Estadística en Tesis de Medicina

La estadística médica es una de las principales áreas del quehacer estadístico y ha tenido una considerable influencia en la medicina clínica y la salud pública a través de sus aplicaciones, por ejemplo, al diseño y análisis de ensayos clínicos y a la epidemiología de enfermedades crónicas e infecciosas. En la actualidad se utiliza un gran número de herramientas estadísticas para la toma de decisiones médicas en las actividades principales de diagnóstico, tratamiento y pronóstico en las tesis de medicina. Estas herramientas proporcionan una ayuda innegable para mejorar los resultados médicos.

Entre ellas destacan la medición de la incertidumbre por probabilidad, los indicadores e índices médicos, los rangos de referencia y los sistemas de puntuación. Además, hay herramientas como la Odds Ratio (Razón de Probabilidades), la sensibilidad, la especificidad y las predictividades, el área bajo la curva ROC (Receiver Operating Characteristic Curve), los cocientes de probabilidad y el análisis coste-beneficio, que se aplican habitualmente en la investigación médica, pero que tienen implicaciones en las actividades clínicas cotidianas. Estas herramientas se han integrado de forma tan completa en la práctica médica que la medicina estadística puede considerarse por sí misma una especialidad médica.

Ejemplos de Investigaciones con el uso de la Estadística Médica

Algunos ejemplos de temas de investigación utilizando la estadística médica son:

Análisis de datos de ensayos clínicos

Modelización del tiempo de supervivencia

Métodos de meta-análisis

Revisiones sistemáticas

Detección de factores asociados a la hipertensión

Predictores del abandono del tabaco

Identificación de signos de peligro entre los recién nacidos y las madres

Modelización de la sensibilidad al dolor en individuos sanos

Exploración de las bases genéticas y la vía biológica de la percepción del dolor

Permitir el aprendizaje al evaluar nuevas tecnologías sanitarias

Consideración del sesgo de recuerdo en el análisis de estudios de casos y controles

Diseños de estudios de sólo casos en epidemiología

Estimación del número de reproducción y otros parámetros epidemiológicos de las enfermedades infecciosas

Evaluación y ampliación del método de series de casos autocontroladas

Inferencia de enfermedades infecciosas a partir de datos de encuestas serológicas multivariantes

Desarrollo metodológico de sistemas de vigilancia estadística sindrómica y de laboratorio

Meta-análisis multivariante

Métodos estadísticos para evaluar la seguridad de las vacunas y otros medicamentos

Métodos estadísticos para los modelos de fragilidad en el análisis de supervivencia

Evaluación de medidas de calidad de vida

Estadísticas de pruebas diagnósticas

Análisis de la infección del sitio quirúrgico

Métodos estadísticos para estudios de caso único en neuropsicología

Métodos estadísticos para la vigilancia de programas de vacunación masiva

Formulación de Hipótesis

Ya sea en la práctica clínica o en un laboratorio de investigación clínica, los médicos a menudo hacen observaciones que conducen a preguntas sobre una exposición particular y una enfermedad específica. Por ejemplo, se puede observar en la práctica clínica que varios pacientes que toman un determinado tratamiento antihipertensivo desarrollan síntomas pulmonares a las dos semanas de tomar el fármaco.

Este tipo de preguntas pueden dar lugar a hipótesis formales que luego pueden ponerse a prueba con diseños de estudios de investigación y métodos analíticos adecuados. Identificar la pregunta o la hipótesis del estudio es un primer paso fundamental en la planificación de un estudio o en la revisión de la literatura médica.

Identificación de los Objetivos del Estudio

Es importante entender de antemano cuáles son los objetivos del estudio. A continuación se presentan algunas preguntas que pueden facilitar el proceso de identificación de los objetivos del estudio:

¿El objetivo es determinar la eficacia de un fármaco o dispositivo en condiciones ideales?

¿Qué tan bien funciona un fármaco o dispositivo en una población de vida libre (es decir, efectividad)?

Las causas o los factores de riesgo de una enfermedad

La carga de una enfermedad en la comunidad

¿El objetivo del estudio es proporcionar información para una actividad de gestión de la calidad?

¿Explorará el estudio la rentabilidad de un determinado tratamiento o herramienta de diagnóstico? Las hipótesis y los objetivos de un estudio son las claves para determinar el diseño del estudio y las pruebas estadísticas más adecuadas.

Diseño de Estudio

Una vez identificada(s) la(s) pregunta(s) y los objetivos del estudio, es importante seleccionar el diseño de estudio adecuado.

Estudios descriptivos

El principal esquema de clasificación de los estudios epidemiológicos distingue entre estudios descriptivos y analíticos. La epidemiología descriptiva se centra en la distribución de las enfermedades por poblaciones, por lugares geográficos y por la frecuencia a lo largo del tiempo. La epidemiología analítica se ocupa de los determinantes, o la etiología, de la enfermedad y pone a prueba las hipótesis generadas por los estudios descriptivos.

Estudios Correlacionales

Los estudios correlacionales, también llamados estudios ecológicos, emplean medidas que representan las características de poblaciones enteras para describir una determinada enfermedad en relación con alguna variable de interés (por ejemplo, el uso de medicamentos, la edad, la utilización de asistencia sanitaria). Un coeficiente de correlación (es decir, la “r” de Pearson, la “T” de Spearman o la “K” de Kendall) cuantifica el grado de relación lineal entre la exposición de interés o “predictor” y la enfermedad o “resultado” estudiado.

Informes de Casos

Los informes de casos y las series de casos se publican habitualmente y describen la experiencia de un único paciente o de una serie de pacientes con diagnósticos similares. Una limitación clave del diseño de los estudios de informes de casos y series de casos es la falta de un grupo de comparación. No obstante, estos diseños de estudio suelen ser útiles para el reconocimiento de nuevas enfermedades y la formulación de hipótesis sobre posibles factores de riesgo.

Estudios Transversales

Los estudios transversales también se conocen como estudios de prevalencia. En este tipo de estudio, se evalúan al mismo tiempo la exposición y el estado de la enfermedad entre las personas de una población bien definida. Los estudios transversales son especialmente útiles para estimar la carga poblacional de la enfermedad.

Estudios analíticos

Estudios Observacionales

En los estudios observacionales, los investigadores registran las exposiciones de los participantes (por ejemplo, el hábito de fumar, el nivel de colesterol) y los resultados (por ejemplo, sufrir un infarto de miocardio). En cambio, un estudio experimental consiste en asignar un grupo de pacientes a un tratamiento y otro grupo de pacientes a un tratamiento diferente o a ninguno. Existen dos tipos fundamentales de estudios observacionales: de casos y controles y de cohortes. Un estudio de casos y controles es aquel en el que los participantes se eligen en función de si tienen (casos) o no (controles) la enfermedad de interés.

Lo ideal es que los casos sean representativos de todas las personas que desarrollan la enfermedad y que los controles sean representativos de todas las personas que no la padecen. A continuación, se comparan los casos y los controles en cuanto a si tienen o no la exposición de interés. Se puede comprobar la diferencia en la prevalencia de la exposición entre los grupos con y sin enfermedad. En este tipo de estudios, el Odds Ratio es la medida estadística adecuada que refleja las diferencias de exposición entre los grupos.

Estudios Prospectivos

En los estudios prospectivos, la enfermedad/resultado aún no se ha producido. El investigador del estudio debe seguir a los participantes en el futuro para evaluar cualquier diferencia en la incidencia de la enfermedad/resultado entre los tipos de exposición. La incidencia de la enfermedad/resultado se compara entre los grupos expuestos y no expuestos mediante el cálculo del riesgo relativo (RR).

Estudios Experimentales

Los estudios experimentales o de intervención suelen denominarse ensayos clínicos. En estos estudios, los participantes son asignados aleatoriamente a una exposición (como un fármaco, dispositivo o procedimiento). “La principal ventaja de esta característica (ed: ensayos controlados aleatorios) es que si los tratamientos se asignan al azar en una muestra de tamaño suficientemente grande, los estudios de intervención tienen el potencial de proporcionar un grado de garantía sobre la validez de un resultado que simplemente no es posible con ninguna opción de diseño observacional”. Los estudios experimentales suelen considerarse terapéuticos o preventivos.

Estudios de Resultados

Los estudios de resultados evalúan el efecto real en el paciente (por ejemplo, la morbilidad, la mortalidad, la capacidad funcional, la satisfacción, la reincorporación al trabajo o a la escuela) a lo largo del tiempo, como resultado de su(s) encuentro(s) con los procesos y sistemas de atención sanitaria. Un ejemplo de este tipo de estudio sería uno que evaluara el porcentaje de pacientes con un infarto de miocardio (IM) a los que se les administró una medicación betabloqueante y que posteriormente tuvieron otro IM.

En el caso de algunas enfermedades, puede haber un lapso de tiempo significativo entre el evento del proceso y el resultado de interés. Esto hace que a menudo algunos pacientes se pierdan durante el seguimiento, lo que puede llevar a conclusiones erróneas a menos que se utilicen métodos que “censuren” o ajusten de otro modo las covariables que faltan y que dependen del tiempo.

¿Cuáles son las pruebas estadísticas adecuadas?

Una vez que se ha determinado el diseño adecuado para una cuestión concreta del estudio, es importante considerar las pruebas estadísticas apropiadas que deben realizarse (o se han realizado) con los datos recogidos. Esto es relevante tanto si se revisa un artículo científico como si se planifica un estudio clínico. Para empezar, examinaremos los términos y cálculos que se utilizan principalmente para describir las medidas de tendencia central y de dispersión. Estas medidas son importantes para comprender aspectos clave de cualquier conjunto de datos.

Medidas de tendencia central

Existen tres medidas de tendencia central comúnmente conocidas: la media, la mediana y la moda. La media aritmética o promedio se calcula sumando los valores de las observaciones de la muestra y dividiendo la suma por el número de observaciones de la muestra. Esta medida se comunica con frecuencia para las variables continuas: edad, presión arterial, pulso, índice de masa corporal (IMC), por nombrar algunas. La mediana es el valor de la observación central después de ordenar todas las observaciones de menor a mayor. Es muy útil para los datos ordinales o no distribuidos normalmente.

La moda es el valor más frecuente entre todas las observaciones del conjunto de datos. Puede haber más de una moda. La moda es más útil en datos nominales o categóricos. Normalmente no se describen más de dos (bimodal) para un conjunto de datos determinado.

Medidas de dispersión

Las medidas de dispersión o variabilidad proporcionan información sobre la posición relativa de otros puntos de datos en la muestra. Estas medidas incluyen las siguientes: rango, rango intercuartil, desviación estándar, error estándar de la media (SEM) y el coeficiente de variación.

Evaluación de las pruebas de diagnóstico

Para comprender la etiología de la enfermedad y proporcionar una atención sanitaria adecuada y eficaz a las personas que padecen una determinada enfermedad, es esencial distinguir entre las personas de la población que padecen y las que no padecen la enfermedad de interés. Normalmente, nos basamos en las pruebas de detección y diagnóstico disponibles en los centros médicos para obtener información sobre el estado de la enfermedad de nuestros pacientes.

Sin embargo, es importante evaluar la calidad de estas pruebas para poder tomar decisiones razonables sobre su interpretación y uso en la toma de decisiones clínicas. Al evaluar la calidad de las pruebas de diagnóstico y cribado, es importante tener en cuenta la validez (es decir, la sensibilidad y la especificidad), así como el valor predictivo (es decir, los valores predictivos positivos y negativos) de la prueba.

Odds Ratio

La odds ratio (OR) es una medida del tamaño del efecto y se utiliza habitualmente para comparar los resultados de los ensayos clínicos. Es la probabilidad de que un acontecimiento ocurra en un grupo en comparación con la probabilidad de que ocurra en otro grupo.

Por ejemplo, un estudio de investigación comparó dos grupos de mujeres que desarrollaron diabetes durante sus embarazos. Un grupo fue tratado con metformina y el otro con insulina. Los investigadores registraron cuántas de las madres dieron a luz antes de lo previsto (menos de 37 semanas después de quedarse embarazadas). Cuando calcularon las probabilidades de un parto prematuro, la razón de probabilidades (OR) de la metformina fue de 1,06. Esto significa que las mujeres que tomaban metformina tenían un pequeño aumento (1,06 veces) de las probabilidades de tener un parto prematuro en comparación con las mujeres que tomaban insulina.

Curvas Roc

Las curvas de características operativas del receptor (ROC) se desarrollaron para evaluar la calidad del radar. En medicina, las curvas ROC son una forma de analizar la precisión de las pruebas de diagnóstico y de determinar el mejor umbral o valor de “corte” para distinguir entre resultados positivos y negativos de las pruebas.

Las pruebas de diagnóstico son casi siempre un compromiso entre la sensibilidad y la especificidad. Las curvas ROC proporcionan una representación gráfica de este compromiso. Establecer un valor de corte demasiado bajo puede producir una sensibilidad muy alta (es decir, no se perdería ninguna enfermedad) pero a costa de la especificidad (es decir, muchos resultados falsos positivos). Si se fija un valor de corte demasiado alto, se obtendrá una especificidad elevada a expensas de la sensibilidad.

Consideremos un estudio que mide la precisión del péptido natriurético tipo B (BNP) como prueba de deterioro de la función ventricular izquierda. Midieron los niveles de BNP en 155 pacientes de edad avanzada, que también se sometieron a una ecocardiografía (el estándar de oro para el diagnóstico). Se creó una curva ROC trazando la sensibilidad frente a la especificidad de 1 para diferentes valores de corte de BNP. Se calcularon y representaron la sensibilidad y la especificidad de la prueba de BNP, asumiendo un nivel de 19,8 pmol/L como punto de corte para una prueba positiva.

El mejor punto de corte tiene la sensibilidad más alta y la especificidad más baja, por lo que se sitúa lo más arriba posible en el eje vertical y lo más a la izquierda en el eje horizontal. El área bajo una curva ROC es una medida de la utilidad o valor “discriminatorio” de una prueba en general. Cuanto mayor sea el área, más útil será la prueba. El área máxima posible bajo la curva es simplemente un cuadrado perfecto y tiene un área de 1,0. La curva tiene un área de 0,85. La línea diagonal de 45° representa una prueba que no tiene valor discriminativo, es decir, es completamente inútil.

Riesgo Relativo – Relative Risk (RR)

El riesgo relativo es la relación entre los riesgos de un acontecimiento para el grupo de exposición y los riesgos para el grupo de no exposición. Por lo tanto, el riesgo relativo proporciona un aumento o disminución de la probabilidad de un acontecimiento en función de una determinada exposición. El riesgo relativo tiene la ventaja de ser un cociente de riesgos, lo que significa que puede aplicarse a poblaciones con distinta prevalencia de enfermedades. El riesgo relativo no especifica el riesgo absoluto de que se produzca el evento.

Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en Facebook, Instagram o Twitter.

Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales

Referencias Bibliográficas

Gordis L. Epidemiology. Philadelphia: W.B. 1996 Saunders Company.

Rosner B. Fundamentals of Biostatistics. 1990 Boston: PWS-Kent Publishing Company.

Conover W. J. Practical Nonparametric Statistics. 1971 New York: John Wiley & Sons, Inc.

MacMahon B., Pugh T. F. Epidemiology: Principles and Methods. 1970 Boston: Little, Brown.

También te puede interesar: Bibliotecas Híbridas