d 1 + 99 100
RR < 1 efecto protector > 1 existe asociación

14va semana
Informática médica: Tamaño muestral y muestreo


DISEÑO
¿Puede el investigador
asignar las exposiciones
(o tto según sea el caso)
Si No
Estudio experimental Estudio observacional
Aleatorización Grupo de comparación
Si No Si No
Reporte de un caso
Ensayo Estudio Estudio
Ensayo
analítico descriptivo
Controlado
Controlado
No
Aleatorizado Serie de casos
Aleatorizado
Direccionalidad
Exposición y
Exposición Resultado resultado al
mismo
tiempo
Exposición Resultado
Estudio de Estudios de
Estudio de sección
casos y
cohorte transversal
controles

POBLACION Y MUESTRAS EN LA INVESTIGACION
CONCEPTOS BASICOS
• POBLACION: Es el grupo mas grande al cual los

resultados de la investigación son generalizados. Es
toda “agregación” o cúmulo de objetos, personas o
eventos que cumple con un conjunto predeterminado
de criterios

Población blanco o población de referencia.
• Grupo total de personas al cual el investigador

intenta generalizar los hallazgos.

Población accesible o población experimental
• Es aquella porción de la población blanco que

tiene una oportunidad para ser seleccionada,
debido a que no es posible acceder a toda la
población blanco. La muestra del estudio será
escogida de esta población accesible.

¿Cuándo es necesario calcular el tamaño de muestra?
 Depende del objetivo del estudio
 ¿ Se conoce el total de pacientes ? Si la respuesta es sí, no es

necesario calcular un tamaño de muestra. Si la respuesta es no, la
pregunta siguiente es ¿en qué período de tiempo es aconsejable
seleccionar a los pacientes y/o cuántos deben ser? Esto depende
del tiempo del que se dispone para el estudio y del número total de
pacientes que se hayan observado en el Servicio. En este caso sí
es necesario calcular un tamaño de muestra para garantizar que la
frecuencia obtenida sea válida.
 Es importante la serie de casos por lo general no requiere de un

tamaño de muestra.

Proceso de prueba de hipótesis
1. Planteamiento de la hipótesis
Hipótesis de nulidad
H 0 :   0
Hipótesis alternativa
H a :   0
Hipótesis Unilateral
H a :   0
H a :   0 Hipótesis Bilateral

Errores asociados a una hipótesis
Realidad
Verdadera Falsa
Seguridad o Confianza
Rechaza
Correcto
No
Error II
β
1
Rechazar
Potencia Estadística
Error I Correcto
α 1 

Nula

Es la probabilidad de acertar al REALIDAD
realizar una estimación (enunciar
que NO EXISTE DIFERENCIA y en La hipótesis nula es
realidad no la hay)
El tratamiento no El tratamiento es
es efectivo efectivo
Seguridad
Se decide que el tratamiento Se decide que el tratamiento
ACEPTAMOS HO
El tratamiento
NO TIENEo EFECTO NO TIENE EFECTO Error II β
no es efectivo Confianza
y en Realidad NO LO TIENE y en Realidad SI LO TIENE
Se decide que el tratamiento Se decide que el tratamiento

RECHAZAMOS HO SI TIENE EFECTO y en SI TIENEESTADÍSTICA
EFECTO
POTENCIA
El tratamiento Se dice que el test tiene una potencia
es efectivo Realidad NO LA TIENE y en Realidad
aceptable cuando esSI LO TIENE
superior al 80%
Capacidad de un estudio para

Error I α identificar una diferencia cuando en
realidad la diferencia SI existe
Es el error del investigador que se apresura a

concluir a favor de su hipótesis de investigación El investigador llega a la
conclusión de que ha
sido incapaz de
Ho = El tratamiento no es efectivo encontrar una diferencia
cuando en la realidad SI
Ha = El tratamiento si es efectivo EXISTE
Error I o α: Se comete cuando se afirma que
existen diferencias (o el
tratamiento SI es efectivo) y en
realidad no existen
Error II o β: Se comete cuando se afirma que NO

existen diferencias (o el tratamiento
NO es efectivo) y en realidad SI
existen

Error α
Error tipo I
Digo que hay diferencias o que el tratamiento si es efectivo
cuando en realidad
No hay diferencias y/o el tratamiento NO es efectivo
El “p” es la probabilidad de cometer un error α

PUNTAJE Z En error α o tipo I
Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones
de una distribución normal, con el propósito de analizar su distancia respecto a la media,
expresándolas en unidades de desviación estándar.
Cuando la HIPÓTESIS es UNILATERAL
95%
5%
1.64

PUNTAJE Z En error α o tipo I
Un puntaje Z lo que hace es decirnos a cuántas unidades de desviación estándar del promedio está un
puntaje determinado, o sea, no contamos en cantidad de puntos, sino en cantidades de desviaciones estándar.
• Distribución sea normal
Para utilizar el puntaje Z requerimos que • Conocer el promedio y la
• Desviación estándar de los puntajes.
Cuando la HIPÓTESIS es BILATERAL
95%
Probabilidad de
que el fenómeno
observado sea
2.5% verdad y no 2.5%
debido al azar
1.96 1.96

Valores de los Puntajes tanto para α como para β
Poder Error Valor Z

(1-ß) ß para ß
0.80 0.20 0.842
0.90 0.10 1.282
0.95 0.05 1.645
0.99 0.01 2.326

Tamaño de la muestra según el tipo de variable
OBJETIVO ESTADÍSTICO
Estimar parámetros
Comparar dos grupos
VARIABLES DE ESTUDIO
2
n = (Z1-) p*q
Infinita (d)2
CATEGÓRICA
Finita
Infinita
NUMÉRICA
Finita
Finita = Marco muestral conocido Z1-α = Nivel de confianza p1= Prevalencia en el grupo de estudio
Infinita= Marco muestral desconocido Z1-β= Potencia de la prueba p2= Prevalencia en el grupo control
n = Tamaño de la muestra p = Prevalencia de la enfermedad S2 = Varianza de la variable cuantitativa
N = Tamaño de la población q=1-p que tiene el grupo control o de referencia.
α = Error tipo I S2 = Varianza d = Valor mínimo de la diferencia que se
Β = Error tipo II d = Precisión desea detectar (datos cuantitativos)

Tamaño de la muestra para estimar una sola proporción
¿A cuántas personas tendría que estudiar de una población de

15.000 habitantes para conocer la prevalencia de diabetes?
Seguridad = 95%; Precisión = 3%; proporción esperada (p) =

asumamos que puede ser próxima al 5% ; si no tuviese ninguna
idea de dicha proporción utilizaríamos el valor p = 0.5 (50%) que
maximiza el tamaño muestral.

Estimar parámetros
Comparar dos grupos
2
n = (Z1-) p*q
Infinita (d)2
CATEGÓRICA
Finita
Infinita
NUMÉRICA
Finita
Un marco muestral es una LISTA de elementos que componen el universo que

queremos estudiar y de la cuál se extrae la muestra.
Tamaño de la muestra para estimar una media
Si deseamos conocer la media de la glicemia basal de una

población, con una seguridad del 95 % y una precisión de ± 3
mg/dl y tenemos información por un estudio piloto o revisión
bibliográfica que la varianza es de 250 mg/dl
n = 106.7

Tamaño de la muestra para la estimación de frecuencias (marco
muestral conocido)

Tamaño muestral
Para estimar la media poblacional
n = Z1-α2 S2
_________
d2
Zα: Coeficiente de confiabilidad. A un nivel de confianza del 95% para la estimación,
es 1.96.
Se: Desviación estándar estimada.
E: Error absoluto o precisión.
Si el interés es comparar dos medias aritméticas poblacionales.
H0 : µ1 = µ2
H1 : µ1  µ2 (Z1- + Z1-ß)2 *(S2)
_______________________
n= __ __
(X1 - X2 )2
Estimar parámetros o
frecuencias Comparar dos grupos
2
n = (Z1-) p*q
Infinita (d)2
CATEGÓRICA
Finita
Infinita
NUMÉRICA
Finita

Tamaño muestral
Para 2 proporciones poblacionales
Λ Λ
[Zα 2 p (1 – p) + Zβ p1 (1 – p1) + p2 (1 – p2)]2
n =
(p1- p2)2
Λ Λ
[1.64 2 (0.8) (1 – 0.8) + 0.84 0.7 (1 – 0.7) + 0.9 (1 – 0.9)]2 n = 48 pacientes
n =
(0.7- 0.9)2
Donde:
• n = sujetos necesarios en cada una de las muestras
• Zα = Valor Z correspondiente al riesgo deseado
• Zβ = Valor Z correspondiente al riesgo deseado
• p1 = Valor de la proporción en el grupo de referencia, placebo, control o tratamiento
habitual.
• p2 = Valor de la proporción en el grupo del nuevo tratamiento, intervención o técnica.
• p = Media de las dos proporciones p1 y p2 p2 + p1 (0.9) + (0.7)
p= p= = 0.8
2 2
Ejemplo:
 Deseamos evaluar si el Tratamiento A es mejor que el tratamiento B para el alivio del dolor para lo que
diseñamos un ensayo clínico.
 Sabemos por datos previos que la eficacia del fármaco habitual está alrededor del 70% y consideramos
clínicamente relevante si el nuevo fármaco alivia el dolor en un 90%.
 Nuestro nivel de riesgo lo fijamos en 0.05 y deseamos un poder estadístico de un 80%.
Tamaño muestral ajustado a las pérdidas
En todos los estudios es preciso estimar las posibles perdidas de

pacientes por razones diversas (pérdida de información, abandono,
no respuesta….) por lo que SE DEBE INCREMENTAR el tamaño
muestral respecto a dichas pérdidas.
El tamaño muestral ajustado a las pérdidas se puede calcular:
Muestra ajustada a las pérdidas = n

(1 / 1–R)
n = número de sujetos sin pérdidas
R = proporción esperada de pérdidas
Así por ejemplo si en el estudio anterior esperamos tener un 15%

de pérdidas el tamaño muestral necesario seria:
Muestra ajustada a las pérdidas = 48 (1 / 1-0.15)

Dr. Edgar Yan Quiroz n = 56 pacientes en cada grupo.
Tamaño muestral
n= (Z/2+Zß)2 p(1-p)(r+1) n= (1.64+0.84)2 (0.775)(1-0.775)(1+1)

(d)2 r (0.15)2 (1)
Donde:
• r = Es la relación entre el grupo experimental y el grupo control. Relación 1:1; 2:1
• p1 = Valor de la proporción de pacientes con el mejor tratamiento QUE NO MEJORAN (1 – 0.3) = 0.7
• p2 = Valor de la proporción de pacientes con el peor tratamiento QUE NO MEJORAN (1 – 0.15) = 0.85
• p = Se calcula de la siguiente manera
p = p2 + p1 (r) p = (0.85) + (0.7) (1) = 0.775
r+1 1+1
• d = Valor no nulo, es la diferencia entre p2 - p1 d = (0.85) - (0.7) = 0.15

Ejemplo:
 Deseamos evaluar si la linfadenectomía extendida (LE) es más eficaz que la linfadenectomía limitada (LL) en la sobrevida
de pacientes con carcinoma gástrico
 Sabemos por datos previos que la eficacia se basa en la sobrevida, de tal manera que la proporción de pacientes que
alcanzan sobrevida quinquenal con LE es de 30% y los pacientes sometidos a LL alcanzan sobrevida a los 5 años de 15%
 Nuestro nivel de riesgo lo fijamos en 0.05 y deseamos un poder estadístico de un 80%.
Tamaño muestral
(Z + Zß) 2 (p1 q1 + p2 q2)

__________________________________
n=
( p1 - p 2 )2

Tamaño muestral. Casos y controles Cuando la relación es 1:1
Λ Λ
[Zα 2 p (1 – p) + Zβ p1 (1 – p1) + p2 (1 – p2)]2
n =
(p1- p2)2
Donde:
• p2 = Valor de la proporción de controles que están expuestos al factor de riesgo
• p1 = Se calcula de la siguiente manera:

Donde w es el Odds ratio previsto
• p = Media de las dos proporciones p1 y p2
p2 + p1
p=
2

Tamaño muestral. Casos y controles Cuando la relación es 1:1
El Tabaquismo como factor de riesgo de Infarto de Miocardio
Supongamos que se desea estudiar la existencia de una asociación entre el consumo de tabaco y el hecho de sufrir un
Λ Λ
infarto de miocardio. [Zα 2 p (1 – p) + Zβ p1 (1 – p1) + p2 (1 – p2)]2
n =
(p - p2)2 Se investigará el consumo de tabaco de:
Para • Poner en evidencia dicha asociación y Se diseña un1 estudio • Pacientes que han padecido un infarto de miocardio
• Cuantificar su magnitud de Casos y Controles (casos) y
• Pacientes sanos (controles).
Basándonos en la literatura tenemos p2 + p1
que: (0.4) + (0.73)
p= p= = 0.565
2 2
• Se cree que alrededor de un 40% de los controles son fumadores (p2)
• Se considera como[1.64
Λ Λ ΛΛ
diferencia importante
[21.64
(0.565) (1 – ambos
entre
(2.26) grupos
(0.435)
0.565) un
++ 0.84 odds
0.84 ratio
0.73(w)
(0.1971) – 4.
(1de
+ (0.24)
0.73) +]2 0.4 (1 – 0.4)]2
n = n =
• Con estos datos, podemos calcular el tamaño de muestra
(0.33) 2
0.4)2 en cada grupo para detectar un odds ratio de 4 como
necesario
(0.73-
significativamente diferente de 1 con una seguridad o confianza del 95% y un poder estadístico del 80%.
n = 20
• De acuerdo con lo expuesto con anterioridad, conocemos los siguientes parámetros
Cuando queremos que haya DOS CONTROLES por CADA CASO, la formula varía ligeramente:
a. Frecuencia de exposición entre los controles (p2): 40% (0.4)
b. Odds ratio previsto (w): 4
Λ Λ
[c.ZαNivel(c+1) p (1 – 95%
de seguridad: p) + Zβ (c) p1 (1 – p1) + p2 (1 – p2)]2
n = d. Poder estadístico: 80%
(c) (p1- p2)2
De acuerdo con estos datos, se estima que la frecuencia de exposición entre los casos vendrá dada por:
Donde C = m/n (controles/caso)
Esto es, se estima que aproximadamente un 73% de los casos son fumadores. Aplicando la Ecuación anterior y se
obtiene:
Tamaño muestral para la determinación de factores
pronósticos. Para la estimación de un riesgo relativo
• Supongamos que deseamos saber si existen diferencias entre dos terapias diferentes A (proporción
Donde:
de no expuestos) y B utilizadas habitualmente para tratar un determinado tipo de cáncer.
• Para ello se planea realizar un estudio prospectivo en el que se recogerá el estatus de los pacientes
(vivos/muertos) al cabo de un año de ser tratados
• p1 = Proporción de expuestos al factor de estudio que presentaron el evento de interés
• ¿Cuántos pacientes
p2 = Proporción deberán
de no estudiarse
expuestos con cada ese
que presentaron tratamiento si se desea calcular el riesgo relativo
mismo evento
• con
ξ = Precisión
una precisión del que
relativa 50%se
dequiere
su valor realelyestudio.
para una seguridad del 95%? es la oscilación mínima con la
Dicha precisión
• De experiencias
que previas,
se quiere estimar se estima
el RR que el valorexpresada
correspondiente, real del riesgo
comorelativo es + igual
porcentaje a 3 yreal
del valor la probabilidad
esperado
de fallecer
para entre los pacientes tratados con el tratamiento A (p2) es de un 20% (0.20)
ese riesgo.
• ξ = 0.50 (1 – p1)/p1 + (1 – p2)/p2

n = Zα2
• Riesgo relativo (RR) = 3 [ln (1- ξ)] 2
• p2 = 0.20
p1
• RR = p1 = RR x p2 p1 = 3 x 0.20 0.6
p2
(1 –(0.4)/0.6 (1 – 0.2)/0.2
0.6)/0.6 ++ (0.8)/0.2
3.84162
n = (1.96)
[ln (1- 0.5)]2 2
[-0.48038
0.6931]
ln = Logaritmo natural
n = 37.31
pronósticos. Para estudios de supervivencia
SUPONGAMOS que el primer tratamiento (A) suele aplicarse a un 70% de los pacientes que padecen ese tipo de
cáncer, mientras que la otra terapia (B) es recibida sólo por un 30% de los enfermos.
El tratamiento 1 es el tratamiento “menos efectivo”

pronósticos. Para estudios de supervivencia
SUPONGAMOS que el primer tratamiento (A) suele aplicarse a un 70% de los pacientes que padecen ese tipo de
cáncer, mientras que la otra terapia (B) es recibida sólo por un 30% de los enfermos.
Si el efecto pronóstico del tratamiento recibido va a analizarse de modo univariado, la siguiente Ecuación puede
aplicarse para calcular el número necesario de pacientes a estudiar.
Así, para detectar un riesgo relativo de 3, y trabajando con una seguridad del 95% y un poder del 80% se tendría:
(Zα + Zβ)2 (1.96 + 0.84)2

n = n = n = 30.97
[log (RR)]2 (1 – Ψ)(1- p)p [log (3)]2 (1 – 0.7) 0.7
Esto es, se necesitaría recoger información de 31 pacientes en total para detectar un efecto de RR = 3
Asumiendo que no existe censura

Estimar parámetros o
frecuencias Comparar dos grupos
2
n = (Z1-) p*q
Infinita (d)2
CATEGÓRICA
Finita
Infinita
NUMÉRICA
Finita

Tamaño de la muestra al comparar dos medias
Deseamos utilizar un NUEVO FÁRMACO ANTIDIABÉTICO y consideramos que

seria clínicamente eficaz si lograse un descenso de 15 mg/dl respecto al tto.
habitual con el antidiabético estándar.
Por estudios previos sabemos que la desviación típica de la glucemia en
pacientes que reciben el tratamiento habitual es de 16 mg/dl.
Aceptamos un riesgo de 0.05 y deseamos un poder estadístico de 90% para
detectar diferencias si es que existen.

Tamaño de la muestra al comparar dos medias

Calcular el tamaño de la muestra para COMPARAR la
hemoglobina MEDIA en 2 poblaciones
Calcular el tamaño de muestra para comparar la hemoglobina media de
mujeres gestantes y no gestantes
• Con un nivel de confianza del 95% (Z1-α = 1.96)

• Una potencia de prueba del 80% (Z1-β = 1.96)
• Siendo en un estudio previo se calculó la desviación estándar en 1.5 (S2 = 2.25)
• Y la diferencia propuesta para este estudio es de 1.5 mg%

MUESTREO
Procedimiento que consiste en escoger y extraer un grupo pequeño de una población con un grado de
probabilidad de que ese grupo pequeño efectivamente posea las características del universo que
estamos estudiando
Tipos de Muestreo
Probabilístico No Probabilístico
Aleatorio Simple Por conveniencia

Sistemático Por cuotas
Estratificado
Conglomerado

MUESTREO ALEATORIO SIMPLE
• Una muestra aleatoria es obtenida de la población

accesible, a menudo tomada de una lista de
personas, directorio de miembros, de instituciones, o
de listas de hospitales acreditados.
• En estudios clínicos, es a menudo posible obtener

una muestra aleatoria de listas de pacientes
disponibles.

MUESTREO ALEATORIO SIMPLE. a) Método del sorteo o rifa
5
3 7 9
6
2 8
1
4
Hasta completar los 30

pacientes que necesito
10 13 26 39 48 67 83 para mi tamaño muestral
55 100
Supongamos que me sale un tamaño

muestral de 30 pacientes y el total de
mis pacientes son 100
El número
1 es…..
2
3
4
5
6
7
8
9
…

MUESTREO ALEATORIO SIMPLE. b) Tabla de números aleatorios
TABLA DE NÚMEROS ALEATORIOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 1 6 3 0 5 6 4 2 2 4 8 6 5 8 5 8
2 3 6 3 2 6 1 8 3 2 8 5 8 5 1 3 7
3 7 2 0 5 8 6 2 8 2 6 0 8 1 3 6 5
4 9 9 6 5 5 5 6 9 1 5 7 6 7 2 0 6
5 8 0 4 5 1 1 3 2 9 0 8 8 6 9 4 5
6 9 0 8 9 0 6 0 2 1 1 8 9 9 3 7 9
7 4 0 6 3 8 2 0 9 2 1 2 1 1 5 7 0
8 7 2 1 0 3 5 5 6 6 2 2 5 2 7 7 9
9 4 5 2 5 9 6 9 6 9 6 1 8 6 5 3 0
10 7 6 8 1 2 6 6 9 9 0 3 5 0 5 6 1
11 8 1 6 2 6 4 0 1 2 8 8 1 4 7 8 5
12 7 2 0 6 2 2 1 0 2 2 1 8 0 6 3 9
13 7 1 1 7 5 6 1 7 3 8 3 1 2 9 8 8
14 7 0 7 7 2 6 7 9 3 0 4 3 8 4 5 0
15 7 2 0 8 7 4 6 1 1 3 3 9 4 2 6 8
16 8 3 2 8 6 9 2 4 1 7 8 4 1 6 6 8
17 8 2 4 3 7 2 4 5 8 2 1 7 3 0 7 4
18 3 4 4 6 8 7 9 5 7 0 7 8 1 0 8 6
19 4 9 0 8 2 8 5 9 1 9 5 5 1 4 1 7
20 7 7 1 3 7 2 6 0 5 4 8 3 7 6 1 9
21 3 5 1 5 9 9 7 6 9 1 8 9 7 3 4 6
22 1 1 8 0 2 9 0 0 8 2 6 3 1 2 7 3
23 8 9 6 6 2 3 8 1 9 9 6 3 0 8 5 0
24 6 0 1 0 9 5 5 7 4 5 7 8 1 1 6 2
25 6 9 3 9 1 9 6 1 5 5 2 7 7 3 2 2
26 8 7 3 6 6 8 8 8 8 6 6 6 8 3 5 2
Supongamos que me sale un tamaño 27 8 2 6 0 6 8 0 1 1 9 1 3 1 1 8 8
muestral de 100 pacientes y el total de 28 4 0 0 9 0 8 8 3 1 6 4 9 3 0 0 3
29 5 1 1 6 2 7 7 5 8 7 1 2 2 0 0 0
mis pacientes son 500 30 6 7 6 7 4 0 2 4 8 4 3 5 0 7 6 1
31 5 0 6 4 1 0 1 9 8 5 1 3 8 1 4 0
32 4 2 4 9 0 0 0 0 1 3 2 0 3 6 0 2
33 5 8 1 1 9 1 0 4 2 3 9 9 2 0 5 6
Bradford H y Austin H. Short Textbook of Medical Statistics. 34 4 1 6 7 5 3 4 7 0 8 2 1 4 9 8 3
35 9 6 8 1 1 3 1 1 1 5 9 4 4 3 4 5
Hodder and Stouhton. Londres 1977.p. 305.
36 0 9 2 8 2 4 9 9 3 5 1 5 3 6 1 0
37 2 7 5 6 8 7 9 5 2 5 6 6 1 2 9 2
38 0 0 7 5 9 8 9 5 9 3 1 2 9 8 6 9
39 1 7 8 3 0 0 1 1 4 6 5 5 8 2 4 4
Dr. Edgar Yan Quiroz 40 2 7 0 7 7 9 0 3 8 1 9 3 0 1 0 0
MUESTREO ALEATORIO SISTEMÁTICO
• Cuando las listas están disponibles alfabéticamente u

ordenada de alguna otra manera.
• El investigador divide el número total de elementos en la

población accesible entre el número de elementos a ser
seleccionados.
• El punto inicial de la lista es al azar, a menudo usando

una tabla de números aleatorios.

MUESTREO ALEATORIO SISTEMÁTICO
TABLA DE NÚMEROS ALEATORIOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 1 6 3 0 5 6 4 2 2 4 8 6 5 8 5 8
2 3 6 3 2 6 1 8 3 2 8 5 8 5 1 3 7
3 7 2 0 5 8 6 2 8 2 6 0 8 1 3 6 5
4 9 9 6 5 5 5 6 9 1 5 7 6 7 2 0 6
5 8 0 4 5 1 1 3 2 9 0 8 8 6 9 4 5
6 9 0 8 9 0 6 0 2 1 1 8 9 9 3 7 9
7 4 0 6 3 8 2 0 9 2 1 2 1 1 5 7 0
8 7 2 1 0 3 5 5 6 6 2 2 5 2 7 7 9
9 4 5 2 5 9 6 9 6 9 6 1 8 6 5 3 0
10 7 6 8 1 2 6 6 9 9 0 3 5 0 5 6 1
11 8 1 6 2 6 4 0 1 2 8 8 1 4 7 8 5
12 7 2 0 6 2 2 1 0 2 2 1 8 0 6 3 9
13 7 1 1 7 5 6 1 7 3 8 3 1 2 9 8 8
14 7 0 7 7 2 6 7 9 3 0 4 3 8 4 5 0
15 7 2 0 8 7 4 6 1 1 3 3 9 4 2 6 8
16 8 3 2 8 6 9 2 4 1 7 8 4 1 6 6 8
17 8 2 4 3 7 2 4 5 8 2 1 7 3 0 7 4
18 3 4 4 6 8 7 9 5 7 0 7 8 1 0 8 6
19 4 9 0 8 2 8 5 9 1 9 5 5 1 4 1 7
20 7 7 1 3 7 2 6 0 5 4 8 3 7 6 1 9
21 3 5 1 5 9 9 7 6 9 1 8 9 7 3 4 6
22 1 1 8 0 2 9 0 0 8 2 6 3 1 2 7 3
23 8 9 6 6 2 3 8 1 9 9 6 3 0 8 5 0
Tengo un tamaño muestral (n) de 100 pacientes 24 6 0 1 0 9 5 5 7 4 5 7 8 1 1 6 2
25 6 9 3 9 1 9 6 1 5 5 2 7 7 3 2 2
y el total de mis pacientes son 500 (N) 26 8 7 3 6 6 8 8 8 8 6 6 6 8 3 5 2
27 8 2 6 0 6 8 0 1 1 9 1 3 1 1 8 8
28 4 0 0 9 0 8 8 3 1 6 4 9 3 0 0 3
29 5 1 1 6 2 7 7 5 8 7 1 2 2 0 0 0
30 6 7 6 7 4 0 2 4 8 4 3 5 0 7 6 1
N
= 500 5 31 5 0 6 4 1 0 1 9 8 5 1 3 8 1 4 0
n 100 32 4 2 4 9 0 0 0 0 1 3 2 0 3 6 0 2
33 5 8 1 1 9 1 0 4 2 3 9 9 2 0 5 6
34 4 1 6 7 5 3 4 7 0 8 2 1 4 9 8 3
35 9 6 8 1 1 3 1 1 1 5 9 4 4 3 4 5
36 0 9 2 8 2 4 9 9 3 5 1 5 3 6 1 0
37 2 7 5 6 8 7 9 5 2 5 6 6 1 2 9 2
38 0 0 7 5 9 8 9 5 9 3 1 2 9 8 6 9
39 1 7 8 3 0 0 1 1 4 6 5 5 8 2 4 4
Dr. Edgar Yan Quiroz 40 2 7 0 7 7 9 0 3 8 1 9 3 0 1 0 0
MUESTREO ALEATORIO ESTRATIFICADO
Universo: 10 000 habitantes de un pueblo
Tamaño muestral: 600 personas
Distribución del universo por edades:
Grupo A: 1500 habitantes menores de 18 años 15%

Grupo B: 6500 habitantes con edades comprendidas entre los 18 a 60 años 65%
Necesito 600
Grupo C: 2000 habitantes con edad mayores de 60 años 20%
10 000
90 15%
390 65%
120 20%

600
MUESTREO ALEATORIO POR CONGLOMERADO
Se tiene un conglomerado cuando los elementos de una población se dividen de manera natural en subgrupos. En la
técnica del muestreo por conglomerado, se eligen al azar los subgrupos que forman la muestra.
Ejemplo: En un barrio se desea estudiar el grado de aceptación que tiene un proyecto de arborización de los parques
El barrio se divide en manzanas, las cuales constituyen los conglomerados.
Al azar se determinan las manzanas seleccionadas, encuestando luego a los habitantes de las mismas.

El cálculo del NNT representa el número de pacientes a
Número Necesario a Tratar (NNT) tratar de manera experimental a fin de evitar que uno de
para reducir un evento ellos desarrolle un resultado negativo
Grupo de intervención (expuesto al nuevo tto) Mueren 15% (0.15)

Riesgo relativo = Expuestos al Nuevo tto 0.15 = 0.75
No expuestos al nuevo tto 0.20
Grupo control (No expuestos al nuevo tto) Mueren 20% (0.20)
El riesgo de muerte de los pacientes que reciben el nuevo tratamiento relativo al de los pacientes del grupo control fue de 0.75.
La Reducción relativa del riesgo (RRR) es el complemento del Riesgo Relativo, es decir, (1- 0.75)* 100 = 25%.
El nuevo tratamiento reduce el riesgo de muerte en un 25% con relación al ocurrido en el Grupo control
(en ese trabajo)
La Reducción Absoluta del Riesgo (RAR) sería: 0.20-0.15= 0.05 (5%).
Podríamos decir por tanto que de cada 100 personas tratadas con el nuevo tratamiento podemos EVITAR 5 casos de muerte.
La siguiente pregunta sería: si de cada 100 personas tratadas con el nuevo tratamiento podemos evitar 5 casos de muerte.
¿Cuántos tendríamos que tratar para evitar un solo caso de muerte?.
1 1
NNT = = 20
RAR 0.05
Por tanto la respuesta es que necesitamos tratar a 20 pacientes con el nuevo

tratamiento para evitar un caso de muerte.
Ejemplo de Número Necesario a Tratar (NNT)
OBJETIVO
Determinar la eficacia y tolerabilidad del pantoprazol comprado con misoprostol en prevenir lesiones
gastrointestinales debido al uso de AINEs en pacientes con artritis reumatoidea
Luego de Grupo experimental = Pantoprazol
seis meses Grupo control = Misoprostol
RESULTADO
Pacientes que recayeron (presentaron lesiones gastrointestinales) con Pantoprazol 20 mg 1 v/día (P) = 33% (0.33)
Pacientes que recayeron (presentaron lesiones gastrointestinales) con Misoprostol 200 ug 2 v/día (M) = 48% (0.48)
RR: Expuestos al tratamiento experimental (P) 0.33

0.6875
No expuestos al tratamiento experimental (M) 0.48
Reducción relativa del riesgo (RRR): Es el complemento del riesgo relativo obtenido ( 1 – RR )
1 - RR  1 – 0.6875 = 0.3125
Interpretación: El tratamiento con pantoprazol (experimental) REDUJO el riesgo de presentar lesiones
gastrointestinales debido al uso de AINEs en un 31.25% en relación a los pacientes que
recibieron misoprostol
RAR: Diferencia entre el % de eventos en el grupo control (M) y el % de eventos en el grupo experimental (P)
(M) - (P)  0.48 – 0.33 = 0.15
Interpretación: De cada 100 pacientes tratados con pantoprazol de 20 mg se PREVENDRÁN 15 úlceras pépticas
NNT: Es la inversa del RRA (1/RAR)

1/RAR  1/0.15 = 6.667 (Redondeamos a 7)
Interpretación: Es necesario tratar a 7 pacientes con pantoprazol de 20 mg por 6 meses para PREVENIR una
lesión de úlcera péptica comparado con misoprostol
Ejemplos Número Necesario a Tratar (NNT) [NNT = 1 / RRA]
RRA = Diferencia entre grupo

control – grupo experimental
(Experimental)
15 RRA = 0.096 – 0.028 = 0.068
128
Es necesario tratar a 15 pacientes con regímenes intensivos de insulina por 6.5 años para PREVENIR un caso
de neuropatía diabética comparado con los controles

Según la fase de investigación en la que se encuentre un fármaco, podemos
distinguir los siguientes tipos de ensayos clínicos:
 Fase I: el objetivo principal es definir tolerancia y seguridad, así como las
principales características de farmacocinética y farmacodinámica. Los
participantes suelen ser un grupo reducido de voluntarios sanos y no suele
haber grupo de comparación. Los estudios de bioequivalencia son un tipo
especial de ensayos de fase I
 Fase II: son ensayos pequeños en los que se obtiene información
preliminar de eficacia del fármaco, relación dosis-respuesta (respuesta 4
correcta) y amplía los datos de tolerancia y seguridad obtenidos en la fase
previa. Debe ser preferentemente controlado y aleatorizado.
 Fase III: son controlados y aleatorizados, cuyo objetivo principal es evaluar
eficacia y seguridad del nuevo fármaco considerando las alternativas
terapéuticas disponibles. Se trata del tipo de ensayo más frecuentemente
encontrado en las publicaciones médicas.
 Fase IV: son estudios de vigilancia postcomercialización o
farmacovigilancia
Epidemiología Aplicada. 2ªEdición. Ariel Ciencias Médicas. Pag. 215- 16


Informatica Medica Clases

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informatica Medica Clases

Cargado por

Copyright:

Formatos disponibles

3ra semana

Universidad Privada Antenor Orrego

Informática médica: Estadística descriptiva

Dr. Edgar Fermín Yan Quiroz

Trujillo – Perú 2018

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Y hace que no se representativa

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Xi (Xi – X) Σ(Xi – X)2

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

(Un valor que sale del patrón normal)

Dr. Edgar Yan Quiroz

Informática médica: Chi cuadrado

Dr. Edgar Fermín Yan Quiroz

Trujillo – Perú 2018

Color de ojos Frecuencia Frecuencia

 La distribución teórica DICE que la proporción de color de ojos es la siguiente: 9: 3: 4

Ho. Distribución observada a ley teórica

g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001

1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

Ho. Distribución observada a ley teórica

Dr. Edgar Yan Quiroz

Población Primaria: 25% Secundaria: 60% Superior: 15%

Dr. Edgar Yan Quiroz

Arequipa Nivel de Instrucción

Pasos para la prueba de significancia estadística

Primero. Formulación de la Hipótesis

Ho. Las proporciones de la muestra CORRESPONDEN a las proporciones de la población

Segundo. Establecer un nivel de significancia

Tercero. Elección de la prueba estadística

Dr. Edgar Yan Quiroz

Dr. Edgar Yan Quiroz

Pasos para la prueba de significancia estadística

Primero. Formulación de la Hipótesis

Ho. Las proporciones de la muestra CORRESPONDEN a las proporciones de la población

Dr. Edgar Yan Quiroz

Masculino 4 (30.8) 8 (42.1)

Femenino 9 (69.2) 11 (57.9)

Masculino 4 (30.8) 8 (42.1)

Femenino 9 (69.2) 11 (57.9)

Frecuencias observadas (Fo): 4, 8, 9, 11

Dr. Edgar Yan Quiroz

g.l. 0.25 0.10 0.05 0.025 0.01 0.005 0.001

1 1.323 2.706 3.841 5.024 6.635 7.879 10.83

X2 = 0.368569652305 Que es lo p > 0.05 (No significativo)