4. Métodos psicofísicos de medida en clínica

2.Métodos de escalera. 3.Métodos de elección forzosa. 4.PEST. ZEST. MOBS. 5.Otros métodos adaptativos. 6. Medidas de la fiabilidad de un método psicofísico. Índice 1. Introducción

2.3. Métodos psicofísicos de medida Para asegurar la repetibilidad y la fiabilidad de las medidas, la tarea debe realizarse con un método psicofísico adecuado. Aunque el método de estímulos constantes es el más fiable, consume demasiado tiempo para un test clínico. Normalmente se prefiere alguna variación del método de escalera. Hay que controlar el criterio que utiliza el observador para realizar la tarea. ¡Cuidado con los observadores mayores! Normalmente, sus criterios son demasiado conservadores.

Clasificación de los métodos en función de la lógica del test: a) Adaptativos: Los parámetros del test se modifican en función de respuestas previas del observador. Ejemplos: escalera y estimadores de máxima probabilidad (bestPEST, QUEST, ZEST). b) No adaptativos: El observador controla la variable dependiente. Ejemplos: ajuste (p.e., anomaloscopios), límites (p.e. test de agudeza), estímulos constantes 2.3. Métodos psicofísicos de medida

Con métodos no adaptativos 1) El observador establece el criterio de respuesta 2) La eficiencia del test depende de los tiempos de respuesta del observador. 3)En clínica, límites y ajuste se ven influidos por problemas de memorización, habituación y anticipación. El método de estímulos constantes consume demasiado tiempo y es difícil para el observador. Con métodos adaptativos 1) El test es eficiente, ya que la mayoría de los estímulos se presentan cerca del umbral Métodos psicofísicos de medida

3, 4 y 5 Revisión de métodos de medida Ejercicios: 1) Implementación de un método de escalera 2) Comparación de métodos de medida (simulación, demometodosdemedida.m)

6. Medidas de fiabilidad de un método psicofísico Medidas de fiabilidad: 1) Repetibilidad: las diferencias entre dos medidas con el mismo método (material y clínico que administra el test) y con los mismos observadores, son estadísticamente no significativas. 2) Concordancia: las diferencias entre los resultados obtenidos con el método problema y uno de referencia son estadísticamente no significativas. Ejercicios: Hemos medido agudezas visuales con 3 métodos distintos (fiabilidad.mat o fiabilidad.exe contienen los resultados). Analiza la repetibilidad y la concordancia entre métodos.

6. Medidas de fiabilidad de un método psicofísico Consideremos un conjunto de pacientes, a los que les medimos dos veces el mismo parámetro (en el ejercicio, la AV). De una medida a la otra, sólo cambia un factor: el clínico que realiza el experimento, los observadores, el dispositivo, el método, la presencia o ausencia de ciertos factores (aprendizaje, fatiga, etc.). Supongamos que los observadores son los mismos, como en el ejercicio propuesto En lo que sigue, veremos qué pruebas podemos hacer para averiguar si las medidas son repetibles.

1ª Pregunta: ¿Qué indica la correlación entre las medidas? En la figura de arriba, la primera y la segunda medida tienen una correlación no significativa (Sig=0,6>0,05). Por tanto, para un valor particular de la primera medida (p.e., 1.4) podemos obtener casi cualquier valor en la segunda (de 1.65 a 2). ¿El método empleado es repetible? En la figura de abajo, las dos medidas están fuertemente correlacionadas. Pero mirad la línea de tendencia ¿El método empleado es repetible?

Pregunta 2ª: ¿Qué nos dicen los tests de hipótesis? Tenemos dos conjuntos de muestras relacionadas (el mismo observador hace dos medidas). Testeamos la siguiente hipótesis nula: “Las dos muestras provienen de la misma distribución”, o, alternativamente, si calculamos la diferencia entre ambas muestras, “La media (o la mediana) de las restas es cero” Pregunta 2ª, a: ¿Qué test de hipótesis debemos usar? Si las muestras siguen una distribución normal, usaremos un test paramétrico: t de Student Si las muestras no siguen una distribución normal, usaremos un test no paramétrico: Kolmogorov-Smirnoff, U de Mann-Whitney, Wilcoxon,…

Ejemplo: Datos_1 y Datos_4 Según el test de Lilliefords, las dos muestras siguen la distribución normal. Para decidir si las medidas son iguales, aplicamos el t-test

El t-test dice que las dos medidas son iguales (p=0,996). Como veis, el intervalo de confianza de la mediana contiene al cero

Ejemplo: Datos_1 y Datos_3 Según el test de Lilliefords, las dos muestras siguen la distribución normal (p>0.35), a pesar del aspecto de las figuras. Para decidir si las medidas son iguales, aplicamos de nuevo el t-test

El t-test dice que las dos medidas son diferentes (p=1.59e -29 ). El test de dos colas dice que la segunda medida es mayor (p=7.7e - 30 ). Como veis, el intervalo de confianza de la mediana no contiene al cero, con lo que podemos decir que la segunda medida da valores superiores. ¿Efecto del aprendizaje?

Ejemplo: Datos_1 y Datos_2 La correlación entre estas muestras no es significativa Según el test de Lilliefords, no se puede descartar que las dos muestras sigan la distribución normal, a pesar del aspecto de la segunda. Para decidir si las medidas son iguales, aplicamos el t-test

El t-test dice que las dos medidas son iguales (p=0,49). Como veis, el intervalo de confianza de la mediana contiene al cero. Visto el diagrama de dispersión, donde hemos representado las parejas de valores para cada observador, ¿esta conclusión sería razonable?

En el ejemplo anterior, el test de hipótesis nos llevaría a una conclusión errónea. Veamos técnicas alternativas para evaluar la repetibilidad. Gráfico Passing-Bablok: Representamos la segunda muestra de datos en función de la primera y ajustamos con una recta. Si el intervalo de confianza del ajuste contiene a la recta x=y, las medidas son iguales. En el ejemplo, comparación de Datos_1 y Datos_4.

Test de Bland-Altman: Representamos la diferencia entre las medidas a comparar en función de la media de las mismas. Se muestra el valor medio de la diferencia y su intervalo del 95% de confianza de la muestra. Si el intervalo contiene al cero, las muestras serían iguales. Se analiza cuántas medidas estarían fuera del intervalo de confianza de la población y si eso ocurre en zonas particulares del rango de medida. De nuevo, en el ejemplo Datos_4 y Datos_1. La diferencia calculada es Datos_4-Datos_1 Intervalo de confianza de la media Intervalo de confianza de la población

Datos_1 comparados con Datos_2, Datos_4 y Datos_3. Analiza el resultado.