Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porFrancisco Renderos Modificado hace 11 años
1
Una breve introducción a la epidemiología - XIII (Crítica de la investigación: Consideraciones estadísticas) ¿Quién es Betty C Jung? Revise mi página Web: <A HREF=“ Páginas que pudieran interesarte: <A HREF=“ Index</A> <A HREF=“ and Statistics Sites</A> <A HREF=“ Health Sites A - Z</A> <A HREF=“ Resources on the Internet</A> <A HREF=“ Engines</A> Traducción al Español por Dr. Nicolás Padilla, Facultad de Enfermería y obstetricia de Celaya, Universidad de Guanajuato, México Betty C. Jung, RN, MPH, CHES
2
Objetivos de aprendizaje/a alcanzar
Revisión rápida Bases de la estadística inferencial Medidas comunes de asociación Ser capaz de criticar estadísticamente loe estudios Temas estadísticos Reglas estadísticas Esta conferencia busca ofrecer en entendimiento básico de los temas estadísticos de estudios epidemiológicos. Esta es la última conferencia de “Una breve introducción a la epidemiología”. I había planeado originalmente someter una conferencia, pero se convirtió en una docena, la cual yo espero sea de utilidad a introducirte en la fascinante disciplina de la Epidmeiología. Esta conferencia busca juntas los temas estadísticos que se han visto en el desarrollo de este curso, asi como respodener a los visitantes de la Web que me han contactado para información y ayuda.
3
Introducción Estadísticas inferenciales básicas
Refresque su memoria Estadísticas inferenciales básicas Medidas comunes de asociación usadas en estudios epidemiológicos Fuentes para esta conferencia incluyen: G. van Belle (2002) Statistical Rules of Thumb, HRSA (1998) Analytic Methods in Maternal and Child Health; M. A. Patton (1990) Qualitative Evaluation and Research Methods; R.M. Page, G.E. Cole & T.C. Timmreck (1995) Basic Epidemiologic Methods and Biostatistics, T. Greenhalgh’s lectures at: and V.H. Massey (1991) Nursing Research. A study and learning tool. Antes de revisar los temas estadísticos, las siguientes diapositivas revisan las bases de estadística inferencial. “Recuerdo” - Hipótesis se enfocan a preguntas acerca de si la diferencia observada en estado de salud, riesgo y factores protectores, indicadores de servicios de salud o de sistemas de salud son reales o espurias. Hipótesis de media, proporción o tasa pueden ser probadas comparandolas con el estándar.
4
Medidas de asociación y pruebas de hipótesis
Prueba estadística = Asociación observada - Asociación esperada Error estándar de la asociación Error tipo I: Se concluye que hay una asociación cuando no existe Error tipo II: Se concluye que no hay asociación, cuan relamente existe Asociación observada - la comparación de un estimado y un estándar, o la comparación de dos o más estimados. Asociación esperada - la misma comparación pero bajo lo que se llama la hipótesis nula, o la suposición de que no existe asociación. Asociaciones observadas y la prueba estadística usadas para evaluarlas y seguir conocidas distribuciones de probabilidad. Valores críticos pueden ser elegidos para evaluar la probabilidad de que las asociaciones observadas ews diferente de sus valores esperados. La probabilidad de interpretación de una asociación observada como real cuando es de verdad debida al azar, o a la probabilidad de cometer un error tipo I, reportado como el valor de p. Por conveniencia, las asociacionse se consideran como significativas estadísticamente cuando el valor de p es <0.05. Cualquier resultado deuna prueba estadística basada en la curva Normal estándar, la cual es < o >1.96 significa que hay menos de 5% de probabilidad (<0.05) de que las observadas diferencias sean debido al azar sólo. ( O su probabilidad de que sea por algo diferente al azar, como la intervención, o el factor en estudio).
5
Medidas de asociación Dos principales tipos de medidas:
Medidas de diferencia (Dos medias independientes, dos proporciones independientes, riesgo atribuible) Razón de medidas (Riesgo relativo, Prevalencia relativa, Razón de momios) Debido a muchos estudios epidemiológicos son de naturaleza observacional, los epidemiólogos están interesados en concoer que tan estrechamente asociadas están las variables. Medidas de asociación pueden ser medidas como diferencia entre dos medidas o como razón de medidas.
6
Medidas de asociación: Diferencia de medidas
Dos medias independientes Dos proporciones independientes Riesgo atribuible Diferencia entre medias, proporciones o tasas pueden teoricamente pueden ir desde menos infinito a más infinito, con sus valores esperados, asumiendo no asociación en 0. Si una de las medias ( o proporciones) siendo comparadas pueden teoricamente ser infinitamente menor que o infinitamente mayor que la otra, y si las dos medias (o proporciones) son igaules, luego la diferencia entre ellas será 0.. La distribución de una diferencia de medidas es casi Normal si el tamaño de muestra es razonablemente grande. Pruebas estadísticas, por lo tanto, pueden estar en los valores concoidos de la curva Normal estándar.
7
Riesgo atribuible (RA)
La diferencia entre dos proporciones Cuantifica el número de ocurrencias de un resultado en salud que es debido a, o puede ser atribuido a , la exposición o factor de riesgo. Usado para evaluar el impacto de eliminar el factor de riesgo Para aplicar esta interpretación, la relación entre el factor de riesgo y el resultado deberá ser causal. Desde la perspectiva de salud pública, es más útil redefinir el riesgo atribuible en términos de toda la población. Esta medida modificada es llamada el riesgo atribuible en la población (RAP). En lugar de comparar los resultados de aquellos con y sin el factor de riesgo, (como se hace para pruebas estadísticas y RA), el RAP compara los resultados de toda la población con aquellos sin el factor de riesgo. Porcentaje del riesgo atribuible (RA%) - convierte el AR en el porcentaje de resultados adversos previsibles en el grupo con el factor de riesgo. RAP% - convierte el riesgo atribuible en la población en el porcentaje de resultados adversos previsibles en toda la pobación en riesgo. Conversión a porcentajes hace esas medidas más entendibles y significativas.
8
Medidas de asociación: Razón de medidas
Riesgo relativo (RR) Prevalencia relativa (PR) Razón de momios (OR) Además de las medidas de asociación basadas en las diferencias entre medias, proporciones o tasas, epidemiología contribuye a las medidas de asociación basadas en razones. Riesgo relativo (RR) es la incidencia acumulada en la poblacióne xpuesta dividida entre la incidencia acumulada de los no expuestos. Es una comparación directa de probabilidades. Es una medida preferida. Prevalencia relativa (RP) - Cuando los datos están basados en prevalencia más que en incidencia. La comparación es entre dos probabilidades de “tener” un resultado de salud. Razón de momios (RM) - el momio de tener el resultado en los expuestos dividido en el momio de tener el resultado entre los no expuestos. Se aproxima al riesgo relativo cuando el resultado de salud es raro. No una comparación directa.
9
Fuerza de asociación Riesgo relativo (Prevalencia) Razón de momios Fuerza de asociación Ninguna Débil Moderada Fuerte < >10.0 Acercándose al infinito Fuente: Handler,A, Rosenberg,D., Monahan, C., Kennelly, J. (1998) Analytic Methods in Maternal and Child Health. p. 69. Recuerde que las asociaciones no significan causalidad. Pero dado que la asociación es casi tan cercana, que podemos pensar en algo remotamente parecido a causalidad, observando la fuerza de asociación. Así, midiendo la magnitud, tenemos que priorizar nuestras observaciones. Podemos decir que si la asociación es fuerte, luego la relación es más promisoria para investigación adicional que una relación cuya fuerza de asociación es débil.
10
Advertencias acerca de la clasificación de datos
Todas las personas en un estudio epidemiológico deberán ser clasificables Todos los reportes del estudio deberán claramente señalar los criterios usados para clasificar las variables. Estudios que usan diferentes criterios para definir la presencia de cualquier estado de salud no son comparables con respecto a las tasas reportadas de ese estado de salud. Resultados epidemiológicos no siempre son comparables aún si criterios idénticos son usados ya que los estudios pueden diferir sobre otros puntos metodológicos importantes.
11
Advertencias acerca de las variables cuantitativas y categóricas
Información sobre la variabilidad entre personas se pierde cuando datos cuantitativos son categorizados Pasando una variable cuntitativa en categórica con dos o más categorías puede esconder el hecho de que la variable subyacente tiene un rango mucho mayor en una cetagoría que en otra.
12
Advertencias acerca de variables cuantitativas y categóricas (cont...)
Sea cuidadoso al comparar los rangos, debido a que una muestra mayor generalmente tendrá un rango mayor Pasando variables cuantitativas a categóricas, limita las elecciones apropiadas de pruebas de significancia estadística Intente usar categorías comunes (como bandas de edad de 5 o 10 años) para facilitar comparaciones entre estudios.
13
Falacia de Berkson Asociaciones basadas en datos de clínicas u hospitales son influenciadas por tasas de admisiones diferentes entre grupos de personas Fuentes similares de sesgo de selección ocurren cuando asociaciones están basadas en datos de autopsias.
14
Advertencias acerca de los valores de P
El tamaño del valor de p no tiene relación con la potencial significancia práctica de los resultados. El valor de p no revela nada acerca de la magnitud del efecto (que tanto difiere un grupo del otro) o la precisión de la medición (la cantidad de error aleatorio) La naturaleza de la muestra, no el valor de p, determinará si las inferencias a la población de interés pueden ser hechas (y la muestra deberá ser representativa de la población)
15
Estimación del intervalo de confianza
Usa la media de la muestra para contruir un intervalo (rango) de números que estiman el efecto Ofrece alguna indicación de cuan probable es (68%, 90%, 95%) o cuan confiado uno puede estar, de que la verdadera media en la población está dentro del rango señalado en el intervalo estimado. Los intervalos de confianza también pueden ser usados con proporciones de muestras, tasas, razones de riesgos, razones de momios y otras mediciones. Ejemplo - Un intervalo de confianza al 95% significa que hay un 95% de probabilidad de que el parámetro de interés esté dentro del intervalo de confianza.
16
Preguntas de Greenhalgh acerca del análisis (A)
¿Los autores situaron correctamente el estudio? ¿Han determinado si sus grupos son comparables,y si es necesario, ajustaron para diferencias basales? ¿Qué tipos de datos han usado, y han usados las pruebas estadísticas apropíadas? Conferencias on line de Trisha Greenhalgh, “Como leer un artículo...” son excelentes, ofreciendo guía sobre la revisión crítica de la literatura. Son sugerencias de cómo criticar las estadísticas de un artpiculo de investigación. Revise sus conferencias en <A HREF=“
17
Preguntas de Greenhalgh acerca del análisis (B)
Si los autores han usado pruebas estadísticas no claras, ¿por qué los han hecho y cómo los han referenciado? ¿Los datos son analizados de acuerdo al protocolo? ¿Se realizó análisis pareado de datos pareados? Conserve en mente que son guías en general. No necesitas calcular todos los procedimientos para cada estudio sólo debido a que el programa puede hacerlo, sólo aquellos que sean relevantes.
18
Preguntas de Greenhalgh acerca del análisis (C)
¿Se realizó la prueba de dos colas de cualquier efecto de una intervención que podría ser uno negativo? ¿Fueron las “colas” analizadas con sentido común y ajustes estadísticos apropiados? ¿Han sido hechas las suposiciones acerca de la naturaleza y dirección de causalidad?
19
Preguntas de Greenhalgh acerca del análisis (D)
¿Los valores de p han sido calculados e interpretados apropiadamente? ¿Se han calculado los intervalos de confianza, y las conclusiones del autor los reflejan? ¿Han expresado los autores, el efecto de una intervención en término del probable beneficio o peligro que un individuo pueda experar?
20
Temas estadísticos: estudios epidemiológicos
Regresión logística para resultados binarios Regresión de Cox para análisis de sobrevida Distribución de Poisson para la prevalencia o incidencia de la enfermedad La razón de momios es relativamente igual al riesgo relativo, cuando la enfermedad es rara. G. van Belle encontró que estudios epidemiológicos tendían a enfatizar resultados binarios (caso/control, expuesto/no expuesto, factor de riesgo presente/ausente, sobrevida/muerte). Señala que distribuciones logísticas es el modelo estadístico natural para tales resultados.
21
Temas estadísticos: estudios ambientales
Buenos modelos estadísticos son difíciles de conseguir por: Sesgo de publicación puede exagerar el exceso de riesgo Razón de momios menore a 2 (o mayor a 0.5) pueden ser de interés De acuerdo a van Belle, no hay mecanismo plausible para identificar uno o más factores como causales. Por lo tanto, modelos estadísticos, usados para explicar las causas de enfermedad multifactoriales, son inadecuados. Es verdad para aquellas enfermedades con un componente ambiental. Sugiere usar análisis de sensibilidad para enfocarnos en esto. Otro problema es el sesgo de selección y error en la medición. Sesgo de publicación ha sido encontrado que reduce el exceso de riesgo de 24% a 15%, por lo tanto exagerando el riesgo. Van Belle hace un caso para desarrollar en salud pública la definición para “tamaño de efecto”. Por ejemplo, bajos niveles de contaminación amiental tienen pequeños efectos, pero el número de personas en riesgo es grande. In esencia, el efecto global será grande. Adicionalmente, estudios de efectos pequeños requieren grandes tamaños de muestra, los cuales pueden ser costosos.
22
Temas estadísticos: estudios ambientales
¿Cuáles son las bases estadísticas para el estándar ambiental? Variabilidad contra incertidumbre ¿Cuál es la calidad de los metadatos? Biomarcadores como resultados clínicos próximos G. van Belle señala que es importante entender las bases estadísticas para los estándares usados para inducir cumplimiento, reforzar la acción correcta y detectar niveles ambientales inaceptables. Tales estándares son definidos para proteger a una subpoblación sensitiva. Cómo esos estándares son medidos afecta la política, refuerzo y respuesta. G. van Belle enfatiza la necesidad, cuando viene a observar problemas ambientales, de distinguir entre variabilidad ( distribución geográfica de niveles de PCB) contra incertidumbre (precisión de los niveles estimados). Idealmente, debemos usar sólo los datos que necesitamos para responder nuestras preguntas. Sin embargo, dada la restricción de recursos, terminamos usando datos de fuentes disponibles las cuales pueden no siempres estar disponibles para responder nuestras preguntas de investigación. Debido a que tales datos fueron colectados para otros propósitos, los datos pueden ser diferentes de los que queremos conocer. Necesitamos conocer la naturaleza de los datos en la base de datos - los metadatos. Biomarcadores no han cumplido con el intento original. Se necesitan hacer distinciones de si ellos son biomarcadores de exposición, mecanismo de enfermedad o efecto, ya que sirven para diferentes propósitos científicos. Biomarcadores de exposición y mecanismos han sido encontrados que son pobres aproximaciones para el resultado clínico.
23
Temas estadísticos: Evaluación de riesgo
Identificación de peligros Evaluación de dosis- respuesta Evaluación de exposición Caracterización de riesgo Manejo de riesgo G. van Belle ve a la estadística como teniendo un rol crítico en las cuatro formas de evaluación de riesgo. Temas estadísticos incluyen el problema de extrapolar de animales a humanbos, especialemte extrapolación de alta dosis a baja dosis. Otros temas incluyen los estudios de exposiciones agudas en animales contra las exposiciones crónicas en humanos que se proponen estudiar. Sugiere una sexta forma - contabilizar la respuesta , ¿Cómo podemos saber que el manejo de riesgo trabajó? El problema - so siempre posible contar el número de vidas salvadas, o accidentes prevenidos. Por ejemplo, bolsas de aire pueden salvar vidas, pero hubo las muertes de niños entados en los asientos de pasajeros en la parte delantera.
24
Reglas estadísticas Uso de formulación logarítmica para calcular tamaño de muestra para estudios cohorte. No uso de más de 4-5 controles por caso en estudios de casos y controles Obtener al menos 10 sujetos para cada variable investigada en regresión logística G. van Belle ofrece útiles reglas estadísticas para enfocarse en situaciones comúnes.
25
Reglas estadísticas Aumento del tamaño de muestra en proporción a la disminución de la tasa. Si se espera una disminución de la tasa de 20%, luego el incremento será n/0.80 Si la disminución es mayor al 20%, revise razones para la disminución. Acepte sustituciones con precaución. Sustitutos son medidas indirectas o próximas para punto final clínico, las cuales no siempre son útiles. Resultados clínicos (aumento de sobrevida) es de interés regulador y de investigación, no los cambios en las medidas de laboratorio. En análisis de sobrevida, so sustitutos explicarán todos los efectos del tratamiento siendo estudiado. Aún si lo hace, siempre hay una medida de error , y no debería haber perfecta correlación. En estudios observacionales, puede ser más difícil separar exposiciones sustitutas del factor de riesgo de interés. Podría ser el caso, cuando sustitutos están en la cadena causal entre el factor de riesgo de interés y la enfermedad. Si el sustituto es tratado como confusor, y se ajusta por el, la asociación entre factor de riesgo y enfermedad puede desaparecer. Esto puede verse como sobre-ajuste.
26
Reglas estadísticas Eligiendo los puntos de corte
No dicotomice a menos que sea necesario Seleccione un modelo aditico o multiplicativo de acuerdo a: justificación teórica, aplicación práctica e implicación computada Esto trata de cómo manejar mejor los datos para no perder detalle. G. Van Belle ve las implicaciones de salud pública de un grupo de factores de riesgo debiendo favorecer modelos aditivos ya que tasas y cambios en tasas pueden ser directamente calculadas en un modelo aditivo. Sin embargo, programas sofisticados de computación, actualmente, pueden hacer cálculos más complicados en modelos multiplicativos. Walter (2000) encontró que hay una pequeña diferencia numérica entre los métodos comunes de com paración de riesgos: razón de riesgos, razón de momios y diferencia de riesgos. Sugiere que la diferencia de riesgos es más fácil entender que la razón de momios.
27
Referencias Para recursos en internet sobre los temas cubiertos en esta conferencia, revise mi sitio Web: Otras conferencias de esta serie: Páginas específicas que pueden ser de interés: <UL> <LI><B><A HREF=“ Resources on the Net</A></B></LI> <LI><B><A HREF=“ & Statistics Sites</A></LI> <LI><A HREF=“ Procedures</A></LI> <LI><A HREF=“ Programs</A></LI></LI></UL>
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.