La red GRAAL: Un enfoque actualizado en metodología cuantitativa Barcelona UPF 2010 Miguel Martín

La aproximación cuantitativa a los problemas de salud ► La variabilidad de estados de salud puede cuantificarse. ► La detección de grupos de riesgo se traduce en un cálculo de probabilidades. ► Hay que tener conocimientos claros de bioestadística. ► La tecnología actual permite “aparcar” métodos aproximados.

BIOESTADÍSTICA CONCEPTOS BÁSICOS CLÁSICOS: LOS ORÍGENES ► En Ciencias Físicas Experimentales: Experimentos positivistas Objetivo: determinar Exactitud Objetivo: determinar Exactitud Variabilidad (Error) Variabilidad (Error) (atribuible al aparato de medida) Precisión (atribuible al aparato de medida) Precisión Media… Error estándar… Exactitud… Precisión…Frente a un patrón Media… Error estándar… Exactitud… Precisión…Frente a un patrón Tamaño muestral Tamaño muestral

BIOESTADÍSTICA CONCEPTOS BÁSICOS ► En Ciencias Biológicas y de la Salud: Error medida Error medida Variabilidad Aleatoria Variabilidad Aleatoria Atribuible Atribuible V.Atribuible >> V.Aleatoria >> Error medida V.Atribuible >> V.Aleatoria >> Error medida (posible) (permanente) (controlable) (posible) (permanente) (controlable) V. Experimental V. Aleatoria ??? V. Aleatoria ???

Tipos de variables   Categóricas Nominales Ordinales Conteo Conteo (discretas)   Continuas Frecuencia   Presencia   Ocurrencia No consideran el tiempo Obligan a determinar el tiempo Aplicación escala Cualitativas Cuantitativas

PROYECTO MONICA

  Variables presencia: Prevalencia. Binomial Multinomial Nº veces que se produce un fenómeno categórico (una variable categórica) de sólo 2 categorías en una muestra N. Los fenómenos con frecuencia tienen >2 situaciones. Ej: Probabilidad de que en una muestra de N=920 individuos, x sean mujeres si la probabilidad de ser mujer es p=0.3 y, por lo tanto, la de ser hombre es 1-p=0.7. La probabilidad de que 250 sean mujeres es 0,005 Ej: Probabilidad de que en una muestra de N=920 individuos, x 1 sean 50 años, siendo p 1 =0.3, p 2 =0.5 y p 3 =0.2. P(260, 480,180) = 0,0004

  Variables presencia Sucesos observados: Independientes (sin contagio) Homogeneidad entre los individuos (sin predisposición) Si no: Análisis Multivariante + OR Antes de buscar modelos… describir la varianza

  Variables ocurrencia Probabilidad de observar x sucesos de una característica determinada en una población en la que en promedio se observan en un tiempo determinado. f (Nº personas, tiempo de estudio) Análisis Multivariante + RR

Poisson Jacob Bernouilli Padres “involuntarios” de los fenómenos incidencia y prevalencia

¿Entendemos que quiere decir probabilidad? ► 0 < p < 1. ► ¿Por qué a veces valoramos p = 0.05 como valor muy pequeño y otras al contrario?. ► ¿Nos fijamos en las posibilidades o sólo en las probabilidades?

Colocar 4 personas en cuatro habitaciones es un problema de 256 situaciones diferentes. ► A B C D A B C D A B C D A B C D 4,0,0,0 1 0,4,0,0 1 0,0,4,0 1 0,0,0,4 1 4,0,0,0 1 0,4,0,0 1 0,0,4,0 1 0,0,0,4 1 3,1,0,0 4 3,0,1,0 4 3,0,0,1 4 0,3,1,0 4 3,1,0,0 4 3,0,1,0 4 3,0,0,1 4 0,3,1,0 4 0,3,0,1 4 1,3,0,0, 4 0,0,3,1 4 1,0,3,0 4 0,3,0,1 4 1,3,0,0, 4 0,0,3,1 4 1,0,3,0 4 0,1,3,0 4 0,0,1,3 4 1,0,0,3 4 0,1,0,3 4 0,1,3,0 4 0,0,1,3 4 1,0,0,3 4 0,1,0,3 4 2,2,0,0 6 2,0,2,0 6 2,0,0,2 6 0,2,2,0 6 2,2,0,0 6 2,0,2,0 6 2,0,0,2 6 0,2,2,0 6 0,2,0,2 6 0,0,2,2, 6 0,2,0,2 6 0,0,2,2, 6 2,1,0,1 12 2,1,1,0 12 2,0,1,1 12 0,2,1,1 12 2,1,0,1 12 2,1,1,0 12 2,0,1,1 12 0,2,1,1 12 1,2,1,0 12 1,2,0,1 12 0,1,2,1 12 1,0,2,1 12 1,2,1,0 12 1,2,0,1 12 0,1,2,1 12 1,0,2,1 12 1,1,2,0 12 0,1,1,2 12 1,0,1,2 12 1,1,0,2 12 1,1,2,0 12 0,1,1,2 12 1,0,1,2 12 1,1,0,2 12 1,1,1,1 24 1,1,1,1 24 ► TOTAL 256

Interpretación valores de probabilidad ► En una tabla 2*2, hay formas diferentes de colocar 10 casos. ► Una tabla 4,1,2,3 se puede formar de maneras diferentes. ► Si las casillas fuesen equiprobables ver esa tabla tendría una probabilidad de : ► 12600/ = 0,012

► Si n fuese 20 el número de tablas 2*2 posible sería 1, ► En una tabla 2*2, n individuos generan 4 n tablas posibles. tablas posibles. HM E4010 D2030 Tablas posibles: 1, Tablas (40, 10, 20, 30) : 4, P(equiprobable) = 3, P (MV) = 0,00037 P(ind) = 2, Interpretación valores de probabilidad

Década de los sesenta: IBM, UNIVAC BMDP, SPSS, NAG Década de los 70: Minis VAX HP Fujitsu Uso Estadística Década 1980 – 1990 tecnología 16 bits SAS Estadística Década 1990 – 2000 tecnología 32 bits Trivialización Errores de uso Década tecnología 64 bits Desaparecen las aproximaciones Una nueva forma de abordar la estadística sin aproximaciones: N>30, test exacto si n<20, p<0.05, etc.

Laplace 1749 – 1827 Gauss De Moivre

  Contraste de Hipótesis por verosimilitud Verosimilitud: Probabilidad de que lo observado se corresponda con una hipótesis. Hipótesis: Implica definir que probabilidad a priori le damos a cada celda.

G 2 = -2 ln (P(f observadas |H) / P(f observadas |H MV ) )

Mientras tanto… Desarrollo industrial y agrónomo: Potencia estudios diseño experimental. Potencia estudios diseño experimental. El rendimiento de un experimento se evalúa por las medias El rendimiento de un experimento se evalúa por las medias Estudios Clínicos y Farmacológicos: Utilizan formalismos del diseño experimental clásico sin serlo Estudios observacionales: Los esquemas del diseño experimental no son útiles.

Pearson Fischer Gosset Snedecor Wilcoxon

BIOESTADÍSTICA CONCEPTOS BÁSICOS ► En Ciencias Biológicas y de la Salud: Error medida Error medida Variabilidad Aleatoria Variabilidad Aleatoria Atribuible Atribuible V.Atribuible - V.Aleatoria - Error medida V.Atribuible - V.Aleatoria - Error medida Modelización

Y { X n } F ( Y ) = β 0 + β 1 X 1 +…+ β k X k + Error Modelo lineal Introducción Introduce X i si el cambio en el Error es significativo, (Disminución). Introduce nueva X l si nuevo cambio en el Error es significativo. Si Error final es aleatorio fin del estudio. Si Error final no es aleatorio faltan variables. DE PROPENSIÓN: Búsqueda de factores de riesgo TIPOS DE MODELOS DE PROPENSIÓN: Búsqueda de factores de riesgo

F ( Y ) = β 0 + β 1 X 1 +…+ β k X k + Error Modelo lineal Y contin. X contin. F(Y)=E(Y) ERROR Normal REG. LINEAL MULTIPLE categoria ANOVA Y frec. X contin. F(Y)=lnY ERROR Poisson REGRESION POISSON categoria LOGLINEAL Y Odds X contin. F(Y)=lnY ERROR Binomial REG. LOGISTICA categoria LOGIT Mod LOGISTICO Y Odds X contin. F(Y)=lnY ERROR Multinomial REG POLITOMICA categoria Modelos Politómicos TIPOS DE MODELO SEGÚN EL ERROR O RESIDUAL

TIPOS DE MODELOS CON RECURRENCIA Fenómenos Poisson con repetición sobre los individuos λ t=i ≠ λ t=i-1 λ t=i ≠ λ t=i-1 Modelos clásicos marginales no evalúan sobredispersión 1 RR 1 RR Mezcla de funciones Poisson Poisson

FACTORES ASOCIADOS A LAS INCAPACIDADES LABORALES POR ENFERMEDAD DE CORTA DURACIÓN EN PROFESIONALES DE ENFERMERÍA EN UN HOSPITAL UNIVERSITARIO Indiana Mercedes López Bonilla GRAAL UNAN-León y GRAAL UFMG

Resultados XIII

HOSPITALIZACIONES EVITABLES (csap) ► Hospitalizaciones en 220 áreas básicas de salud en Catalunya. ► 16% atribuibles a condiciones evitables por AP. ► Los reingresos son muy frecuentes en ciertas edades y causas, p.ej: Insuficiencia cardiaca. ► Modelos Poisson de la RME.

ANALISIS DE FENÓMENOS RECURRENTES: Riesgo recurrencia de hospitalización en mayores de 65 años.

Serviço de Atençao à Saude do Trabalhador – Núcleo Saúde SAST-NS Universidade Federal de Minas Gerais - Brasil

Subestudios Tesios Codtoral A. Navarro 2007 Fenómeno a estudiar: Muestra: 1. 1.Procesos sist. respiratorio (CIE = J00-J99) 2. 2.IT enfermedades del sist.músculoesquelético y tejido conectivo (CIE = M00-M99) 3. 3.IT trastornos mentales y del comportamiento (CIE = F00-F99) A. A.Todos los trabajadores contratados durante el periodo y sin vínculo previo con el hospital B. B.Mujeres técnicas medias contratadas durante el periodo y sin vínculo previo con el hospital - Dependencia de ocurrencia + + Heterogeneidad individual - Muestra MuestraFenómeno Todos los trabajadores Mujeres técnicas medias 1. Procesos sistema respiratorio 2. IT enfermedades del sistema músculoesquelético y tejido conectivo 3. IT trastornos mentales y del comportamiento

Heterogeneidad individual Tesis Doctoral A. Navarro 2007 Varianza término de fragilidad

Dependencia de ocurrencia Tesis Doctoral A. Navarro 2007 HR según nº ocurrencia

Estimación puntual Tesis Doctoral A. Navarro 2007 Subestudio 1A Subestudio 2A Subestudio 3A BN Poisson AG AG + f AG + num PWP.CP PWP.CP + f PWP.G PWP.G + f WLW n = 1200 HR  1,14-1,19 HR  1,53 HR  1,47 RR  1,49 HR  1,18-1,23 RR  1,52 HR  1,53 HR  1,56

Estimación puntual Resultados Subestudio 1B Subestudio 2B Subestudio 3B BN Poisson AG AG + f AG + num PWP.CP PWP.CP + f PWP.G PWP.G + f WLW n = 400 HR  1,55-1,70 HR  2,47 HR  2,30 RR  2,27 HR  1,21-1,24 RR  1,54 HR  1,58 HR  1,64

INFLUÈNCIA INSTITUCIONAL I SALUT MENTAL JOVES DELINQÜENTS INTERNATS EN CENTRES DE JUSTÍCIA JUVENIL

Variables ► Motiu de consulta  Agitació (MPA)  Autolesió (MPA)  Traumatològica  Mèdica ► Mòdul o grup educatiu  inicial  progrés 1  progrés 2  finalista  obert  intensiu ► Horari ► Desarrelament geogràfic  present  absent ► Delicte de major gravetat  vida  sexe  lesions  propietat

Demandes MPARestaTotal freqüència percentatg e freqüència freqüència 07267,36157,05349, ,11917,81615,0 276,51211,2109,3 343,732,854,7 400,021,943,7 521,932,843,7 600,010,910,9 721,921,900,0 800,021,921,9 910,900,000,0 1010,910,921,9 1100,010,932,8 1210,900,010,9 1310,900,000,0 1400,000,000,0 >= 15 32,700,065,4 CONCENTRACIÓ DE DEMANDES PER USUARIS

CONTRIBUCIÓ A LA DEVIANCE DE CADA VARIABLE Variable Contribució AbsolutaPercentual Nacionalitat19,3815,1 Delicte11,068,6 Mòdul51,3540,0 Horari46,6436,3 Total128,43100,0

GRACIAS Kata Kali